物联网技术的快速发展,将使云计算中心的部分应用服务程序迁移到位于网络边缘的设备。网络边缘设备将不再只是数据消费者,同时还是重要的数据生产者。边缘计算作为大数据2.0时代的重要支撑,或将在以下6个应用场景中有重大机遇。
云计算任务迁移
以移动端在线购物为例,消费者频繁操作购物车的行为,默认条件下,该用户购物车所发生的状态改变会在云计算中心完成,但受限于移动网络的低带宽,更新购物城的操作在用户移动设备上会花费较长的时间。因此将购物车的数据更新操作从云计算中心迁移到边缘节点,将大大降低用户请求的响应延时。当用户请求到达边缘节点时,新的购物车视图将立即推送至用户设备。
边缘视频分析
智慧城市和公共安全对智能视频分析提出了更高的要求,考虑到视频数据量大,视频传输延时和数据隐私等因素,传统的云计算模型已不再适合进行视频分析。
以寻找丢失儿童为例:
智能家居
仅通过增加一种WiFi模块连接到云计算中心,远远不能满足智能家居的需求,未来智能家居环境中,除了联网设备外,部署在管道、地板和墙壁中的无线传感器和控制器,将产生海量数据,出于数据传输负载和隐私的考虑,敏感数据的处理应在家庭范围内完成。

在家庭内部的边缘网关中运行特定的边缘操作系统,可连接和管理智能家居设备,本地处理数据可降低网络带宽的负载,同时,基于EdgeOS 的应用服务程序可以向用户提供更好的资源管理和分配。
智慧城市

边缘计算之所以可作为智慧城市中一种较理想的平台,主要取决于以下几个方面:
1、大数据量
预测显示,到2019年,一个百万人口的城市每天将会产生180PB的数据,这些数据主要来自于公共安全、健康数据、公共设施以及交通运输等领域。采用集中式的云计算方式将导致较重的传输带宽负载和较长的传输延时。
2、低延时
健康急救和公共安全等领域具有低传输延时的需求。与云计算相比,边缘计算一方面可以降低数据传输时间,简化网络结构,另一方面,将更加高效的收集决策和诊断信息。
3、位置识别
在边缘计算模型中,基于地理位置的数据可进行实时处理和收集,而不必传送到云计算中心。
智能交通

智能交通系统可以根据路边安装的监控摄像头和传感器模块收集的实时数据进行分析,并作出决策,如可以根据路面的实际情况,通过智能交通信号灯减轻路面车辆拥堵状况或改变车辆的行车路线。
针对无人驾驶汽车实时数据处理需求,将传感器数据上传到云计算中心无意会增加实时处理的难度,因此,在源数据端(无人驾驶的汽车上)进行边缘计算处理将大大提高数据的处理速度,有效增强无人驾驶汽车行驶过程中路面环境决策的实时性。
无人机(如大疆)本身的电源有限,其应用场景(对森林火灾、倒塌的建筑物以及面积较大的田地等的监测或勘探)则需要传输高清视频。边缘计算可以使无人机感知的数据在边缘端被处理,从而减少因数据传输所造成的能量损耗以 及保持较高的实时性。
对于多飞行器之间的协调控制方面的应用, 边缘计算除了能够实现飞行器本身所采集数据的实时处理,同时能与其他飞行器之间实时地共享数据信息,从而降低了原有云计算模型下经数据中心中转传输的时间,并且减少了因数据传输所损耗的飞行器电能。
协同边缘
协同边缘是连接多个数据拥有者的边缘,这些数据拥有者在地理位置上是分布的,但具有各自的物理位置和网络结构。类似于点对点的边缘连接方式在数据拥有 者之间提供了一种数据协同共享的可能。

以互联网医疗为例,个人病例信息作为源数据,医院担任源数据收集的角色,对于社会医疗健康而言,医院可以提前做好资源的分配以此来提高服务效率。从减少操作成本和提高利润的角度来看,大多数参与者(药店、药厂等)可以利用协作边缘来获益。