導讀： 邊緣這個詞在物聯網的世界裡被賦予了新的定義，特指在裝置端的附近，所以根據字面定義，邊緣計算即在裝置端附近產生的計算。2019年5G 概念爆發以後，邊緣計算的概念也被迅速推廣普及，在寫作本文的這段時間裡，凡和邊緣計算沾邊的上市公司股價均多日漲停，關於邊緣計算的文章閱讀量暴增幾倍。到底是怎樣的魔力，讓大家突然間關注邊緣計算，而這個概念下的產品又有怎樣的功能和應用場景，誰又在這個萬億級別的市場中已經掌握先機？本文就以上問題給讀者一個通俗易懂的解釋。特別提醒，長文慎入，閱讀時間約10分鐘，涉及專業詞彙會引發頭昏不適，但均有解釋。
一 “邊緣計算”究竟是何方神聖
邊緣計算出現的時間並不長，這一概念有許多人進行過概括，範圍界定和闡述各有不同，甚至有些是重複和矛盾的，就作者個人而言，比較推崇OpenStack（是一個由NASA和Rackspace合作研發併發起的，以Apache許可證授權的自由軟體和開放原始碼專案）社群的定義概念：
“
邊緣計算是為應用開發者和服務提供商在網路的邊緣側提供雲服務和IT環境服務；目標是在靠近資料輸入或使用者的地方提供計算、儲存和網路頻寬”。
通俗地說：邊緣計算本質上是一種服務，就類似於雲計算、大資料服務，但這種服務非常靠近使用者；為什麼要這麼近？目的是為了讓使用者感覺到刷什麼內容都特別快。
邊緣計算著重要解決的問題，是傳統雲計算（或者說是中央計算）模式下存在的高延遲、網路不穩定和低頻寬問題。舉一個現實的例子，幾乎所有人都遇到過手機APP 出現404錯誤的情況 ，這樣的一些錯誤出現就和網路狀況、雲伺服器頻寬限制有關係。由於資源條件的限制，雲計算服務不可避免收到高延遲、和網路不穩定帶來的影響，但是透過將部分或者全部處理程式遷移至靠近使用者或資料收集點，邊緣計算能夠大大減少在雲中心模式站點下給應用程式所帶來的影響。
邊緣計算，和霧計算同一時間出現，事實上兩個概念之間有重疊的地方。這兩個詞是從2011年開始出現，如今已經成為了巨頭的投資熱點。先看看世界上的科技巨頭們選擇的方向吧：
Arm、Cisco、Dell、Intel、Microsoft、普林斯頓大學共同投資創辦的霧計算研究專案OpenFog；
Orange （法國電信） 與 Inria（法國國立計算機及自動化研究院）共同主導的霧計算與大規模分散式雲研究專案Discovery；
華為的“全面雲化”戰略， EC-IOT， 2016年成立邊緣計算產業聯盟；
Intel 的“Cloud Computing at the Edge”專案；
NTT 的“Edge Computing”專案， AT&T 的 “Cloud 2。0”專案；
亞馬遜AWS 釋出的GreenGrass 專案（邊緣計算代號）；
微軟Azure 發IOT Edge 專案，重點發展邊緣計算專案；
谷歌釋出的IOT Core 專案；
阿里雲釋出的LinkEdge專案。
從2016到現在，巨頭們已經在邊緣計算的路上展開了激烈的角逐， 賽道已經非常的擁擠。
下圖1 是一個邊緣計算網路的概念圖，它是連線裝置和雲端的重要中間環節。
圖1 邊緣計算基本網路架構 （圖片來自bing 圖片搜尋）
邊緣計算起源於廣域網內搭建虛擬網路的需求，運營商們需要一個簡單的、類似於雲計算的管理平臺，於是微縮板的雲計算管理平臺開始進入了市場，從這一點來看，邊緣計算其實是脫胎於雲計算的。隨著這一微型平臺的不斷演化，尤其是得益於虛擬化技術（指透過虛擬化技術將一臺計算機虛擬為多臺邏輯計算機。在一臺計算機上同時執行多個邏輯計算機，每個邏輯計算機可執行不同的作業系統，並且應用程式都可以在相互獨立的空間內執行而互不影響，從而顯著提高計算機的工作效率。）的不斷髮展，人們發現這一平臺有著管理成千上萬邊緣節點的能力，且能滿足多樣化的場景需求，經過不同廠商對這一平臺不斷改良，並加入豐富的功能，使得邊緣計算開始進入了發展的快車道。
二 為什麼需要邊緣計算
雲計算和邊緣計算通常會被用來做比較，上文也提到，邊緣計算其實脫胎於雲計算，那麼，既然有了雲計算，為何還要有邊緣計算？
大家都熟悉雲計算，它有著許多的特點：有著龐大的計算能力，海量儲存能力，透過不同的軟體工具，可以構建多種應用，我們在使用的許多APP ，本質上都是依賴各種各樣的雲計算技術，比如影片直播平臺，電子商務平臺。邊緣計算脫胎於雲計算，靠近裝置側，具備快速反應能力，但不能應付大量計算及儲存的場合。這兩者之間的關係，可以用我們身體的神經系統來解釋。
雲計算能夠處理大量資訊，並可以儲存短長期的資料，這一點非常類似於我們的大腦。大腦是中樞神經中最大和最複雜的結構，也是最高部位，是調節機體功能的器官，也是意識、精神、語言、學習、記憶和智慧等高階神經活動的物質基礎。人類大腦的灰質層，富含著數以億計的神經細胞，構成了智慧的基礎。而具有灰質層的並不只有大腦，人類的脊髓也含有灰質層，並具有簡單中樞神經系統，能夠負責來自四肢和軀幹的反射動作，及傳送腦與外周之間的神經資訊。我們在初中的生物中都學習到了膝跳反應，這就是脊髓反應能力的證據。邊緣計算對於雲計算，就好比脊髓對於大腦，邊緣計算反應速度快，無需雲計算支援，但低智慧程度較低，不能夠適應複雜資訊的處理。
圖2 脊髓示意圖
圖3 大腦（圖片來自bing 圖片搜尋）
每個人都有受過傷的經歷，無論是被刺到還是被燙到，我們的身體都能夠快速反應。就以燙傷為例，我們的神經系統大概的流程圖如下所示：
圖4 神經訊號傳導
在脊髓發出指令的同時，還會向大腦傳遞痛感的訊號，讓人能感覺到痛。大家看看整個過程，這鐘避開風險的行動是在產生意識之前，而且速度非常快，避免了你身體的傷害。經過了億萬年的演化，現在人類的身體機構已經非常完善了，既然結構這樣設計一定有他的道理。大家看看這組資料：“就人類而言，在聯結脊髓到肌肉的神經細胞中，外層覆蓋有髓鞘質層、直徑大的神經元的訊號傳遞速度為每秒70-120米，與之相反的腦神經元的訊號傳遞速度為每秒0。5-2米。其間差距實在太大。”如果我們讓大腦來處理避開燙傷這樣的決策，併產生動作，那麼我們的手最有可能出現的狀況是：
圖5 燒焦的手
所以，脊髓取代大腦做處某些快速的決策，完全是為了滿足身體的某些特定功能，有不可替代的作用。如果認可存在即合理的解釋，我們完全可以心安理得地接受：有云計算的時候，仍然需要邊緣計算這一論斷。當然 經過嚴密的邏輯分析，這個結論仍然成立。
未來物聯網的發展會有兩個趨勢：海量連線及由此產生的海量資料。 具體連線和資料有多大？ 根據Garter（全球最具權威的IT研究與顧問諮詢公司，成立於1979年，總部設在美國康涅狄克州斯坦福）預測，2019年使用的聯網物件將多達142億個，到2021年總數將達到250億個，它們會生成大量的資料。手機也是聯網物件，每個月能夠產生的流量大家自己能夠估算出來，大體會在100G 的範圍內。但是，物聯網中的聯網體，可不只有手機，比如說下面這兩個物體：
圖 6 波音飛機 （圖片來自新浪）
圖7 風力發電機
波音787為例，其每一個飛行來回可產生TB級的資料，美國每個月收集360萬次飛行記錄；監視所有飛機中的25000個引擎，每個引擎一天產生588GB的資料。這樣一個級別的資料，如果都上傳到雲計算的伺服器中，無論對於算力和頻寬，都提出了苛刻的要求。風力發電機裝有測量風速、螺距、油溫等多種感測器，每隔幾毫秒測一次，用於檢測葉片、變速箱、變頻器等的磨損程度，一個具有500個風機的風場一年會產生2PB的資料。
如此PB 級別的資料，如果實時上傳到雲計算中心併產生決策，無論從算力和頻寬的角度，都提出了苛刻的要求，更不要說由於延遲而產生的即時響應問題。面對這樣的場景，邊緣計算就體現出它的優勢了，由於部署在裝置側附近，可以透過演算法即時反饋決策，並可以過濾絕大部分的資料，有效降低雲端的負荷，使得海量連線和海量資料處理成為可能。所以，邊緣計算將作為雲計算的補充，在未來共同存在於物聯網的體系架構中。
說了這麼多，總結一下這個邊緣計算的優點：
低延遲：計算能力部署在裝置側附近，裝置請求實時響應；
低頻寬執行：將工作遷移至更接近於使用者或是資料採集終端的能力能夠降低站點頻寬限制所帶來的影響。尤其是當邊緣節點服務減少了向中樞傳送大量資料處理的請求時。
隱私保護：資料本地採集，本地分析，本地處理，有效減少了資料暴露在公共網路的機會，保護了資料隱私。
三 “邊緣計算”的應用場景
既然邊緣計算是雲計算的重要補充，那麼邊緣計算的應用場景又有哪些呢？ 邊緣計算模式的基礎特性就是將計算能力更接近於使用者，即站點分佈範圍廣且邊緣節點由廣域網路連線。
1。 供零售/金融/遠端連線領域使用的“開箱即用雲”：提供了一系列可定製邊緣計算環境，這類邊緣計算主要提供給企業使用，並服務於特定產業應用。它從根本上與分散式結構相結合來達到以下效果：降低硬體消耗，多站標準化部署，靈活更替部署在邊緣側的應用（不受硬體影響，同一應用在所有節點上一致執行），提升弱網路條件下的執行穩定性。如果聯網的條件有限制，透過將聯網方式設定為有限網路連線時，可以提供內容快取或提供計算、儲存服務以及網路服務，比如新零售邊緣計算環境。
2。 移動連線：在5G網路大規模普及前，行動網路仍保持著受限和不穩定的特性，因此移動/無線網路也可以看作是雲邊緣計算的常見環境要素。許多應用或多或少都依賴於行動網路，例如應用於遠端修復的增強現實、遠端醫療、採集公共設施（水力，煤氣，電力，設施管理）資料的物聯網裝置、庫存、供應鏈以及運輸解決方案、智慧城市、智慧道路和遠端安全保障應用。這些應用都受益於邊緣計算就近端處理的能力。
3。 通用使用者駐地裝置（uCPE）：特點是網路連線有限，工作量較為穩定但需確保可用性高，同時，它也需要一種方法來支援跨上百至上千節點的資料應用混合安置，而拓展現有uCPE部署也將成為一項新要求。而這點非常適用於網路功能虛擬化（NFV Network Function Virtualization）應用，尤其當不同站點可能需要不同系列的服務鏈應用，或是區域內一系列不同的應用需要統一協作時。由於本地資源的利用以及必須滿足在間斷的網路連線下進行儲存和進行資料處理，我們可需要支援網狀或層次式的結構。自我修復以及與遠端節點管理相結合的自我管理都是必須條件。
4。 衛星通訊（SATCOM）：該場景以大量可用的終端裝置分佈於最偏遠和惡劣的環境為特徵。將這些分散的平臺用於提供託管服務極為合理的，尤其是當考慮到極高的延時，有限的頻寬以及跨衛星通訊的費用。具體事例可能包括船舶（從漁船到油輪），飛機，石油鑽井，採礦作業或軍事基礎設施。
圖8 衛星通訊
四 “邊緣計算”的頭號玩家（聯盟、公司、參與者）
先來看看進入這一領域的都有哪幾類公司？
邊緣計算一類玩家：雲計算巨頭
邊緣計算對雲計算有一定衝擊，但它與雲計算也有很強的協同。國內外雲服務商為了守住原本該有的市場空間，紛紛提前佈局邊緣計算避免被吞噬。物聯網時代，更多的終端或感測器接入物聯網，節點規模遠遠大於網際網路，每個物聯網節點都會產生大量的實時資料，這意味著雲服務商要在邊緣端佈局計算，投入規模和時間週期都是巨大的挑戰。當然，雲服務商也不甘心被人來動自己的乳酪，國外有微軟、亞馬遜、谷歌，國內有阿里、華為還有百度都在積極部署邊緣計算。
這些公司邊緣計算技術路線雖然各不相同，但總體遵循一個規律：把邊緣和雲緊密結合，充分發揮邊緣的低延遲，安全等特性同時，結合雲的大資料分析能力。
最早釋出自己的邊緣計算技術的是亞馬遜 AWS，框架是Greengrass，允許使用者資料在本地流轉，透過設計函式提取資料上傳雲端。
隨著而來，微軟推出了Azure IOT edge 。 微軟在今年徹底瓦解了Windows 團隊以後，投資50億美元進軍物聯網市場，而主要領域則是邊緣計算：微軟在Build 2018開發者大會上正式宣佈Azure IoT Edge開源，微軟表示未來可以讓開發者能夠修改、除錯Azure IoT Edge，同時擁有更多對於Edge 應用的控制。
2017年釋出了全新的邊緣計算服務Cloud IoT Core，協助企業連線及管理物聯網裝置，以及快速處理物聯網裝置所採集的資料。
阿里雲在2018年 3月份推出了自己的邊緣計算框架稱為linkEdge，可被用於AI實踐，在釋出時已經有16家晶片公司、52家裝置商、184款模組和閘道器支援阿里雲物聯網作業系統和邊緣計算產品 。
2016年，華為發起了邊緣計算產業聯盟，到目前為止，已經有超過100家會員單位，其中不乏重量級的ARM，INTEL。華為自有EC-IOT平臺 ，提供雲管端邊一體化的邊緣計算開發模式。
百度在2018年伊始，百度雲天工釋出“智慧邊緣”，並開啟邀請制測試。百度雲天工將雲端的資料管理與計算功能以軟體的方式放在裝置端上，將智慧計算能力帶向離資料來源更近的地方，與雲端計算良好協同，讓裝置變得更加智慧。
邊緣計算第二類玩家：傳統裝置巨頭
由於 IOT 的迅速崛起， Intel 開始發力邊緣計算市場，推出了若干平臺。 在邊緣端， Intel 能夠提供不同規模的計算能力套件 ，或者叫做計算容器 。 Intel 的野心並不止於作為硬體平臺商， 他想要建立自己的生態， 目前已經聯合Wind River 推出了便利操作的邊緣計算系統。
Dell ， 早在2016年就高調宣佈進軍物聯網市場，而且作為Linux Foundation 基金會下的邊緣計算專案發起人，其地位不容低估。 Edgex Foundry ，是linux 基金會下的開源專案，致力於發展出具備即插即用功能的邊緣計算平臺， Dell 已經率先推出了基於Edgex foundry 的邊緣閘道器， 目前並未在中國發售。
思科在2017年年中將邊緣計算實現與微軟Azure雲平臺之間互聯，確保為企業提供從邊緣到雲端的整體性服務。
ARM， ARM 平臺目前 有 CortexA， CortexR。 CortexM， Mechine Learning ， SecurCore幾個平臺， 目前，大量的智慧手機（ios， android）， 商業廣告機， 快遞櫃等，都是由ARM 支援。 由於邊緣計算技術的興起，特別是在裝置側的人臉識別， 語音識別能力興起， ARM 的高階晶片開始面向市場，可以有利地支援AI的發展。
隨著大量的影片監控IP化，影片監控類企業也日益成為IOT企業 。 監控裝置具備物理採集的功能——影象， 結合強大的邊緣裝置分析能力，可以提供人臉識別，交通監控等作用，成了智慧城市的重要一環，主要以海康、大華為代表。
邊緣計算三類玩家：CDN巨頭
CDN（即內容分發網路）的核心價值是將數字內容智慧分發到離使用者更近的節點，進而提升整體分發效率，降低網路延時、節省頻寬資源，其與生俱來的邊緣節點屬性，低延時和低頻寬，令其在邊緣計算市場具備先發優勢，CDN本身就是邊緣計算的雛形。
Akamai作為全球CDN領頭羊早在2003年就與IBM合作邊緣計算，今年6月Akamai與IBM在其WebSphere上提供基於邊緣Edge的服務。
網宿科技也已將邊緣計算當成核心戰略，2016年開始建設邊緣計算網路，2017年逐步推出邊緣計算微服務，並將逐步開放邊緣IaaS和PaaS服務。
CloudFlare公司在2017年就推出了CloudFlare Workers，以微服務的形式開放邊緣計算服務，支援使用者在邊緣端程式設計，這標誌著它已經初步搭建好了邊緣計算的平臺。
Nuu：bit宣佈可以與微軟的Azure宇宙資料庫進行整合，同時微軟的Azure系統也可以把Nuu：bit的資料整合在平臺上，這也是一個極大的突破。
Limelight在今年上半年在其CDN網路上推出了增強版的EdgePrism OS軟體，允許使用者在邊緣端進行本地內容輸入和交付。
邊緣計算四類玩家：運營商
在競爭激烈的市場中，為了獲得高效能低延遲的服務，移動運營商紛紛開始部署移動邊緣計算（MEC）。
中國移動已在10省20多個地市現網開展多種MEC應用試點。2018年1月，中國移動浙江公司宣佈聯合華為公司率先佈局MEC技術，進一步推動網路實現超低時延、更佳體驗，打造未來人工智慧網路。
中國電信與CDN企業合作，想要透過MEC邊緣CDN的部署，作為現有集中CDN的延展，同時為多網路使用者服務。
AT&T表示邊緣計算是支援新技術的關鍵部分，包括物聯網、軟體定義網路、區塊鏈、人工智慧和5G。AT&T正在AR/VR型應用、自動駕駛和智慧城市專案的支援方面使用邊緣計算。
德國電信（Deutsche Telekom）在提高自動駕駛汽車的連線性、數字化轉型以及推進5G更好的網路效能方面使用邊緣計算。
邊緣計算五類玩家：核心研究機構
如今邊緣計算的市場越來越大，不僅是眾多的知名企業開始部署邊緣計算，很多研究機構包括國內外的一些大學等都開始投入邊緣計算這個大市場的懷抱。
中國信通院是邊緣計算產業聯盟ECC的發起成員之一，中國信通院與聯盟多個成員共同對於邊緣計算應用場景、技術架構、主要技術能力等方面展開了深入研究。在2018年1月召開的ITU-T SG20（國際電信聯盟物聯網和智慧城市研究組）WP1全會上，中國信通院與中國聯通聯合主導的《IoT requirements for Edge computing》國際標準專案成功立項。
卡內基梅隆大學在2018年1月領導了一項新的專案-CONIX，該專案獲得了2750萬美元的資金，在接下來的五年中，CONIX將建立位於邊緣裝置和雲之間的網路計算架構，為邊緣計算的興起做準備。2月德國電信與Crown Castle合作在美國設立了邊緣計算實驗室，匹茲堡卡內基梅隆大學是該專案的中心站點。
邊緣計算六類玩家：產業聯盟
邊緣計算產業聯盟ECC（中國）在2016首屆邊緣計算產業峰會上宣佈正式成立，該聯盟由華為、中國科學院瀋陽自動化研究所、中國資訊通訊研究院、英特爾公司、ARM 和軟通動力共同發起成立，聯盟成員總數共 62 家，這表明了邊緣計算生態發展正式進入關鍵落地階段。
Edgecross聯盟（日本）於2017年年底成立，由6家公司創始，包括三菱電機、研華、歐姆龍、日本電氣、日本IBM和日本甲骨文。邊緣融合聯盟Edgecross定義的邊緣計算領域平臺有兩個目標，一個是實現生產現場小範圍的物聯網IoT系統，第二個是為生產資料匹配IoT化的資料標籤。
Avnu聯盟是一個利用開放標準建立低延遲、時間同步、高度可靠的聯網裝置的互操作性生態系統的社群。2017年12月5日，Avnu與邊緣計算產業聯盟簽署了合作協議，目的是為了推動工業網路和邊緣計算的共同利益。
ETSI（歐洲電信標準化協會）主動標準化MEC。運營商可以向授權的第三方開放其無線接入網路（RAN）邊緣，使他們能夠靈活快速地為移動使用者、企業和垂直網段部署創新的應用和服務。MEC是移動基站演進和IT與電信網路融合的自然發展的結果。
2019年1月24日，Linux基金會在舊金山宣佈成立針對邊緣計算的LF Edge基金會。新的LF Edge基金會旨在為邊緣計算的各種應用型別制定統一的軟體堆疊、術語定義及開發框架，並促進邊緣計算領域在底層形成架構上的統一，從而推動整個行業的快速發展。
五 “邊緣計算”的發展挑戰（鄔賀銓的十問）
中國工程院院士鄔賀銓是推進邊緣計算技術與產業繁榮發展倡議的專家之一，對邊緣計算有著更加深入的思考。在近期的2018邊緣計算技術峰會上，他表示，邊緣計算技術應該是一個體系，但目前包括他本人都對這個體系瞭解只是邊緣，根本沒有進入到核心，很多東西不太清楚，所以提出十問。
圖9 鄔賀銓 院士
NO1：5G MEC（移動邊緣計算）應該下沉到什麼位置？邊緣計算放在DU？還是CU？還是放在核心網？顯然靠近底下反應越快，數量越多，放在什麼位置是值得研究的。
NO2：計算能力是一級設定還是多級設定？在採用MEC的前提下，還要不要同時設定雲計算？在雲計算和MEC之間是否需要設定霧計算？一個雲計算節點聯接的移動邊緣計算（或霧計算）節點的合理數量是多少？
NO3：計算能力如何在雲計算與邊緣計算間最佳化配置？計算能力的分割是固定的還是可動態調整的？MEC需要向雲計算節點上報過濾後的資料。雲計算節點需要向MEC下發指令，除此之外兩者間的通訊還應有什麼任務？
NO4：MEC間透過雲計算節點互通還是直接通訊？同樣是邊緣計算節點，它們之間要不要互通，或者說必須間接互通？
NO5：邊緣計算需要有IaaS/PaaS/SaaS等服務能力嗎？假如透過邊緣計算增強人臉識別能力，邊緣計算至少具備PaaS的功能，還需要可能具有一些影片轉碼的功能就是SaaS，有可能需要DaaS（資料即服務）的功能，邊緣計算是不是都這麼全？到底需要有幾層，值得研究。
NO6：邊緣計算需要同時具備接入、轉發和控制雲能力嗎？如果說邊緣計算是放在CU，它要集中管理好多DU，是否也應該具有控制雲的能力？
NO7：MEC應該與網路切片結合嗎？網路切片是5G最基本的一個特徵，邊緣計算要不要結合？
NO8：位於C-RAN的MEC需要按業務來配置嗎？不同的邊緣計算對應不同的應用，有對應移動大資料，有對應大連線的，還有對應社會與網際網路資料的。在這種情況下，邊緣計算是按業務來配置的，將來的邊緣計算也是這樣嗎？
NO9：MEC是獨立設定還是應與其他功能整合？基站的邊緣計算首先進行大資料的收集採集，同時實現加密，在對大資料進行消化後，它回送網路資料鏈應該是減少的，也就意味著對資料過濾，為了過濾，它可能需要快取，所以，邊緣計算會跟快取資料採集，資料分析，過濾，計算能力集中在一起，邊緣計算絕不是單一的計算能力。
NO10：MEC的功能需要軟體定義嗎？MEC可仿照NFV實現軟體定義，允許跨過多廠家的MEC平臺有效與無縫整合來自廠商、服務提供商和第三方的應用，MEC的功能會開放嗎？如果開放就要有接入許可權管理。
鄔賀銓還說，他對MEC的思考還不止這些，但他希望能看到答案。目前，對於邊緣計算的發展思路，仍然沒有到完全清晰的時刻，仍然等待各大企業對於邊緣計算技術的進一步研究。
