将Bi应用程序与边缘计算结合使用的指南

如今，每个人都在谈论边缘计算，但很少有人了解它是什么，更不用说做什么。 简而言之，边缘计算意味着在传感器或网关附近靠近数据源进行处理。 如果您想了解IT如何以替代方式最好地管理边缘计算，请查看我的同事和PCMag IT Watch贡献者Wayne Rash的专栏“ IT需要开始考虑5G和边缘云计算”。 但是出于本文的目的，我们可以从市场研究公司IDC的解释开始，该公司将边缘计算定义为“占地面积小于100平方英尺”的“微数据中心网状网络”。

与技术领域中的大多数新术语一样，“边缘计算”得到了广泛的使用，并已与各种其他流行词技术联系在一起，包括区块链，内容交付网络（CDN），网格计算，网格计算和对等网络。对等计算。 无论采用哪种技术与边缘计算结合使用，共同的任务是通过缩短处理数据的位置与该输出的最终结果将产生影响的距离来加快任何数据分析和相关操作。

将您来之不易的商业智能（BI）见解转化为可行的见解时，这是一个重要的考虑因素。 但是，即使BI（尤其是低延迟分析）和边缘计算似乎在技术上是天壤之别，但在将两者结合之前，还有很多事情要考虑。

边缘分析与流分析

一旦您意识到没有其他可行的方法可以将持续发生的物联网（IoT）数据传输到云，而不会造成难以忍受的延迟和严重的网络流量阻塞，边缘计算对于分析的重要性就显而易见。 在许多新兴的分析应用程序（例如自动驾驶）中，该延迟问题可能被证明是致命的。 数据溢出将使您从宽带到瓶颈的时间少于说“流，Scotty”所需的时间。

是的，流分析仅在几年前就被吹捧为对时延敏感的灵丹妙药，可以实时读取物联网数据。 但是，尽管流分析仍具有很多优势，但它无法改变物理原理。 大量的路由器跃点，虚拟化数据包延迟，连接断开以及网络中的其他物理限制会减慢大量数据的传输。 对于偏远地区的物联网，在任何一天都根本无法建立网络连接。

数据与计算过程之间的物理距离会放大所有这些问题，这无济于事。 由于这些原因和其他原因，流分析趋向于“近实时”而不是实时。 如果您需要及时输出以使自动驾驶汽车制动并避免发生碰撞，那么该延迟（无论多么小）都是一个巨大的问题。 如果您希望该高速公路上的所有汽车立即制动，那就是一个更大的问题。

简而言之，《星际迷航》和现实生活中的数据传输器都有其局限性，IT领域的Scotty对此无能为力。 当今网络无法处理的物联网数据太多，并且数量仍以惊人的速度增长。 这里的重大收获：边缘计算可阻止网络上的信息浪潮，并提供更快的分析输出。

边缘云与云

由于这些微数据中心可以并且经常通过协作，通信或相互依赖的功能结合在一起，因此某些人喜欢使用“边缘云”一词。

例如，现代汽车具有数百个嵌入式计算机，这些嵌入式计算机设计用于管理各个系统，但也相互连接，以便系统可以相互通信并根据需要进行调整。 换句话说，他们分别，集体和大量使用边缘计算来完成各种复杂的功能。

美国能源部太平洋西北国家实验室（PNNL）嵌入式和无线系统科学家/工程师Johnathan Vee Cree博士说：“它们不仅对观察到的状况做出反应，而且会随着时间的推移而学习和适应。” “例如，现代燃油喷射系统将观察汽车的行驶模式，以优化动力和燃油效率。该数据的实时性将使其无法在边缘以外的任何地方进行处理。”

即使具有多系统机载相互依赖关系，“边缘云”一词也往往会使理解更加混乱，因为它不精确。

Vee Cree说：“在谈论物联网设备时，考虑的内容几乎与云相反。” “物联网设备通常具有有限的存储和处理能力，与外界之间的连接可能是间歇性的，并且可能由电池供电。这些设备的关键价值在于其将可用的原始传感器值转换为有意义的数据的能力。”

上面的Edge Computing Devices图形在TECHnalysis Research的许可下转载。

但是，边缘计算和云计算不是互斥的。 实际上，它们与最成功的物联网数据策略交织在一起。 这不太可能很快改变。

“边缘和云计算相结合的一个例子来自特斯拉的自动驾驶功能。自动驾驶系统必须能够感知不断变化的驾驶条件并对之做出反应。它通过使用机器学习算法来做到这一点，该算法能够在发生故障时检测并避免危害PNNL的软件工程师William Moeglein解释说：“虽然这些数据用于实时做出决策，但它也与云共享并用于改善所有驾驶员的自动驾驶功能。”

边缘和云组合游戏很常见，只是因为它起作用。 它利用了两全其美的优势，但这并不是城里唯一的游戏。 实际上，根据总裁鲍勃·奥多内尔（Bob O'Donnell）的报告《边缘计算：调查重点》，有36％的边缘分析位于公司数据中心，34％位于边缘和29％位于云中。以及TECHnalysis Research的首席分析师。 这意味着在如何实施边缘分析方面存在多种选择。 选择完全取决于您要执行的操作以及要实现该目标的条件。

“当设备使用电池供电时，计算能力和能耗之间的折衷可能是一个限制因素。在功耗很重要的情况下，尽管可以获取连续的传感器读数，但仍可以基于少量数据样本做出决策。” PNNL的Moeglein。

“边缘计算可为无法保证通信，单向通信或通信受限的现场设备提供反馈，” Moeglein继续说道。 “如果系统需要依靠电池工作数年或数十年，则边缘计算可通过减少传输的数据来提供更长的设备寿命。”

上面的雾计算图形经 思科系统公司 许可转载 。

对边缘云进行除雾

随之而来的是自动管理和优化分析的位置和方式的自动化，因此引出了“雾计算”的概念，这是IT和网络供应商Cisco Systems创造的一个术语。 正如思科在白皮书中所解释的那样，在这种策略中，“开发人员可以为网络边缘的雾节点移植或编写IoT应用程序。离网络边缘最近的雾节点从IoT设备获取数据。然后，这一点至关重要-雾IoT应用程序将不同类型的数据定向到最佳位置进行分析。” 如上图所示，在思科看来，雾计算将云扩展到了进行数据收集的实际设备。 通过将雾节点与物联网设备紧密相连，思科寻求在降低延迟的同时加快分析速度。

有人说，将云计算推向边缘（即去中心化）相对于在网络边缘（通常实际上是在IoT设备上）进行计算的边缘计算相对容易些。 可以肯定，这是非常细微的差别。

人们经常互换使用“边缘计算”和“雾计算”，因为这两个概念非常相似。 雾计算将数据排序并路由到不同位置进行分析的能力使它与众不同。 雾计算通常是“近边缘”（即网关），而不是真正在诸如IoT设备上的边缘。

简而言之，关于边缘计算到底是什么还没有达成共识，但是很多人认为混淆这个问题没有任何帮助。 根据前面提到的TECHnalysis Research报告，“更多的人认为边缘计算是由端点（29.8％）构成的，而不是网关（13.2％），但有44％的人认为两者都是。”

PNNL的Vee Cree说：“无论如何，“最终用途应用程序最终会驱动系统需求，并旨在在边缘或云计算的好处之间找到平衡”。

这里只有一条经验法则：如果您需要近乎实时地做出决定，则应尽可能在数据源附近进行处理。 边缘计算是消除延迟，降低能源消耗并减少网络流量的选择。

API，应用程序和生态系统

通常，与边缘计算结合使用的应用旨在实现速度和效率。 在这里，您不太可能找到独立的商业智能（BI）应用程序，而是嵌入式BI功能，当然还有应用程序编程接口（API），用于将IoT数据连接到云中现有的BI应用程序和框架。

“边缘计算的概念可帮助公司利用云计算的优势，即使在存在延迟和连接性问题的情况下。某些应用程序处理的数据量或速度要求均禁止往返云计算，在这种情况下，Tableau嵌入在本地应用程序中的分析可以快速提供见解，” Tableau Software产品营销副总裁Mark Jewett说道。

“在其他情况下，边缘计算提供了一种方法来处理连通性不可靠，昂贵或周期性的情况。诸如移动的事物（例如船舶），偏远的事物（例如石油平台或矿山）甚至情况的示例连通性良好但不值得冒中断风险的地方，例如停机时间极为昂贵的制造厂系统。可能无法访问完整工作站的分析师和其他用户仍然希望拥有与他们相同的分析能力知道了。”

Tableau不是唯一在边缘工作或使用数据的BI供应商。 微软以其客户之一施耐德电气为例进行了研究。 微软发言人表示，施耐德电气拥有一个边缘应用程序，该应用程序使用Azure机器学习和Azure IoT Edge对油杆进行预测性维护，以提高安全性并减少偏远地区的事故。 数据处理在设备上完成。 这是通过将云智能（他们在云中训练的ML模型）引入边缘设备本身来实现的。 这样可以基于大型训练数据集更快地检测异常。

同时，IBM Watson报告了许多用例，包括环境和设备语音和对话分析，无人机图像和视频分析以及维护和安全声学分析。

“在所有这些情况下，边缘分析都可以通过在设备中本地操作来提高性能，成本和隐私性，” IBM Watson IoT消费产品副总裁Bret Greenstein说。 “随着边缘计算能力的增长，这种增长令人兴奋，而ML逐渐成熟并创建了更专业的用例。

“设备可以'了解'他们所看到和听到的内容，并利用这种理解来提供更好的服务和做出更好的选择。这是实时发生的。而且由于可以将实际数据转换为边缘设备中的洞察力，因此您可能不会必须将数据发送到云，这将提高成本并帮助实现新形式的隐私保护。”

添加新的隐私保护层在减少公司负债的同时，仍然可以使数据公司蓬勃发展，这可能会走很长一段路。

边缘计算应用程序的数量

请记住，边缘计算尚处于起步阶段，根据TECHnalysis Research的说法，只有少量的边缘计算应用才是新的（39％），这不足为奇。 大多数（61％）是迁移的云应用程序。 也就是说，以下是顶级边缘计算应用程序：

运营分析（44％）

过程监控（35％）

员工监控（32％）

远程资产监控（28％）

工作场所/安全合规性（24％）

预测性维护（22％）

现场实物资产跟踪（20％）

根据该TECHnalysis Research的同一份报告，将云应用迁移到边缘的前五个原因是为了提高安全性，降低成本，减少延迟，改善本地控制并减少网络流量。

通过BI的镜头，边缘计算可提高效率和机会。 因此，首先迁移云应用或将分析嵌入到现有物联网应用中是有道理的，这可以使您以最快的速度进入最佳位置。 例如，您可以抛弃漂浮物，而不是流传输和分析来自工厂车间机器人单元的所有数据，这是传感器产生的看似无数的重复信息。

取而代之的是，边缘计算可用于仅记录和分析“更改数据”，这意味着该数据在某种程度上不同于来自同一源的其他数据流。 例如，想象一下一个北极圈的风车报告：“我很好。我很好。我很好。叶片被卡住了两秒钟。我很好。我很好。我很好。” 关于刀片卡住的位将是更改数据。 “风变”也将触发机器转动并聚集更多的能量。 正是因为更改数据记录了更改，所以它们才是最重要的数据点。

在这种情况下，边缘的应用程序只能使用相关数据。 有些人将其称为“智能数据”。 当重要的细节一目了然时，为什么还要煮海呢？ 智能数据应用程序使数据在收集点可用，还可以决定将哪些数据传送到云中，以在传统BI应用程序中进一步融合和分析。 通过这种方式，对数据挖掘进行了优化，以实现最大的业务效果。

BI和边缘计算策略的4个技巧

顺应边缘计算趋势并决定从云中迁移应用程序相对容易。 但是如果没有战略就立即采取行动将是一个严重的错误。 还记得IoT的早期时代，诸如烤面包机之类的随机事物迅速连接到Internet，然后自豪地在下一次CES上展示吗？

如果您的策略不明智或缺失，那么即使是智能数据也无法为您提供帮助。 因此，在形成BI和边缘策略时，要牢记以下四个注意事项。

1.重新评估您当前的物联网发展，以获得更多的数据挖掘机会。 例如，杂货商或制造商可能希望使用其供应链中的数据（例如制冷和货运传感器）来建立或验证原材料的来源。 添加到可持续性区块链中的此类信息可用于市场营销，以吸引具有环保意识的消费者。

零售商可能会在其商店中使用计算机视觉和边缘计算来扫描消费者，以显示3D实地表示购物者所看衣服将如何实际适应他们。 这可以改善销售，并消除对更衣室的需求以及相关的安全和隐私问题。 但是，数据也可以发送到云中，以便与其他消费者数据混合，从而为公司的更大战略提供依据。

寻找机会，从您拥有的物联网中获得更多收益。 您还能用它生成的数据做什么？ 您还可以使用哪些其他数据来收集和处理？

2.确定您需要哪些应用程序。 您可能需要迁移应用程序，嵌入一些分析数据甚至编写自定义应用程序。 这一切都取决于您要做什么。 让您的业务目标指导您选择应用程序。

由OpenStack基金会组织的OpenDev会议是了解有关为边缘开发应用程序的更多信息的好地方。 OpenStack是开源的云计算项目，而碰巧的是，边缘计算是那里的热门话题。 开源在边缘计算中很热门，几乎在所有计算中都如此。 您还可以考虑边缘计算供应商提供的应用程序和BI应用程序供应商提供的嵌入式分析。

3.选择要使用的新技术。 您可以要求供应商给您一个演示，以便您可以了解要使用的技术，可用的应用程序以及为该应用程序开发应用程序的一些指导。 例如，Amazon Web Service（AWS）和AWS Greengrass，Microsoft Azure IoT Edge以及Cisco和IBM Watson IoT为IoT边缘计算提供了技术，分析和应用程序的结合。

您还可以查看各种区块链，CDN，点对点以及其他纯服务提供商。 但是，不要忽视戴尔，IBM公司和惠普企业（HPE）等技术巨头，它们都已经在其硬件上增加了额外的存储，计算和分析功能，以将它们转变为边缘设备。

在开始认真评估供应商之前，先对您的选择有所了解。 另外，在开始与供应商交谈之前，请清点一下您公司当前使用的IoT技术类型及其想要添加的类型。 这样，您更有可能保持原样。

4.规划发展。 所有不成熟的技术和趋势都遵循着成熟的道路。 预计BI和边缘也会发生同样的变化。 因此，是的，在某些方面可能会合并供应商。 请记住这一点。

此外，还要寻找云技术与云技术之间的脱钩，以便它们也可以在边缘使用。 您将希望看到这样的解耦，因为它将为您提供使用云或边缘的最大灵活性。 通过来自不同生态系统而不是单个供应商的更智能的应用程序，它可能会降低成本并提高效率。 制定短期和长期计划，以确保您可以适应可预见的变化，而不会损失大量先前的投资。