一千個人眼中有一千個哈姆雷特，對於雲計算的認識，也是如此。
雲計算興起的時候，業界談論的都是雲，不知道雲，估計都不好意思說是業內人士。
那麼，什麼是雲計算呢？
簡單來說，雲計算就是將很多計算機資源和服務集中起來，人們只要接入互聯網，將能很輕易、方便的訪問各種基於雲的應用信息，省去了安裝和維護的繁瑣操作。
當然，個人和企業也能使用雲計算中心提供的服務，或者在雲端搭建自己所需要的信息服務，只不過需要付費。
這樣看來，雲計算是不是簡單、好用，但現實不是這樣的。當個人和企業過渡依賴雲計算時，就會出現各種數據的處理都希望往雲上面靠的現象，結果呢？數據多了以後，效率降低、時延增大，很多場景用不了，這讓業界很是苦惱。
遇到問題可以換種思維嘛！集中式不行就試試分散式，所以又有研究人員提出了邊緣計算的概念，這種模式的提出，瞬間解了很多場景的燃眉之急。
1
什麼叫邊緣計算？
如果說雲計算是集中式大數據處理，那麼邊緣計算就可以理解為邊緣式大數據處理。
何為邊緣？
通用術語表示就是，鄰近、接近。放在這句話中就是，臨近計算或接近計算。
想象一下，數據每次都要傳到遙遠的雲端，雲端處理完，才能回傳回來，很麻煩吧！
邊緣計算則在想，為啥要傳那麼遠呢？
數據那麼多，傳來傳去浪費時間不說，還效率不高，要不先在設備端處理數據，篩選掉沒用的數據，等數據少了再傳給雲，這樣雲端的壓力就會驟然減輕了！
所以說，
邊緣計算應該是對雲計算的一種補充和優化！它們兩個是共存的狀態。從邊緣計算的概念中可以看出，由於距離數據源頭近，所以它具有分佈式、低延時、效率高等特點。深層次去看，它還具有以下幾大特點：
第一，緩解流量壓力；邊緣計算在進行雲端傳輸時通過邊緣節點進行一部分簡單數據處理，可以篩選掉沒用的信息數據，相當於減少了數據帶寬的消耗。
第二，對於芯片性能有高要求；由於邊緣計算都是在設備端處理數據的，所以對於芯片性能的要求很高。
第三，節省成本；雲計算和邊緣計算結合，成本僅佔單獨使用雲計算的40%左右。
第四，提高安全性；邊緣計算的數據可採用加密算法後，在打包回傳到雲端。
目前，邊緣計算主要被用於車聯網、智能安防以及區塊鏈等場景中，亞馬遜、微軟及英特爾已經著手佈局邊緣計算。
說到邊緣計算，不得不提一下另一個重要的概念：移動邊緣計算（MEC）
概念比較多，我們慢慢來看！
2
為什麼提到移動邊緣計算？
2013年，IBM聯合Nokia Siemens網絡共同推出了一款計算平臺，可在無線基站內部運行應用程序，向移動用戶提供業務。
2014年，歐洲電信標準協會(ETSI)成立移動邊緣計算規範工作組，宣佈推動移動邊緣計算標準化。其基本思想是把雲計算平臺從移動核心網絡內部遷移到移動接入網邊緣，實現計算及存儲資源的彈性利用。
說到這裡，估計諸位還是雲裡霧裡，那麼，什麼叫移動邊緣計算呢？
我們知道，設備直接傳輸信息需要網絡，而移動邊緣計算就是利用無線接入網絡就近提供電信用戶IT所需服務和雲端計算功能，而創造出一個具備高性能、低延遲與高帶寬的電信級服務環境。 說到底，還是一場數據傳輸時間爭奪戰，傳輸時間越短越好。
從運營商的角度來看，網絡分為無線接入網、移動核心網以及應用網絡三大部分。
其中，無線接入網由基站組成，負責移動終端的接入。
移動核心網由路由器、服務器組成，負責將無線基站連接到外部網絡。
應用網絡就是各種應用服務器工作的地方，實際上就是服務器、數據中心、PC等。
可以看出，這三種網絡完成了我們平時的設備之間數據傳輸的工作。其中，運營商主要掌握無線接入網和移動核心網兩種，應用網絡應該掌握在OTT手中。
本來這三種網路結構已經夠用了，但隨著各種新服務（AR/VR、自動駕駛）的出現，傳統網絡結構逐漸不堪重負，所以，MEC出現了。
MEC背後的邏輯非常簡單。將網絡業務“下沉”到更接近用戶的無線接入網側，降低數據傳輸時延，緩解網絡堵塞。即離源數據處理、分析和存儲越近，數據時延越低。
通過處理、分析和存儲在網絡邊緣生成的數據，運營商和提供商可以提供增強的響應時間和改進的服務，同時還為更先進的概念（如無人駕駛車輛和增強的自動化）奠定基礎。
3
自動駕駛為何需要MEC？
要知道，自動駕駛汽車有成百上千個傳感器，每駕駛8個小時會產生40TB的數據，這些數據中大多數並不重要，而且把這麼大體量的數據傳到雲端是不切實際的。同時，自動駕駛汽車對於數據傳輸時延極為敏感，數據傳輸延遲1ms，都可能導致一場慘劇發生。所以為了降低帶寬、保證低時延，MEC便成為了比較適用的網絡結構。
在車輛高速度運動過程中，位置信息變化十分迅速。而最末端的移動邊緣計算服務器還可以置於車身上，能夠精確地實時感知車輛位置的變動，提高通信的可靠性。
移動邊緣計算服務器對無人駕駛汽車數據實時進行數據處理和分析，並將分析所得結果以極低延遲（通常是毫秒級）傳送給臨近區域內其他聯網車輛人，以便車輛做出決策。這種方式比其他處理方式更便捷、更自主、更可靠。
此外，MEC還被用於解決自動駕駛汽車數據緩存問題。不久前，韓國慶熙大學計算機科學與工程系的AnselmeNdikumana等人提出了基於深度學習的緩存和MEC中的4C方法來改進自動駕駛汽車中的娛樂服務的解決方案。
他們主要方法概括如下：
為了滿足不同乘客在自動駕駛汽車中對不同娛樂內容的需求。首先，採用卷積神經網絡（CNN）方法通過面部識別來判斷他們的年齡和性別。然後，根據娛樂內容（例如音樂，視頻和遊戲數據）對於受眾年齡以及性別的偏向性，高速緩存對應的娛樂內容。
實現上面的過程，需要MEC和DC（車對數據中心通信）支持自動駕駛汽車。在DC，他們提出了一個MultiLayer感知器（MLP）框架來預測在自動駕駛汽車的特定區域內請求內容的概率。
然後，MLP預測輸出部署在緊鄰自動駕駛汽車的MEC服務器（RSU）處。在非高峰時段，每個MEC服務器使用MLP輸出進行下載，然後緩存具有高請求概率的內容。選擇MLP優於其他預測方法，如AutoRegressive（AR）和自迴歸移動平均（ARMA）模型，MLP有能力處理線性和非線性預測問題。
對於需要緩存的內容，自動駕駛汽車需要從MEC服務器下載MLP輸出，然後將其與CNN輸出進行比較。為了比較，該方法也結合了k-means和二元分類。
使用MEC中的4C組件進行深度學習，在自動駕駛汽車中制定用於娛樂服務的緩存，以最大限度地減少內容下載延遲。
目前，由於3G/4G數據傳輸時延過高達40ms,無法滿足自動駕駛10ms的基本需求，所以MEC在3G/4G時代，無法很好的被用於自動駕駛，只有等到5G技術成熟後，MEC才有望走進自動駕駛。
可以預想，在5G時代，MEC可以廣泛應用在各個領域，如：交通運輸系統、智能駕駛、實時觸覺控制、增強現實等領域。
當然，MEC在目前火熱的AI領域也將有不錯的應用，比如：在圖像識別方面，服務器相對於移動終端在處理時間及功耗上有顯著優勢，處理時間增加100毫秒左右，就能提高10-20%的準確率。
這意味著在不改進現有算法的情況下，通過引入MEC技術，就可通過降低服務器與移動終端之間的時延改善識別效果。4
總結
MEC前景極好，但也給傳統的運營模式帶來了一定的挑戰。
作為一項新興的技術，MEC不僅是一個網絡邊緣虛擬化的技術平臺，還涉及到整體網絡架構、第三方應用部署、移動網絡能力開放、管理和編排等多個方面。
所以，未來MEC業務的展開不僅需要華為、中興通訊、愛立信等通訊設備廠商，也需要英特爾、高通等芯片廠商，以及中國移動、聯通、電信等運營商的支持。因此，MEC要實現快速發展，就必須構建完整的生態體系，其商業模式需要各廠商共同開發。
閱讀更多 芯聞資訊 的文章
