加速分析：边缘、混合与云性能对比
应用特性与带宽决定性能
在确定分析执行位置时，应用特性和边缘-云传输带宽是影响性能的关键因素。
近年来，随着“雾计算”概念的提出，推向边缘的趋势日益明显，即根据应用需求，在集中式云和边缘环境之间的光谱上部署资产和处理能力。
随着企业迈入实时经济，关于光谱哪个阶段能提供最优性能或最快响应的争论不断。云服务按需提供容量和处理，但常因数据和指令跨越多个网络而受延迟困扰。混合部署提供一定程度的本地处理，数据移动可通过内存系统加速，但速度可能不稳定。将处理完全移至边缘设备虽能提供快速的现场分析，却难以在企业间共享。
延伸阅读： Why Edge Computing Can Help IoT Reach Full Potential
阿肯色大学研究团队在最近的 IEEE Edge Computing 会议上发表的演讲和论文总结了这一现状。该团队由新加坡国立大学的 Dumitrel Loghin 领导，对边缘计算的三种主要模式进行了测试，结论是：在速度方面，云、边缘和混合三种数据交付模式不分伯仲。他们的测量驱动分析“揭示了一个多样的性能格局，云端、边缘和混合处理之间没有明显的赢家。然而，应用特性和边缘-云传输带宽是影响性能的关键因素。”
团队在两个低功耗边缘设备和 AWS 云上对七个不同的 MapReduce 应用进行了测量。并非所有 MapReduce 应用都适合混合边缘-云处理，在适合的应用中，他们分析了独立边缘集群、独立云集群和单一边缘-云集群的速度表现。
研究人员发现，应用特性（如选择性）和边缘-云带宽等因素影响性能。例如，测量的两个主要 Hadoop 应用基于集群内和集群间网络链路显示出不同速度。单一混合 MapReduce 集群在某些选定进程上比独立边缘和云集群慢 41% 和 63%，但在其他进程上却快 85% 和 100%。
研究人员还指出，实验设置“使用三个 AWS 云区域，其中两个模拟边缘，第三个代表云。我们选择用云实例模拟边缘，是为了分析传输时间和带宽的影响，而非硬件对云加速边缘的影响。通过为边缘和云使用相同类型的节点，我们最小化了云加速效应。此外，我们使用两个区域作为边缘，因为在现实场景中，组织通常有多个边缘集群来聚合数据。”
物联网技术