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。

图1-4 五个传感器的综合感知系统