邊緣計算可以將計算能力放在數(shù)據(jù)源附近，這對提高分析能力是一個福音。但是什么阻止了企業(yè)的實施呢?

在2015年至2020年的五年，物聯(lián)網(wǎng)預計將比任何其他類別的設備增長更快。機器對機器連接的數(shù)量將增長近2.5倍，從2015年的49億臺增加到2020年的122億臺。

然而，在物聯(lián)網(wǎng)世界中，為了減少通過網(wǎng)絡傳輸?shù)臄?shù)據(jù)量，能夠盡可能靠近數(shù)據(jù)源進行分析已經(jīng)成為一種必要。不僅如此，如果企業(yè)的目標是為邊緣計算設備(運輸車輛、石油鉆井平臺、移動設備等)提供快速反饋，即使是有限的目標，也是至關重要的。

從數(shù)據(jù)到達響應點的那一刻起，數(shù)據(jù)的價值隨著差距的增大而降低;從業(yè)務的角度來看，企業(yè)需要快速分析，并盡可能接近數(shù)據(jù)源。

如果可以減少時間跨度，從而提供實時洞察和行動，它將提供更多的價值。

轉向邊緣計算分析

邊緣計算分析是對傳統(tǒng)數(shù)據(jù)收集和分析方法的一種改進。在這種方法中，在傳感器、網(wǎng)絡交換機或其他設備上對數(shù)據(jù)執(zhí)行自動分析計算，而不是等待數(shù)據(jù)發(fā)送回集中的數(shù)據(jù)存儲，并進行分析在后臺運行。

人們現(xiàn)在都熟悉WiFi連接設備，如洗衣機、機器人吸塵器、家用恒溫器等。這些物聯(lián)網(wǎng)設備通常會發(fā)送統(tǒng)計數(shù)據(jù)或狀態(tài)，這是一個很好的事情，通過智能家庭集線器或顯示在手機上。然而，物聯(lián)網(wǎng)設備廣泛應用只是完成物聯(lián)網(wǎng)革命的一半，下一半是讓它們運行自我診斷和統(tǒng)計分析，然后再將信息發(fā)送給企業(yè)進行進一步分析，從而使他們最終不僅聯(lián)網(wǎng)而且智能。恒溫器就是一個簡單的例子，可以根據(jù)天氣、到家時間、交通和其他信息計算預測，因此可以開始加熱洗澡水，并告知真空吸塵器開始清潔，以便在主人到家之前完成。這不是通知主人，而是在源設備或邊緣計算設備上做出決策和采取行動。

邊緣計算分析不是將所有信息發(fā)送到一個單一的來源，然后才應用轉換和分析，然后才將反饋發(fā)送到其他設備，而是一種更快、更靈活的方法。

例如，如果以電信行業(yè)為例，那就是他們曾經(jīng)的運作方式。通常在中央通信樞紐中，電話接線員在那里接聽用戶的電話，用戶不得不事先“訂購”一條線路，并且只有在這條線路開通后才能通話，所有呼叫都通過一個中心位置進行路由，其分析僅在其中心樞紐中完成。

如今，人們只需在其手機設備上輸入號碼即可呼叫，同時所有路由都將自動且更快地完成。無需等待信息到達中心樞紐即可進行分析?，F(xiàn)在能夠以其選擇的任何方式(部分或全部)隨時分析信息，甚至可以在自己的設備上進行分析。

以另一個現(xiàn)實生活為例，例如幾十架飛機在機場上空盤旋、準備起飛或降落。在幾秒或幾毫秒內分析數(shù)據(jù)的能力不僅僅影響航空公司收入，其真正商業(yè)價值與旅客生命息息相關。因此每一秒都很重要，每一個輕微的失誤或技術問題都會產(chǎn)生巨大的多米諾骨牌效應。

理論上，如果在將數(shù)據(jù)發(fā)送到集中位置之前已經(jīng)開始分析的初始過程，例如，在原始設備(飛機或任何其他計算機設備)上，可以根據(jù)初步見解采取行動，從而縮小洞察力和行動之間的差距。

人們可以在邊緣計算設備上執(zhí)行部分算法或分析功能，同時以非侵入方式將數(shù)據(jù)從邊緣設備本地網(wǎng)格異步或同步到集線器或集中網(wǎng)格，在那里將執(zhí)行進一步和更多的計算關于原始數(shù)據(jù)或匯總數(shù)據(jù)。

采用質量分析平臺

進行實時分析就是提取率、簡化工作流程、減少組件架構以降低總體擁有成本(TCO)。現(xiàn)在需要了解一下lambda或kappa架構，通過將所有信息視為數(shù)據(jù)流簡化所有事情是很好的，但由于架構中移動部分的數(shù)量太多，仍然會帶來意外的復雜性。

采用傳統(tǒng)的分析工作流程并將繁重的工作推到內存平臺上以實現(xiàn)收斂或數(shù)據(jù)流的統(tǒng)一是唯一合乎邏輯的結論。這個“NoETL”工作流程完全依賴于Kafka作為消息代理，而InsightEdge作為NoETL/流處理機制，除了所有其他Spark優(yōu)勢之外。

第二個階段是polyglot分析，它定義了質量分析的能力，以便將實時數(shù)據(jù)流與存儲在持久存儲層上的存檔數(shù)據(jù)聚合。

考慮到專家預測的到2020年全球將產(chǎn)生40澤字節(jié)的數(shù)據(jù)，人們需要能夠處理此類數(shù)據(jù)量的平臺。采用建議的組件簡化架構，這兩個事件流之間的相關因子是Kafka/Data Lake中的關鍵參與者(或者更松散的術語Data-Swamps)。

這種架構使人們不僅可以保留返回每個數(shù)據(jù)的可能性，還可以利用高端而簡化的分析工具(如Spark)來運行內存計算，以實現(xiàn)實時和歷史數(shù)據(jù)融合。

最后的想法

很明顯，對數(shù)據(jù)進行實時分析已成為各行業(yè)企業(yè)的關鍵。實際上，為了跟上快速變化的世界和苛刻的客戶體驗或快速變化的法規(guī)，它變得必不可少。

然而，盡管大數(shù)據(jù)具有轉型潛力，麥肯錫全球研究所(MGI)2016年發(fā)布的一份報告發(fā)現(xiàn)，大多數(shù)行業(yè)仍未挖掘數(shù)據(jù)和分析的全部潛力。