边缘分析：企业如何获取实时洞察与提升效率

许多企业正探索边缘分析与传统数据处理方案的差异及其对运营的潜在裨益。

边缘分析引入一种数据分析方法：在网络边缘实时执行预设分析计算，而非传回整合数据存储。确保数据收集、处理、审查就在网络边缘实时完成。这让企业能设定严格界限，决定哪些信息值得传送至本地或云数据池供未来使用。自边缘分析登场，全球方案提供商纷纷结合云采用此法应对堆积如山的IoT数据。

全球研究团队开展多项研究，得出边缘分析最佳洞察直觉。构建强健IoT方案时，边缘分析策略多维度受益。为企业提供的边缘分析优势包括：

更快节奏： 对大多数企业，速度是核心业务最重要参数。如金融业依赖高带宽交换，毫秒级中断即导致恶果。医疗业丢失几秒可能酿成悲剧。面向消费者的数据服务商，迟缓速度会毁品牌。速度不再只是优势，而是每个企业必须坚守的最佳实践。

同时，边缘计算最大优势在于其适配性和潜力，通过最小化不必要的传输和暂停提升网络性能。IoT边缘设备分段生成数据，减少收集信息在传统云架构下需传输的距离。

灵活性： 企业成长时，难以精确计算IT基建需求，建立完备数据中心也是大预算。云技术和边缘计算进步让企业轻松衡量运营。计算、加载、分析能力逐渐集成进占地更小的装置。边缘分析让组织放大网络范围和能力。

可靠性： IoT边缘计算策略扩大攻击面的同时，也提供安全线索。传统云结构天然集中，易受DDoS攻击和断电影响。边缘计算将处理、存储、应用分布于多样数据中心，使单一干扰难以摧毁或影响网络。

适应性： 边缘分析的适应性和灵活性使其极具通用性。通过与本地边缘数据中心结合，企业可轻松切入合适市场，无需昂贵基建投入。边缘数据中心让他们以最小延迟胜任服务终端用户。这对寻求持续流媒体服务的内容提供商极有用。同时赋能IoT设备累积大量可执行数据。无需等资源登录连接云服务器，边缘设备始终连接、持续生成数据供未来审查。

边缘架构中，部署设备分三类：边缘设备、边缘网关、边缘传感器与执行器。作为多功能设备，边缘设备运行成熟操作系统（如Android、Linux）。从各自传感器获取数据后运行计算，发送所需信息至执行器。也可直接或通过边缘网关桥接云端。

边缘网关拥不间断电源、更强CPU、高级存储系统。故可作为边缘设备与云间中介，提供额外位置管理服务。这些设备向云端运行的服务传递特定原始或预处理IoT数据分段（含存储、ML、解释服务）。接受云端特定指令（对齐、数据查询、ML原型）。边缘传感器为连接网关的专用设备，直接或通过节能无线技术连接。近年来边缘分析深化，为次代技术铺路。高端进步下，机器学习和深度学习通过已用数十年的神经网络经历多重表征演进。

展望未来

问题来了：边缘分析用深度学习程序是否产出更胜任有效结果？近期调查显示，所有隐含IoT努力最终将结合流数据与机器学习，由离散或内聚处理器加速。融合深度学习与边缘分析，设备现在能更有效筛除冗余数据，大幅节省资金和时间。值得一提：融合边缘分析与机器学习最有前景领域之一是视频分析。

根本思想：边缘分析实施分布式视频数据过滤，考虑摄像机记录的文档化/编年史数据并实时执行所需计算。单摄像机智能识别功能增强且云计算处理启用后，渗透效率显著提升，同步降低人力需求。

前端摄像机融入神经网络算法可从人、车辆及其他物体提取所需数据，提升视频分析完美度和精度。将分析处理从后端服务器迁入摄像机，要求终端用户获得适当实时数据分析。边缘分析助力识别异常行为、紧急事件预警，后端服务器无法做到。

石油公司也开始用边缘分析等数字技术监控油气设备全程监控、提升生产力。停机对制造业生产力有害，成本极高。多项研究显示油气运营商因停机蒙受巨损，多源于设备故障。石油组织现借助IoT设备和传感器持续采集设备数据、频繁评估监控。IoT部署增加导致收集数据显著增长，云存储需求同步飙升。石油公司借边缘分析保持IoT数据平衡。这样既降传输成本，又能预先预测设备故障。

IoT传感器制造持续数据流，老旧存储系统技术难管控。企业转向云存储。但传输数据至云再回企业成本高昂，需大带宽。边缘技术成救星：使数据本地可用。企业可决定驱动数据上云或移除不当数据。

例：Olea Edge Analytics将发布新软硬件修复损坏水表。新闻稿称，Olea建议在水表放置光学、旋转、振动传感器，一设备读取表盘时另一设备检测管道水流并监控表盘旋转。传感器连接EdgeWorks软件平台（含深度学习计算——系统「边缘计算」模块），给出水表错误原因及修复推测。