如果您的汽車需要數(shù)據(jù)，則不會(huì)在數(shù)據(jù)中心中尋找；如果您的風(fēng)車需要數(shù)據(jù)，則不會(huì)來自云端。在這兩種情況下，以及在大多數(shù)情況下，當(dāng)我們查看物聯(lián)網(wǎng)（IoT）時(shí)，數(shù)據(jù)是在設(shè)備本地生成，并在本地使用。

另外，需要快速完成基于數(shù)據(jù)的決策。不僅僅是在汽車方面（道路上有一個(gè)孩子），還因?yàn)槲覀兊墓竞拖M(fèi)者要求更快的答案和反應(yīng)，更是受到日益數(shù)字化和全天候全球經(jīng)濟(jì)的推動(dòng)。

這種延遲，即從數(shù)據(jù)中心獲取信息所需的時(shí)間，正在推動(dòng)物聯(lián)網(wǎng)中新的三層架構(gòu)。借助傳感器，一端是數(shù)據(jù)生成，中間是邊緣設(shè)備，另一端是物理或云數(shù)據(jù)中心。

該邊緣設(shè)備可以有三種類型：一種是從多個(gè)傳感器收集數(shù)據(jù)的簡單設(shè)備，一種是能夠運(yùn)行簡單應(yīng)用程序的更復(fù)雜設(shè)備，以及一種類似小型數(shù)據(jù)中心的第三種變體，它能夠提供更多的計(jì)算和存儲(chǔ)能力。為了簡單起見，我們可以稱它們?yōu)楸O(jiān)視器、網(wǎng)關(guān)和邊緣服務(wù)器。

這種對計(jì)算和存儲(chǔ)靠近數(shù)據(jù)的需求將導(dǎo)致Gartner預(yù)測到以下情況：

企業(yè)生成的數(shù)據(jù)中約有10%是在傳統(tǒng)的集中式數(shù)據(jù)中心外或云外部創(chuàng)建和處理的。Gartner預(yù)測到2025年，這一數(shù)字將達(dá)到75%。

邊緣計(jì)算層在3層物聯(lián)網(wǎng)架構(gòu)中的重要性的這種增長，為安全和系統(tǒng)管理領(lǐng)域帶來了一些獨(dú)特挑戰(zhàn)。

從安全的角度來看，邊緣設(shè)備的增加造成了更大的攻擊面，無論是物理上還是數(shù)字上。從系統(tǒng)管理的角度來看，邊緣計(jì)算層的分布式特性帶來了獨(dú)特的挑戰(zhàn)——在計(jì)算和存儲(chǔ)功能有限的設(shè)備上管理資源。

但是也有好處，低延遲是我想到的第一個(gè)。此外，我們可以預(yù)見，當(dāng)邊緣設(shè)備能夠彼此直接通信時(shí)，這種3層架構(gòu)將成長為更網(wǎng)格化的結(jié)構(gòu)。這樣的邊緣設(shè)備群集可以通過資源捆綁來增強(qiáng)單個(gè)計(jì)算和存儲(chǔ)容量。

這是否意味著數(shù)據(jù)中心已經(jīng)過時(shí)？絕對不會(huì)。尤其是在基于云的數(shù)據(jù)中心，我們可以更輕松地?cái)U(kuò)展計(jì)算和存儲(chǔ)，并允許創(chuàng)建先進(jìn)的分析模型和機(jī)器學(xué)習(xí)，然后，可以將經(jīng)過訓(xùn)練的模型分發(fā)到邊緣設(shè)備以供本地使用。（來源物聯(lián)之家網(wǎng)）這將導(dǎo)致“智能邊緣設(shè)備”能夠自主運(yùn)行，甚至可能在一定時(shí)間內(nèi)離線，同時(shí)它會(huì)定期與其“鄰居”或數(shù)據(jù)中心中的“父母”進(jìn)行連接，以查看“最新消息”。