------   【導讀】   ------

在諸葛亮用錦囊妙計使得周郎賠了夫人又折兵的經典橋段中，如果把諸葛亮比作云計算中心，那么三個錦囊就是三個邊緣計算場景，諸葛亮通過對大量數據的收集和處理，訓練出相應的模型，并把這些模型送給趙云，讓其在遇到難題的時候可以“推理”解決。

《三國演義》刻畫的人物眾多，不同的讀者各有所愛，但筆者相信很多人都會對諸葛孔明印象深刻。通過羅貫中的筆，我們看到了一個“智多近妖”的孔明先生，留下了許多為后人所津津樂道的故事。

諸葛亮的錦囊妙計

筆者最喜歡諸葛亮的三個錦囊讓劉備娶到了第三個媳婦，使周瑜賠了夫人又折兵的經典橋段。

如果把諸葛亮比喻為云計算中心，那么三個錦囊就是三個邊緣計算場景，諸葛亮通過對大量的數據收集和處理，訓練出相應的模型，并把這些模型送給趙云，讓其在遇到難題的時候可以“推理”解決。

通過錦囊妙計的橋段，我們對云計算和邊緣計算有了更直觀、更生動的認識。

諸葛亮在中軍帳中通過對敵方將領、地理環(huán)境、天氣條件、己方實力的分析和訓練，得出一個戰(zhàn)爭模型，在外的將領手持錦囊就可以根據戰(zhàn)場環(huán)境進行推理指揮，這中間就省去了中軍帳和前線的交流時間。

但這么做會有幾點問題，比如，諸葛亮考慮的不夠周全（數據量不夠），將領打開錦囊的順序出現(xiàn)錯誤，敵方臨陣換將，戰(zhàn)場環(huán)境發(fā)生改變等等，都會使錦囊變成廢紙，甚至產生負面影響。即使有八百里加急、飛鴿傳書等類似4G、5G的通信方式，也難免會因為馬匹、飛鴿的數量不足，或者途中遇到其他變故使得戰(zhàn)報的有效性大大延時，甚至出現(xiàn)錯誤，進而延誤戰(zhàn)機。而比較好的辦法就是諸葛亮將中軍帳的能力下沉，前線將領也應該熟悉模型的訓練方法，并根據戰(zhàn)場環(huán)境實時修正作戰(zhàn)指示。

同樣的道理，隨著數以百億級的設備聯(lián)網，以及指數級數據的爆發(fā)，云計算、帶寬都會面對更大的壓力，而邊緣計算的分布式計算和實時響應等能力就可以很好的緩解云計算所面臨的問題。當然，邊緣計算并不是替代云計算，而是補充云計算在某些方面的不足，俗話說，三個臭皮匠頂個諸葛亮，而邊緣計算所充當的角色絕不止是臭皮匠可以相比的。

頂得了“N個臭皮匠”的邊緣計算

提到邊緣計算，大家并不會感到陌生，與云計算、霧計算等有著千絲萬縷的聯(lián)系。邊緣計算是一種分布式運算架構，將應用程序、數據資料與服務的運算，由網絡中心節(jié)點移送到網絡邏輯上的“邊緣節(jié)點”進行處理。

這么做的原因是，并不是所有數據都需要上傳云端存儲計算，更多的數據可以在邊緣側收集和處理，這樣可以大大減少云端壓力，并且很多決策都需要實時的進行，上傳云端的反饋時間往往可以讓數據變得毫無價值。此外，相比于云計算的數據集中上傳，邊緣計算可以大幅度減少數據泄露的風險。

如果說云計算是高高在上的云，那么邊緣計算就是落到土里的雨，最接近于植物根部。

邊緣計算的市場有多大，不好說，也不敢說。根據各權威機構給出的數據顯示，未來幾年將會有500億甚至1000億臺設備聯(lián)網，軟銀的孫正義表示，未來20年，ARM架構芯片的年出貨量將達到1萬億顆，這也是軟銀收購ARM的原因。

從目前的產業(yè)現(xiàn)狀來看，我們可以預測邊緣計算在自動駕駛、智能制造、智慧城市、智能家居等都會有很廣闊的前景。

以自動駕駛為例，自動駕駛汽車隊數據的傳輸和交互延遲要求非常高，邊緣計算更靠近數據源，可以快速的處理數據并作出實時的判斷。如果把每臺汽車的數據上傳到云端，經過計算作出判斷并下達指令，大量的數據除了會給帶寬帶來壓力之外，還會給云端帶來計算負荷，無人駕駛對數據傳輸的要求是毫秒級的，邊緣側的數據處理、傳輸和決策則可以達到這一指標。對于其他類似的場景，邊緣計算同樣適用。

邊緣計算領域的玩家

既然邊緣計算有諸多利益，未來超過 50% 的數據需要在網絡邊緣側分析、處理與儲存，面對巨大的市場規(guī)模，怎么少得了領域巨頭的參與，微軟、亞馬遜、阿里、華為、英特爾、ARM等祭出了自己的邊緣計算大招。邊緣計算儼然成為了計算與平臺之爭下半場的高地。

亞馬遜-AWS Greengrass

亞馬遜AWS的邊緣計算服務Greengrass是一種允許用戶以安全方式為互聯(lián)設備執(zhí)行本地計算、消息收發(fā)和數據緩存的方案。

Greengrass將AWS無縫擴展至設備端，以便用戶更加輕量的在本地操作其產生的數據，同時，制造商仍然可以使用云端進行管理、分析以及展開其他應用服務。借助AWS Greengrass，即使在無法連接到云平臺的狀態(tài)下，Greengrass設備仍然可以通過本地網絡，進行數據的通信與處理，待連接恢復依然可以把數據同步到云端。

根據諾基亞實驗室對AWS Greengrass的測試結果顯示，93%的數據可以在邊緣處理，與以往集中式的云平臺相比，往返時間減少了28%，延遲時間降低了39%。

微軟-Azure IoT Edge

關于邊緣，微軟將“邊緣”定義為用戶與云進行交互的所有東西。在微軟的定義中，邊緣設備可以是任何虛擬現(xiàn)實/混合現(xiàn)實設備，無人機，本地化的個人電腦和服務器。

微軟Build 2017大會上，微軟宣布正在進入一個智能云（IntelligentCloud）與智能邊緣（Intelligent Edge）的世界。而世界也將會出現(xiàn)兩個變化，一是用戶體驗與交互上的變化，同樣的體驗會普及到各個設備中，比如PC、手機、汽車等；二是計算能力邊緣化，這主要是由于物聯(lián)網終端數量越來越多，這就對計算能力下沉提出了要求，意味著AI和計算都要更加分布。

在Build 2017和2018大會上微軟先后發(fā)布了Azure IoT Edge服務和開源Azure IoT Edge Runtime，Azure IoT Edge可以在本地計算設備上進行計算，節(jié)省時間；Azure IoTEdge Runtime是可以在每個物聯(lián)網邊緣設備上運行的軟件部分，用于管理部署到每個設備的模塊。未來，微軟還將發(fā)布“Project Kinect for Azure”，推出一系列前端設備傳感器。

阿里-Link Edge

在2018云棲大會·深圳峰會上，阿里云宣布2018年將戰(zhàn)略投入邊緣計算技術領域，并推出首個IoT邊緣計算產品Link Edge，將阿里云在云計算、大數據、人工智能的優(yōu)勢拓寬到更靠近端的邊緣計算上，打造云、邊、端一體化的協(xié)同計算體系。

開發(fā)者能夠通過Link Edge將阿里云的邊緣計算能力部署在各種智能設備和計算節(jié)點上，如車載中控、工業(yè)流水線控制臺、路由器等，還可以將開發(fā)者可將深度學習的分析、訓練過程放在云端，將生成的模型部署在邊緣網關直接執(zhí)行。

華為-EC-IoT

16年年底，由華為、英特爾、ARM、中科院沈陽自動化所、軟通動力等六家單位聯(lián)合發(fā)起的邊緣計算產業(yè)聯(lián)盟（ECC）正式成立。

MWC2017上，華為發(fā)布了基于邊緣計算的物聯(lián)網EC-IoT（Edge Computing IoT，邊緣計算物聯(lián)網）解決方案，將邊緣計算和云管理引入物聯(lián)網領域，基于SDN的敏捷控制器及具有邊緣計算能力的物聯(lián)網關（AR 500系列產品）就近提供智能服務，在靠近設備或數據源頭的網絡邊緣側，部署融合網絡、計算、存儲、應用核心能力的邊緣計算網關，為邊緣計算提供包括設備域，網絡域，數據域和應用域的平臺支撐。

當然，邊緣計算的參與者還有很多，理論上所有邊緣側的聯(lián)網設備都適用于邊緣計算。并且大多數公司采取的策略還是抱團取暖，畢竟身處萬物互聯(lián)的時代，閉門造車是不可取的。

而邊緣計算的爆發(fā)也印證了天時地利人和達天下的道理，對于天時，百億千億設備產生的數據不是云計算自己能夠處理的，地利方面，邊緣計算更接近于設備端或數據源，至于人和，市場正在尋找一種新的、高效的計算模式。