边缘计算，是在炒概念吗？
导读：边缘计算概念刚出来的时候，很多人的第一反应是“这是哪个行业组织或者公司为了拉动市场需求而创造出来的新词汇吧？”
边缘计算究竟是什么？为什么会有边缘计算？它是一个全新的概念吗？谁在担任边缘计算的角色？最近的畅销书《工业物联网：平台架构、关键技术与应用实践》对这些问题进行了详细解答，下面让我们通过这本书的内容来详细看一看。
关于边缘计算，边缘计算产业联盟对其定义为：
在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
OpenStack基金会对边缘计算的定义是：
为应用开发者和服务提供商在网络的边缘侧提供云服务和IT环境服务。边缘计算的目标是在靠近数据输入或用户的地方提供计算、存储和网络带宽。
云计算近几年得到普及，云计算的价值和商业模式也逐步被公众接受。边缘计算是相对云计算而言的，它将云计算的计算、存储、和网络能力下沉到靠近数据源头的地方。
虽然有些领域把边缘计算称为分布式云计算或第四代数据中心，但工业领域的人并不认同这种叫法。对工业领域而言，边缘计算的应用是自然而然的事情，很多工业现场应用系统天生就涉及数据即时处理，只是以前受限于硬件的处理能力，他们反对将边缘计算定义成一个纯互联网词汇和概念。
什么是靠近数据源头呢？这个范围就比较宽泛了，比如在工厂车间现场靠近传感器数据采集的地方，利用工业网关或工控机就近提供数据分析处理能力，这属于边缘计算；整个工厂的数据上传到云平台之前，数据在工厂内本地服务器上被预处理，该本地服务器属于边缘计算。
为了获得高性能低延迟的服务，例如为支撑无人驾驶、虚拟现实和远程医疗等应用场景，移动运营商纷纷部署多接入边缘计算（Multi-Access Edge Computing，MEC），MEC以边缘云的形式，下沉到靠近用户的基站侧，以达到缩短时延的效果，亦属于边缘计算。
Gartner2019年新兴技术成熟度报告指出[1]，边缘分析（Edge Analysis）和边缘人工智能（Edge AI）处于期望增长阶段，边缘分析和边缘人工智能将越来越多地被用于对时延敏感（例如自动驾驶）、易受到网络中断影响（例如远程监测、面部识别、自然语言处理）或数据密集型（例如视频分析）的应用中。
01 为什么提出边缘计算
从边缘计算的定义看出，边缘计算主要为解决实时性、网络可靠性、数据安全性等问题，如图1所示。
物联网时代的到来，数字化和智能化的浪潮开始席卷各行各业，包括制造、能源电力、交通、物流、农业、医疗和政府公共事业，越来越多的终端与设备联网，随着联网设备数量的巨增，将给云端带来网络带宽压力。
如果将设备数据全部传入云端处理，不仅成本巨大，还将花费更多的时间，由于网络不稳定时，系统可用性变差，因此未来将会有相当比例的数据直接在网络边缘侧进行分析、处理，这正是边缘计算的实践场景。
如果把大脑比作云端，那么边缘计算就是神经末梢，自行对前端的刺激进行处理并将处理后的特征信息反馈给大脑。
▲图1 边缘计算的特点
工业现场的很多数据的保鲜期很短，一旦处理不及时，会迅速变质，数据价值呈断崖式跌落。例如在车床刀具监测过程中，通过采集机床主轴负载数据，并在边缘侧实现刀具加工过程中的实时状态监测和寿命预测管理，发现异常立刻预警。
钢铁厂轧钢板的过程中，轧机依靠多个伺服电机协同驱动轧制过程，伺服电机控制不允许出现丝毫偏差，否则可能导致整块钢板报废。为保证扎制质量，须以微毫秒级的采样率实时监测伺服电机运转是否正常。
这两个例子，均对数据处理的实时性（实效性）有明确要求，工业现场的数据处理类似于“走钢丝”，边缘计算将发挥不可替代的作用。
除了网络可靠性、实时性这两大因素，工业领域对数据安全要求严格。例如石油化工行业，设备工艺参数决定其产品质量和生产成本，是企业的核心数据，如果把这些关键数据上传到云端，存在企业核心知识产权泄露的风险。边缘计算将数据从原来的集中式管理演变为分布式管理，提高了数据的安全性。
近年来物联网安全攻击事件频发，防患数据灾难的一个必要措施是采取隔离手段，边缘计算从根源上在本地保障数据安全。除了企业自身对数据安全的要求之外，有些出于国家政策层面的原因，要求数据脱敏后才能上传到云端，而边缘计算承担了数据脱敏预处理的工作。
02 谁在担任边缘计算的角色
对边缘计算的特点及其要解决的问题有了基本了解之后，由谁来担任边缘计算的角色呢？概括起来主要分三类：工业网关、工控机和服务器。
在《工业物联网：平台架构、关键技术与应用实践》一书的第3章介绍过工业网关，由于工业通信网络接口种类繁多，协议繁杂且互不兼容，因此需要通过工业网关进行各种协议转换，工业网关支持常用的工业协议，通过协议转换降低设备接入的难度，实现访问的统一性。业界有些公司专门研发此类工业网关并推出标准化产品，兼容市面上众多工业控制器。
除了数据解析协议转换之外，工业网关还具备一定的数据处理能力，工业网关硬件厂商通过提供标准开发框架，使得开发人员能够在框架内基于C和Python等开发语言嵌入自定义逻辑。这些工业网关换个名字就变成了边缘计算网关。
当然，不仅换了名称，作为边缘计算网关，还是比较强调它的数据处理能力，例如处理器主频、内存和FLASH存储比普通的工业网关配置高；同时强调和云端的对接，即不间断的互联网接入能力，它可以通过以太网、Wi-Fi或4G等网络链路，保证设备无论身处何处都能够互联互通，这些边缘计算网关支持各种工业云平台，数据直接上云。表1为某边缘计算网关典型配置示例。
▼表1 边缘计算网关典型配置示例
指标项 | 指标说明 |
CPU | ARM Cortex-A8，主频1 GHz |
内存 | 512 MB DDR3 |
存储 | 16 GB FLASH |
以太网端口 | 2个100 Mbps以太网接口 |
数字输入输出 | 4路数字输入、4路数字输出 |
蜂窝通信制式 | LTE、WCDMA、CDMA2000 EVDO、EDGE、GPRS |
SIM卡座 | 抽屉式卡座x2，双SIM卡备份 |
工业串行接口 | RS-232x1、RS-485x1 |
Console端口 | RS-232x1 |
Wi-Fi | 可选，802.11 a/b/g/n |
定位 | 三重定位，GPS/BDS/LBS定位 |
机械特性 | 导轨或壁挂式安装、无风扇散热、金属外壳、IP30防护等级 |
工作环境 | 工作温度-30～+65 ℃、存储温度-40～+85 ℃、工作湿度范围5%～95%（非凝结状态）、防凝露 |
电源 | 供电范围9～32 VDC，紧凑插拔式接线端子 |
第二类承担边缘计算角色的是工控机，工控机大量用于测控和自动化领域，如DCS、SCADA以及数控系统CNC等。关于工控机的定义：工控机（Industrial Personal Computer，IPC）是一种加固的增强型个人计算机，采用总线结构，是一种对生产过程及机电设备、工艺装备进行检测与控制的硬件总称。
工控机具有典型的计算机特征，如CPU、硬盘、内存和外设接口，并具有操作系统、控制网络和协议、计算能力以及友好的人机界面。不同的是，工控机能够在环境恶劣的条件下运行，由于对数据安全性要求更高，因此通常会对工控机进行加固、防尘、防潮、防腐蚀和防辐射等特殊设计。
通俗地讲，工控机是专为工业现场而设计的计算机，而工业现场环境振动大、灰尘多、电磁干扰强，经常要求连续不间断作业。与普通计算机相比，工控机应具备更高的可靠性和更好的扩展性。与工业网关或其他小型微控制器相比，工控机具有更高的数据处理性能。
笔者曾经与全球工控机出货量排名前三的一家公司探讨过，他们新出的边缘计算服务器和工控机有什么区别？当时得到的回答是没区别，就是工控机。
无论是工业网关还是工控机，当它们承担了边缘计算的角色时，难免会有人觉得，这是不是新瓶装旧酒？在边缘计算概念出来之前，它们就一直地存在着，在工业现场运行并发挥着作用。
最近一些厂商在推边缘智能服务器（Edge Intelligence Server，EIS），如果看硬件载体本身，好像也没有多少创新，很多基于工控机或标准x86服务器，被人说成新瓶装旧酒似乎也不为过，不过有一个区别是非常重要的，软件架构层面，边缘智能服务器采用的是云原生思维，边缘与云端紧密协同，由云端全局统一调度与管控边缘节点资源，软件功能随时更新与分发，支持物联网平台连接、数据管理及边缘分析。
如果回忆一下以往工控机上的软件升级（备份、补丁、更新、以及监视）、硬件资源的分配，就能体会这种理念的巨大差别。目前西门子、戴尔、因特尔和研华等都在推出各自的边缘智能服务器。
第三类承担边缘计算角色的是服务器，将数据中心的服务器搬到现场的机房，它就变成边缘计算服务器了，由云端的集中式变为现场的分布式。
服务器部署到现场之后，需考虑其多节点管理问题，当企业同时拥有成千上万个分布式边缘计算节点时，将给管理人员和运维人员带来非常大的挑战，以标准化方式对边缘节点纳管和统一维护就变得非常重要，不同的工业解决方案商会有不同的应对策略，从目前来看，边云协同是主流思想，基于云的管理工具以实现对边缘节点的远程可视化管理。
事实上，应当把边缘计算理解为一种理念，任何具备一定程度的数据计算、存储、网络通信能力的硬件设施都可以称之为边缘计算。
03 边缘计算领域有哪几类公司
边缘计算领域目前主要有三类公司，分别是硬件厂商、云计算服务商以及移动运营商。硬件厂商包括工业网关、工控机、服务器硬件厂商。硬件厂商根据市场的需求，致力于不断推出能满足行业应用场景的边缘计算产品，同时在边缘智能服务器上发力，影响整个边端云端架构。
第二类是云计算服务商，例如前面OpenStack基金会将边缘计算定义为在网络边缘侧提供云服务和IT环境服务，有些公司将边缘计算称为分布式云计算或第四代数据中心，在边缘计算玩家里，自然有云计算服务商。
以亚马逊AWS、微软Azure、阿里云和华为云为代表的云计算服务商，在云计算领域积累了庞大的用户群，并拥有先进的大数据处理能力，这些公司发展边缘计算的整体思路，就是边云协同，将边缘和云端紧密结合，充分发挥边缘的低延迟、安全等特性，同时结合云端的强大数据分析能力。
例如AWS在2017年推出了边缘计算框架AWS IoT Greengrass，通过Greengrass将AWS云端服务扩展到本地设备，能够在边缘对设备产生的数据进行操作和处理。
第三类是电信运营商，一直以来，运营商的角色是提供数据管道服务，数据通过蜂窝网络实现长距离传输，好像边缘计算和运营商扯不上什么关系。但运营商显然不满足于被管道化，尤其是5G时代，为了获得高性能低延迟的服务，移动运营商纷纷部署多接入边缘计算MEC。
MEC属于核心网部分，如果和接入网的集中单元（Centralized Unit，CU）一起下沉到离基站更近的地方，将进一步推动网络实现超低时延，并带来更佳的用户体验。
MEC多接入边缘计算和网络切片是5G的两大关键技术，以支撑5G的三大应用场景。其中MEC对于eMBB移动增强带宽和uRLLC高可靠低时延连接两大场景而言非常重要。MEC并非一个新概念，在4G和5G网络中均可部署。
早在2014年欧洲电信标准协会ETSI就启动了MEC标准化参考模型项目，并成立了移动边缘计算规范工作组，以推动移动边缘计算标准化，基本思想是一样的，就是把云计算平台从移动核心网络内部迁移到移动接入网边缘，实现计算及存储资源的弹性利用。
这其实和云计算服务商的路线是一样的，只不过电信运营商的资源池位于移动核心网络和移动接入网络，而且现在的核心网，由于网元功能虚拟化，因此硬件方面也慢慢地由原来的专用硬件，变成了x86通用服务器。既然都是服务器，大家当然可以干某种程度上相似的事情。
MEC概念一方面将传统电信蜂窝网络与互联网业务深度融合，这样减少移动场景业务交付的端到端延迟，利用移动网络边缘就近提供电信用户IT所需服务和云端计算能力，创造高性能、低延迟与高带宽的电信级服务环境，加速网络中各项内容、服务以及应用的高速下载，从而改善用户体验，同时节省带宽资源。
另一方面通过将计算能力下沉到移动边缘节点，提供第三方应用集成，为移动边缘入口的服务创新提供了更多的可能性。
ETSI在2016年的时候将MEC概念从移动边缘计算（Mobile Edge Computing）扩展为多接入边缘计算（Multi-Access Edge Computing），不再局限于蜂窝网络，而是延伸至其他无线接入网络如Wi-Fi等。至此，MEC可看作是一个运行在移动网络边缘的、运行特定任务的云服务器。
MEC改变了移动网络和业务分离的状态，可以将业务（包含内容、服务和应用）下沉到移动网络边缘，为移动用户提供服务。
电信运营商一直以来在努力避免被管道化（单纯为互联网提供数据服务的管道），由于当前电信市场的发展逐渐趋于饱和，因此单纯依靠流量业务的增量很难带来收入的快速增长，同时用户对于电信运营商提供的传统语音、短信服务的依赖度不断下降，运营商的利润也开始不断下降，MEC可理解为运营商的一个抓手，也就不难理解为什么运营商会花很大力气投入到MEC中。
本文主要介绍了边缘计算的相关内容，相信会对大家深入理解边缘计算有一定的帮助和启示。预测性维护是边缘计算的一个典型应用场景。关于这部分内容本文不展开讲。如果你对此感兴趣，推荐你详细阅读胡典钢老师的新作《工业物联网：平台架构、关键技术与应用实践》。
[1]地址为
https://www.gartner.com/smarterwithgartner/5-trends-appear-on-the-gartner-hype-cycle-for-emerging-technologies-2019/
关于作者：胡典钢，资深工业物联网专家，顺丰物联网平台负责人，兼任顺丰集团职业发展评审委员和ZETA联盟工业物联网高级顾问，负责顺丰物联网平台建设及产品化工作。在物联网、边缘计算、工业大数据领域从业10余年，有丰富的实践经验。历任NI公司应用工程师、高级应用工程师、大区销售经理，兼任GSDZone社区专栏作者和海南大学校外专家，NI（中国）首位认证双架构师——LabVIEW架构师和TestStand架构师，主导大型工业自动化测试控制和工业物联网项目的开发工作。2016年受邀撰写专著《TestStand工业自动化测试管理》，广受业界好评，多次重印。
推荐语：这是一本从平台架构、关键技术、应用实践3个维度全面讲解工业物联网如何在生产实践中落地的著作。它是顺丰物联网平台负责人10余年经验的总结，得到了行业里近10位专家的一致推荐。它将帮助企业解决工业物联网推进过程中遇到的OT与IT融合困难、组织协作成本高昂、全局性技术栈选型难把握、项目规模化落地困难风险易低估、数字化转型难聚焦等系列问题。
刷刷视频👇
更多精彩👇
在公众号对话框输入以下关键词查看更多优质内容！
读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化AI | 人工智能 | 机器学习 | 深度学习 | NLP5G | 中台 | 用户画像 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都关注了这个公众号👇