有些人認(rèn)為邊緣計(jì)算是數(shù)據(jù)采集或本地?cái)?shù)字過程控制的一種美化形式。然而，邊緣遠(yuǎn)不止這些。

邊緣涉及許多數(shù)據(jù)源，通常位于地理分布的位置。但請記住，這些數(shù)據(jù)的聚合是價(jià)值和洞察力的關(guān)鍵。對這些數(shù)據(jù)的分析發(fā)生在核心數(shù)據(jù)中心，并且通常需要在邊緣位置完成由所得見解指導(dǎo)的行動。這意味著邊緣系統(tǒng)面臨的一個令人驚訝的挑戰(zhàn)是不僅 從 邊緣到核心的高效流量，而且還可以再次返回。

這一切發(fā)生的規(guī)模也是一個問題。邊緣源的傳入數(shù)據(jù)通常非常大；來自大量邊緣位置的大量數(shù)據(jù)可以創(chuàng)建真正大量的數(shù)據(jù)。

處理邊緣計(jì)算極端規(guī)模的一個典型例子是 自動駕駛汽車的開發(fā)。汽車制造商需要訪問全球數(shù)據(jù)，每天處理數(shù) PB級的數(shù)據(jù)。他們還必須滿足關(guān)鍵的關(guān)鍵績效指標(biāo) (KPI)，包括衡量從測試汽車收集數(shù)據(jù)需要多長時間、處理多長時間以及提供洞察需要多長時間。

當(dāng)然，并非所有邊緣系統(tǒng)都涉及這種極端規(guī)模的數(shù)據(jù)，但大多數(shù)邊緣情況涉及太多數(shù)據(jù)，無法將其全部從邊緣傳輸?shù)街行臄?shù)據(jù)中心。這意味著在將數(shù)據(jù)發(fā)送到核心之前，必須在邊緣處理和減少數(shù)據(jù)。這種類型的數(shù)據(jù)分析、建模和數(shù)據(jù)移動必須大規(guī)模有效地協(xié)調(diào)。

為了更好地理解邊緣系統(tǒng)的挑戰(zhàn)，讓我們深入研究邊緣、核心和中間發(fā)生的事情。 

活動在邊緣

邊緣計(jì)算通常涉及多個位置的系統(tǒng)，每個系統(tǒng)都進(jìn)行數(shù)據(jù)攝取、臨時數(shù)據(jù)存儲，并在傳輸?shù)胶诵臄?shù)據(jù)中心之前運(yùn)行多個應(yīng)用以減少數(shù)據(jù)。在圖 1 的左半部分說明了這些任務(wù)。

 圖 1.邊緣和核心需要做什么以及它們之間復(fù)雜交互的圖形清單。

分析應(yīng)用程序用于預(yù)處理和數(shù)據(jù)簡化。人工智能和機(jī)器學(xué)習(xí)模型也被用于數(shù)據(jù)簡化，例如決定哪些數(shù)據(jù)是重要的，應(yīng)該傳遞給核心數(shù)據(jù)中心。此外，模型允許智能行動發(fā)生在邊緣。另一個典型的邊緣需求是弄清楚發(fā)生了哪些步驟以及創(chuàng)建了哪些數(shù)據(jù)文件。

所有這一切都必須發(fā)生在許多地方，沒有一個地方會有大量的現(xiàn)場管理，因此邊緣硬件和軟件必須是可靠的和遠(yuǎn)程管理的。有了這些需求，自我修復(fù)軟件就是一個巨大的優(yōu)勢。

訓(xùn)練 AI 模型等——核心

發(fā)生在核心的活動，如圖1的右側(cè)所示，類似于邊緣過程，但具有全局視角，使用來自許多邊緣位置的集體數(shù)據(jù)。這里的分析可以更加深入。這就是深度歷史數(shù)據(jù)用來訓(xùn)練人工智能模型的地方。與邊緣位置一樣，核心包含已執(zhí)行的操作和已創(chuàng)建的數(shù)據(jù)清單。核心也是與邊緣系統(tǒng)目標(biāo)之下的高級業(yè)務(wù)目標(biāo)進(jìn)行連接的地方。

核心數(shù)據(jù)基礎(chǔ)設(shè)施必須滿足具有挑戰(zhàn)性的要求，因?yàn)閬碜运羞吘壪到y(tǒng)的數(shù)據(jù)都匯聚于此。來自邊緣的數(shù)據(jù)（或來自核心處理和建模的數(shù)據(jù)）可能非常龐大，也可能包含大量文件。基礎(chǔ)設(shè)施在處理大規(guī)模對象數(shù)量和數(shù)據(jù)量方面必須是穩(wěn)健的。

當(dāng)然，分析和模型開發(fā)工作流程是迭代的。隨著組織從全球邊緣數(shù)據(jù)聚合中學(xué)習(xí)，新的 AI 模型被生成和更新。此外，還開發(fā)了必須部署在邊緣的分析應(yīng)用程序。這就引出了下一個話題，即邊緣和核心之間需要發(fā)生什么。

在邊緣和核心之間移動的流量

正如圖 1列出了邊緣或核心的關(guān)鍵活動一樣，它也顯示了二者之間的關(guān)鍵交互：數(shù)據(jù)的移動。顯然，系統(tǒng)需要將吸收和減少的數(shù)據(jù)從邊緣位置移到核心位置進(jìn)行最終分析。然而，人們有時會忽視一個意想不到的旅程:將新的人工智能和機(jī)器學(xué)習(xí)模型或更新核心團(tuán)隊(duì)開發(fā)的分析程序帶回邊緣。

此外，分析師、開發(fā)人員和數(shù)據(jù)科學(xué)家有時需要檢查一個或多個邊緣位置的原始數(shù)據(jù)。從核心直接訪問邊緣位置的原始數(shù)據(jù)非常有幫助。 

幾乎所有的大規(guī)模數(shù)據(jù)移動都應(yīng)該使用數(shù)據(jù)基礎(chǔ)設(shè)施來完成，但直接訪問在邊緣或核心運(yùn)行的服務(wù)會很有用。安全服務(wù)網(wǎng)格對于這個過程很有用，特別是如果它們使用現(xiàn)代的零信任工作負(fù)載身份驗(yàn)證方法，例如 SPIFFE 協(xié)議。

現(xiàn)在我已經(jīng)確定了在邊緣、核心和中間發(fā)生了什么，讓我們看看數(shù)據(jù)基礎(chǔ)設(shè)施需要做什么才能使這成為可能。

HPE Ezmeral Data Fabric：從邊緣到核心再返回 

HPE 以其出色的硬件而聞名，包括 Edgeline 系列（專為在邊緣使用而設(shè)計(jì)）。然而，HPE 還生產(chǎn)與硬件無關(guān)的 HPE Ezmeral Data Fabric 軟件，旨在從邊緣延伸到核心，無論是在本地還是在云中。

HPE Ezmeral Data Fabric 可讓您簡化系統(tǒng)架構(gòu)并優(yōu)化資源使用和性能。圖 2 顯示了如何使用數(shù)據(jù)結(jié)構(gòu)的功能來應(yīng)對邊緣計(jì)算的挑戰(zhàn)。

圖 2：深入了解HPE Ezmeral Data Fabric?如何支持圖 1 中列出的從邊緣到核心再返回的操作和流程。三角形代表全局命名空間 ，在數(shù)據(jù)中心工作的團(tuán)隊(duì)可以遠(yuǎn)程訪問仍處于邊緣的數(shù)據(jù)。 

計(jì)算可以在邊緣或核心使用 Kubernetes 來管理容器化應(yīng)用。HPE Ezmeral Data Fabric 為此類應(yīng)用提供數(shù)據(jù)層。借助 HPE Ezmeral Data Fabric的 全局命名空間，在數(shù)據(jù)中心工作的團(tuán)隊(duì)可以遠(yuǎn)程訪問仍處于邊緣的數(shù)據(jù)。