1.2 云计算、IoT和边缘计算

随着信息技术和互联网技术的发展，云计算作为新的IT基础设施，已经成为企业信息系统的标准方案。托管服务与自行管理和部署的服务器和网络已经逐渐被公有云和私有云取代。另外，互联网经过二十多年的发展，已经通过终端设备将人类社会连接了起来。最近十多年，移动互联网完成了人与人之间7×24小时连接的任务，信息社会改变了人们社交、出行、消费和娱乐的方式。技术的进步不会停下来，随着通信、计算机硬件和软件技术的发展，下一步将会是万物互联和智能化的社会，物联网和人工智能将会在后互联网时代推动下一轮的技术革命。

边缘计算技术作为云计算和终端设备的桥梁，将会越来越重要。总之，云计算、物联网和边缘计算这三个方面其实是互相依赖、互相融合的关系。这三个方面是相辅相成的，不应该也不可能隔离开来。笔者在本书中也是秉持这样的态度。虽然主要介绍边缘计算，但在每一个部分其实都会综合这三个方面来介绍，这样才能够给予读者更加全面和完整的知识和技术体系。

物联网和边缘计算的理论和技术本身还处在不断的发展和完善中，各种标准的讨论都一直没有停止过，有理论界的，也有工业界的，现在其实还没有形成一个主导的技术体系或标准。本书会尽量按照主流的技术方向来介绍，帮助大家把握住边缘计算领域的趋势和大的方向。同时，对比较重要的技术点，也会展开详细讨论。尤其像现在非常流行的深度学习、微服务、大数据等技术方向，这些技术应用到物联网和边缘计算领域会有很多非常特殊的变化和需要注意的地方，本书会对这些方面特别加以关注。

IoT（Internet of Things）这个名词最早在1999年出现，当时是在供应链自动化领域被提出来的。中文的翻译叫作物联网，这个翻译非常准确，就是指万物互联的一种网络，是互联网的下一个重要发展方向。在互联网完成了人与人之间的连接以后，下一步就是智能设备的互联互通，实现人与物、物与物的全面连接和智能协作。物联网本身其实分成了工业物联网和消费物联网两大方向，它们既有共同的特征，也有各自不同的地方。

通常，消费物联网（CIoT）指的是人们日常使用的消费品的物联网应用，比如可穿戴设备、智能家电等。工业物联网（IIoT）通常是与商业活动和工业生产相关的物联网应用，用于改进和提高安全性、生产效率、协作效率等。

埃森哲的研究报告表明，在IoT领域中，工业物联网可能会成为未来发展更加迅速的分支。预计到2030年，工业物联网技术的应用对经济的贡献可达14.2万亿美元。看到这个数字也许让人觉得很不可思议，不过这是在2030年全球经济规模基础上的预测，届时中美的GDP都在30万亿~40万亿美元的量级。消费物联网的增长速度会逐渐降低，不过仍然会大大改变人们的工作、学习和生活方式，这也是一个巨大的市场。

消费物联网设备通常都是面向大众的通用型设备，比如智能手环、智能音箱、自动驾驶汽车、智能家电等。而工业物联网设备常常都是针对特定领域或场景研发的设备，比如智能机械、特殊的传感器、PLC（可编程逻辑控制器）等。

消费物联网终端设备对边缘计算的数据存储和处理能力要求比较高，比如自动驾驶汽车需要处理海量的图像和传感器资料；智能摄像头也要实时处理视频图像，识别和监控视频中的物体和人类。而工业物联网对边缘计算的时延、安全性和稳定性的要求非常高，需要快速响应设备和环境的交互，准确地控制流程，对设备的监视、控制和反馈形成闭环。

如今，工业物联网和边缘计算已经成为驱动工业4.0和智能制造相关的产业革命的核心技术，部署工业物联网设备和融合系统将成为新建和改造工业系统的标准做法。

云服务、边缘计算和各种传感器及智能系统是紧密联系在一起的综合性系统。虽然在企业IT环境和数据中心外运行的计算机系统并不是个新事物，但是如今的边缘计算系统可以看作整个企业IT管理系统的向外衍生，而且边缘计算系统必须处于企业信息系统或企业物联网的覆盖和管理范围内。

1.2.1 近边缘端和远边缘端

如图1-3所示，在设备端，大量的传感器将数据上传到边缘服务器或网关，然后边缘网关通过广域网将数据上传到云服务数据中心。越接近设备端，节点数量越多。越接近云服务数据中心，则总的数据量更多，数据处理能力也更强大。为了方便阐述，边缘设备可以细分为近边缘端和远边缘端两层。

（1）近边缘端：指远边缘和云服务之间的一部分基础设施。在实际部署中，近边缘端系统可以与广域网通信基础设施同时存在，例如，在移动信号发射塔和通信信号交换站同时部署边缘硬件。这一层可以承载复杂的计算服务，比如软件定义广域网（SD-WAN）。

（2）远边缘端：指能够与云服务或近端设备进行通信管理和数据交换的各类设备。这一层距离云服务最远，但它仍然可能与云服务及其附近的边缘组件保持通信。这一层最接近终端用户或终端设备和传感器，通常要求具有硬件级别的实时性响应、终端安全防护和低延迟等功能，并可以作为大型个人局域网（PAN）的网关。

通过对边缘计算近端和远端的解释也可以发现，简单地将传感器连接到远程计算机设备并不是边缘计算，就像一个使用未连接网络的PC玩计算机游戏的人并不是在线游戏玩家一样。然而，一旦传感器将数据传送到云服务，并且这些传感器通过边缘设备与云服务协同工作，那么就应当被视为完整的边缘计算系统了。

传统的蓝牙设备连接和SCADA（Supervisory Control and Data Acquisition，数据采集与监视控制）系统是不能够被看作边缘计算系统的，这些应用往往只在一个有限的场所或地理范围内使用。数据的处理规模、处理能力和安全性的要求也没有现代的边缘计算系统那么严苛。必须将传统的PAN或SCADA与边缘计算网关+云服务整合起来，才能够称为真正意义上的边缘计算。

1.2.2 边缘计算的应用场景

通常来说，边缘计算主要用于解决以下4个物联网领域的问题。

（1）降低延迟：边缘计算系统可以部署到距离终端用户和设备比较近的地方，这样自然就可以避免数据传输中各种多余的网络跳转和传播。某些对延迟敏感的应用程序，如基于云的游戏和视频流，有严格的实时延迟和性能要求，也包括需要实时决策并执行重要安全机制的机械设备等。

（2）节约带宽和容量：在很多情况下，边缘端到云计算数据中心的带宽有限，在数据流量高峰时刻的影响尤其明显。此外，海量数据的存储对于数据中心的成本压力也非常大。边缘计算技术可以通过信息过滤、缓存和数据压缩技术来有效地利用带宽，同时减少数据中心的数据存储和计算压力。

（3）弹性计算和存储：很多情况下，很难保证连续和稳定的数据传输。例如，物流应用程序可以实时跟踪车辆和货物信息，其中包括关键货物温度数据。车辆在通过隧道、偏远地区和地下通道时，有时可能会失去数据连接。这种情况下，简单地“丢失”数据是不可接受的。因此，这些类型的系统必须确保边缘计算系统能够在本地缓存数据，直到通信恢复。这些边缘计算系统也会采用故障转移或切换路由技术，以便在主通信运营商服务不可用的情况下切换到备选运营商的数据传输服务。

（4）安全和隐私保护：很多应用中会涉及采集和处理个人隐私信息或保密信息的情况，这种情况必须根据相关的管理条例和规范进行处理。例如，监控设备往往会通过生物特征自动识别某些人，这些数据在传输到云端前必须做必要的模糊化，有时监控录像中的儿童信息必须被抹去，这些需求会要求边缘端进行大量的数据处理。

除了上面介绍的这些常见应用领域，边缘计算其实还在向更加深入和宽广的领域发展，这些新的领域包括普适计算和综合感知这两个方向。普适计算是一个强调和环境融为一体的计算概念，而计算机本身则从人们的视线中消失。在普适计算的模式下，人们能够在任何时间、任何地点，以任何方式进行信息的获取与处理。而综合感知技术具有将边缘传感器数据聚合到广泛的环境感知系统中的能力。

普适计算会改变我们和机器及计算机交互的模式。通常模式下，我们需要通过一个固定的计算终端设备和信息系统进行交互，然后获得环境的信息或发出指令控制某个设备的功能，例如，计算机的人机交互界面（屏幕、键盘和鼠标）。普适计算则尽量避免一个直接交互的计算终端的存在，取而代之的是人所在的环境和计算机融为一体，与环境的交互就是输入，也就是与计算机系统的交互，环境中的物体和传感器能够自我感知并通过智能的边缘计算系统和云端程序相连，所有设备根据环境的变化及与人的交互作出反应并提供信息、服务和响应。整个计算机系统在过程中无感知又无处不在。这种技术虽然听起来非常抽象，但是目前很多的机构和企业都在进行研究。边缘计算是普适计算的核心引擎，需要能够支持大量人工智能的运算和数据处理，同时还要无感知。普适计算需要能够实现以下特征。

（1）不可见：系统本身不应该引起注意。计算应该无处不在，无时不在，但不能够基于特定设备。需要某个技术功能时看得见，不需要时则不出现。

（2）嵌入式：物体本身可以嵌入传感器，并具备一定的计算能力和通信能力。

（3）无感知：环境和计算机进行无缝的复杂交互。

（4）相互连接：由不同事物和对象组成的环境应该协同工作并相互通信。这对于目前各个相互竞争的通信和协同标准来说是一个挑战。

普适计算给边缘计算设计人员带来的挑战是：需要采用物联网和边缘计算技术，构建一种与人类交互但不会被人类明显察觉的设备。边缘计算系统可以拥有很强大的计算能力——可以与数据中心的刀片服务器一样强大。但是，在提供强大的人工智能和物联网功能的同时，其物理结构必须对环境中的人是透明的，这在工程上是很大的挑战。这意味着我们必须考虑硬件、通信系统和基础设施，进行形式、空间、声音和视觉的综合设计。例如，不能有闪烁的灯光、高速风扇噪声、外露的电缆等。总之，这是边缘计算技术、完美人居环境及建筑艺术理念相结合的一种概念性研究方向。目前很多提供智能家居的企业，比如亚马逊、小米等做的产品已经有一定这方面的雏形，但还远远没有达到预想的效果。

综合感知系统是一个非常新的概念，是2017年由Gierad Laput、Yang Zhang和Chris Harrison在一篇名为Synthetic Sensors: Towards General Purpose Sensing的文章中最先提出的。一个设备被放置在一个环境中，内置的边缘人工智能系统被训练来了解发生了什么，这种装置根据需求和地点的不同，会选择不同的传感器和边缘计算系统。这些传感器可能包括加速度计、温度传感器、声压传感器等。设备经过训练，能够理解这些传感器如何受环境影响。例如，某个综合感知系统可以放在一个房间里，实时通过各个传感器的数据了解到炉灶上的哪个点火位置是点燃的，洗碗机是否在运行，水龙头是否开着，并作出推断和决定后续行动。

图1-4展示了采集到边缘服务器的五个传感器数据。这些实时信号通过一个训练过的机器学习推理引擎进行处理，以检测事件并推断出现在窗户的开关状态。这组传感器可能还缺少的是一个真正的摄像头，以提供机器视觉判断。这是一个简单的综合感知系统的例子，通过振动、声音、温度、湿度和气压的变化情况判断窗户开关状态。