邊緣計算是數字世界中最令人興奮的新概念之一。利用占用空間很少的微型數據中心網絡，邊緣計算使系統能夠實時收集并分析重要數據，而不會增加現有基礎設施的負擔。
在物聯網系統中，通常以端到端的方式，在特定的高度傳感器密集型環境中獲得大量數據，且數據是在邊緣生成并處理的，以降低延遲并減輕數據中心的負載。此前，邊緣計算的重點是連接在物聯網上的設備的技術，比如工業機器人。
不過，隨著技術的不斷發展，大數據、IoT 和AI的組合帶來了無限潛力，對于邊緣計算的需求已經從解決由IoT生成的數據增長而導致的數據長距離傳輸的帶寬成本問題，進化至處理實時應用程序。在這類組合中，邊緣計算需要滿足低延遲、加速實時創建和支持應用。
邊緣計算有很多術語，包括“邊緣云計算”和“霧計算”。“邊緣計算”本身通常被描述為在本地服務器上運行的應用，旨在讓云進程更靠近終端設備。“企業計算”與邊緣計算類似，但更傾向于準確地描述網絡功能，卻非描述計算的位置?！办F計算”概念是由Cisco創造的，許多人將其定義為位于邊緣計算空間上下的計算，甚至作為邊緣計算的一個子集。作為參考，端點設備和端點通常被稱為“邊緣設備”，以免與邊緣計算相混淆。邊緣計算可以采用多種形式，包括小型聚合器、本地服務器或微型數據中心。微型數據中心可以按區域分布在永久性或可移動的存儲容器中。 一般來說，傳感器、攝像頭、麥克風以及一系列不同的物聯網和移動設備從其所在位置收集數據，再發送到集中式數據中心或云中。數據顯示，到2020年，全世界會有超過500億臺智能設備實現連接。這些設備每年將產生以澤字節(ZB)計算的數據，到2025年將增長到150 ZB以上。這些數據發送到云會帶來一些重大問題。首先，150ZB的數據會造成容量問題。其次，將大量數據從其原始位置傳輸到集中式數據中心代價高昂。據估計，目前只有12%的數據得到了分析處理，而只有3%的數據有助于產生有意義的結果，剩余97%的數據在收集和傳輸之后，就被浪費了。第三，存儲、傳輸和分析數據能耗巨大。因此，我們需要找到一種有效的方法來降低成本并減少浪費。引入邊緣計算，在本地存儲數據，可以降低傳輸成本。同時，利用AI功能也能夠消除數據浪費。例如，現在正在使用中的新型低功耗邊緣計算服務器CPU，它們以GPU和ASIC或一系列芯片的形式連接到AI加速 SoC。除了解決容量、能源和成本問題外，邊緣計算還可以提高網絡可靠性，因為應用可以在發生普遍的網絡中斷期間繼續運行，通過清除某些威脅配置文件（例如全局數據中心拒絕服務 (DoS) 攻擊），可以提高安全性。最重要的是，邊緣計算能夠為實時場景（例如虛擬現實商場、移動設備視頻緩存）縮減延遲，同時在自動駕駛汽車、游戲平臺或快節奏制造等環境中創造許多新的應用機會。5G基礎架構是邊緣計算最具說服力的驅動力之一。5G電信提供商發現，除了傳統的數據和語音連接之外，他們還可以構建生態系統以托管獨特的本地應用。通過將服務器置于基站旁邊，蜂窩流量提供商可以向第三方主機應用開放其網絡，從而改善帶寬和延遲。Credence Research認為，到2026年，整個邊緣計算市場的價值將為96億美元左右。相比之下，Research and Markets分析認為，移動邊緣計算市場將從今天的幾億美元增長到2026年的超過27.7億美元。盡管電信行業可能是發展最快的增長動力，但是據估計，它們僅會占據邊緣計算市場總量的三分之一。這是因為web scale、工業和企業集團也將為其傳統市場提供邊緣計算硬件、軟件和服務，期望邊緣計算也將開創新的應用機遇。比如目前大眾快餐店的廚房正朝著更加自動化的方向發展，以確保食品質量，減少員工培訓，提高運營效率并確?？蛻趔w驗達到預期。Chick-fil-A 是一家連鎖快餐企業，2018 年 他們宣稱：“通過提高廚房設備智能化，我們能夠收集更多數據。通過這些數據，我們可以構建更多智能系統，進而拓展業務。”他們還指出，在邊緣計算的幫助下，許多餐廳現在可以處理的業務量提高到之前的三倍。總體而言，成功的邊緣計算基礎架構需要結合本地服務器計算功能、AI 計算功能以及與移動/汽車/IoT 計算系統的連接（圖 1）。圖 1：邊緣計算通過使用微數據中心來分析和處理數據，從而使云計算過程更靠近終端設備為了解使用邊緣計算帶來的延遲改善優勢，羅格斯大學和 Inria 使用 Microsoft HoloLens分析了邊緣計算（或稱“邊緣云”）的可擴展性和性能。在案例中，HoloLens 讀取條形碼掃描儀，然后使用建筑物中的場景分割功能將用戶導航到指定房間，并在 Hololens 上顯示箭頭。該過程同時使用了映射坐標的小數據包和連續視頻的較大數據包，以驗證邊緣計算與傳統云計算相比延遲的改善。HoloLens 先讀取二維碼，然后將映射坐標數據發送到邊緣服務器，該服務器使用了 4 個字節加上標頭，花費了 1.2 毫秒 (ms)，服務器找到坐標，并通知用戶該位置，總共耗時 16.22 ms。如果將同樣的數據包發送到云，則大約需要80ms（圖 2）。圖 2：比較邊緣設備到云服務器與邊緣設備到邊緣云服務器的延遲同樣，他們還測試了在使用 OpenCV 進行場景分割以將 Hololens 的用戶導航到適當位置時的延遲。HoloLens 以 30 fps 的速度流傳輸視頻，并在邊緣計算服務器中以 3.33 GHz 的頻率在配備 15GB RAM 的 Intel i7 CPU 上處理圖像。將數據流傳輸到邊緣計算服務器需要 4.9 ms，處理 OpenCV 圖像額外花費了 37 ms，總計 47.7 ms。云服務器上的相同過程花費了將近 115 ms，清楚顯示了邊緣計算降低延遲的明顯優勢。該案例研究顯示了邊緣計算在降低延遲方面的顯著優勢，但是未來還會有更多新技術可以更好地實現低延遲。5G 概述了當今延遲少于 1ms 的案例（圖 3），而 6G 已經在討論將其降低到 10 微秒 (μs) 的問題。5G 和 Wi-Fi 6 會增加連接帶寬，其中5G 預計將帶寬提高到 10Gbps，而 Wi-Fi 6 已經支持 2Gbps 帶寬。AI 加速器聲稱場景分割的時間少于 20μs，這與上述示例技術論文中引用的 Intel i7 CPU 在大約 20ms 內處理每個幀的速度相比，又有了顯著進步。圖 3：與圖 2 中 10s 和 100s 的 Msps 相比，從 Hololens 到路由器以及從路由器到邊緣服務器的帶寬改善高達 10Gbps，另有 AI 處理的改進（從 20ms 改善到 20us），往返延遲 < 1ms。顯然，如果邊緣計算表現的比云計算更具優勢，那么將計算全都轉移到邊緣設備中不是最好的解決方案嗎？很不幸，目前并不是所有的應用程序都是如此（圖 4）。在 HoloLens 案例研究中，如果數據使用的 SQL 數據庫太大，則無法存儲在耳機中。今天的邊緣設備，特別是發生物理磨損的設備，沒有足夠的計算能力來處理大型數據集。除了計算能力之外，云或邊緣服務器上的軟件比邊緣設備上的軟件開發成本更低，因為云/邊緣軟件不需要壓縮到更小的內存資源和計算資源中。由于某些應用程序可以根據基礎架構不同位置的計算能力、存儲能力、存儲器可用性和延遲能力來合理地運行，因此無論是在云中、在邊緣服務器還是在邊緣設備中，未來的趨勢是混合計算能力（圖 5），邊緣計算是建立全球混合計算基礎架構的第一步。圖 5：安裝在 Hololens、邊緣服務器和云中的 AI，使混合計算架構能夠根據應用需求優化計算、存儲器和存儲資源。許多使用邊緣計算的新服務都有低延遲需求，因此許多新系統都采用了最新的行業接口標準，包括PCIe 5.0、LPDDR5、DDR5、HBM2e、USB 3.2、CXL、基于PCIe的NVMe以及其他基于新一代標準的技術。與上一代產品相比，這些技術都通過改進帶寬來降低延遲。這些邊緣計算系統還增加了AI加速功能。例如，某些服務器芯片通過x86擴展AVX-512向量神經網絡指令 (AVX512 VNNI)等新指令提供AI加速。除此之外，大多數新系統中還添加了自定義AI加速器。這些芯片所需的連接性通常采用帶寬最高的主機來實現加速器連接。例如，在具有多個AI加速器的某種交換配置中，由于帶寬要求影響了延遲，因此很多系統中采用了PCIe 5.0接口。除了本地網關和聚合服務器系統之外，單個AI加速器通常無法提供足夠的性能，所以需要借助帶寬非常高的芯片到芯片SerDes PHY來擴展這些加速器。最新發布的PHY支持56G和112G連接。圖 7：常見服務器SoC位于邊緣，根據任務數量、功率、延遲和其他需求，具有不同的處理器數量、以太網吞吐量和存儲能力。AI算法正在突破內存帶寬要求的極限。例如，最新的BERT和GPT-2型號分別需要345M和1.5B參數，為了滿足這些需求，不僅需要高容量的內存能力，還需把許多復雜的應用放在邊緣云中執行。為了實現這種能力，設計人員正在新的芯片組中采用DDR5。除了容量挑戰之外，還需要存取AI算法的系數，以進行非線性序列中并行執行的大量多次累加計算。因此，HBM2e也成為一種被迅速采用的新技術，有些芯片實現了單芯片中的數次HBM2e實例化。圖 8：通用AI SoC具有高速、高帶寬、內存、主機到加速器，以及高速芯片到芯片接口，用于擴展多個AI加速器。未來，邊緣計算的需求將集中在降低延遲和功率，確保有足夠的處理能力來處理特定任務上。新一代服務器SoC解決方案不僅將具有更低的延遲和更低的功耗，而且還將納入AI功能，也就是AI加速器。但是很明顯，AI和邊緣計算的需求也在迅速變化，我們今天看到的許多解決方案在過去兩年中已多次取得了進步，并將繼續加以改進。圖 9：新一代服務器SoC再加上AI加速器，將加快邊緣計算速度Futuriom曾在《5G，物聯網和邊緣計算趨勢》中寫道，5G將成為邊緣計算技術的催化劑，使用5G技術的應用將改變流量需求模式，為移動蜂窩網絡的邊緣計算提供最大的推動力。
總的來說，邊緣計算是實現數據快速連接的一項重要技術，它將云服務更靠近邊緣設備，降低延遲，為消費者提供新的應用和服務；還將衍生出更多的AI功能，將其擴展到云以外。此外，它還將成為支持未來混合計算的基礎技術。
