边缘计算将计算资源从中心化的数据中心和云转移到更接近设备的位置，但本质上其仍是一种云计算模型。通过部署靠近数据源的计算机或服务器，它允许在网络的“边缘”或外部处理来自物联网设备的数据，而不是在云数据中心。由于数据的本地化处理，边缘计算架构最终减少了带宽和网络拥塞的压力，从而允许物联网设备和web应用程序更快地运行，以提高服务质量和弹性。边缘计算基础设施是设备和云之间的中间层，服务由分布式边缘节点提供。
由于边缘计算使算力更加靠近数据源头或商业业务的关键位置，为企业应用带来了更快的速度、更高的可靠性和更多的灵活性。边缘计算、云计算和5G的融合将使算力网络按照企业价值实现的流程和地点布置，极大地优化了数据价值的实现速度和质量。
什么是边缘计算？
电商、视频、社交、工控、物管，不同的企业应用都对网络传输和算力有着显著的需求差别。5G加持的高速算力网络融合了云、网络和网络边缘，企业可以更加自主地决定在哪里及如何处理其数据及应用。
一种选择是集中提供大容量存储和高速并发计算能力的云数据中心，这在过去的十年都是一种主要潮流和做法；另一种是在边缘（即数据产生或服务交付点更近的位置，这通常是广域网络的边缘）提供充足算力，这带来了超低的时延和更低的网络流量，有助于提高服务的效率及质量，更快地产生决策反馈。
边缘计算使云资源（算力、存储和网络）更接近应用程序、设备和用户。它通过使用小型算力单元来满足数据本地化高速传输和实时处理，而不需要长途传输到云或数据中心去处理。边缘计算在终端设备中嵌入机器学习、人工智能、物联网(IoT)数据处理、运行容器的能力，甚至是直接运行完整虚拟机的能力。这些设备可以像照相机一样小，在用于复杂处理时也可以像完整的机架服务器一样大。无论设备的大小和功能如何，这些设备上的软件都以某种形式连接到后端云。
下面是一个实例，说明如何在现实世界中利用资源密集型设备实现边缘计算。
某品牌DeepLens相机集成了1080p摄像头、Linux操作系统和专用软件。该集成软件允许在服务商的机器学习算法直接在相机上执行。
智能模型直接在设备上执行，而不是过去常见的处理流程——设备捕捉图像或视频，将视频发送到云端后台处理，然后将响应结果返回给设备。这些网络边缘的本地处理能力提供了一组近乎实时的智能工具，可以集成到业务应用程序中。
边缘计算原理
什么促成了边缘计算？
云计算一直是过去十年IT界的关键话题和重要投资方向，也是头部科技企业技术和服务创新重要的竞争领域。
伴随大量对云计算褒奖，对于云计算的成本、供应商锁定（迁移陷阱）及安全性也存在众多警告。主流思想认为云计算对大多数敏捷IT架构都更安全、更完整和更具可伸缩性，但有一个问题一直存在争论，即部分数据和应用无法在云环境中轻松操作和迁移，甚至在同一厂商的不同站点间迁移也是如此。因此，多云策略(即同时使用公有云、本地的私有云和混合晕)已成为成功应用云计算的可靠途径。多云也适用于高带宽的、低延时应用和设备，这促进了边缘计算的演进和发展，并最终使企业在云+边缘的战略中受益。
边缘计算提供的分布式算力为企业提供了在数据源头或关键价值交付点处理数据的灵活性和可能性。由于网络带宽和时延的约束，云计算中心的集中算力池无法满足很多超大数据量或时间敏感的用例，例如大型生产线的实时控制、自动驾驶。在云-网络-边缘间有机地布置算力资源，将提供低时延、平衡的算力供应及网络带宽保障。
物联网设备的广泛部署使边缘计算架构成为企业的必然计算架构。虽然机器对机器通信(M2M，物联网的鼻祖)已经存在了几十年，但由于近年来物联网设备的数量的快速增长、它们传输的数据的数量和速度的飞速提高，以及将机器学习与设备的完美集成（AIoT），物联网在今天得到了长足的发展。物联网设备要求在毫秒级处理数据，它们对响应速度、存储容量和新功能的迫切需要使云计算架构因延迟太大而越来越不现实。通常，云数据中心位于距离设备、应用程序和数据数公里或更远的地方，为高带宽的应用程序和设备带来性能问题。对于必须在不到一秒的时间内完成的进程，延迟障碍会阻碍其响应速度和正常功能的实现。在边缘计算架构下，复杂的事件处理及响应在设备或靠近设备的计算系统中执行，由于消除了原始状态数据和响应数据的往返问题，使整个事件的响应能更快地完成。
对复杂事件的响应速度在部分物联网用例中是关键的，某些时候甚至是致命的。例如对L2级以上的自动驾驶汽车在遇到突然的车道侵入时必须立即刹车，否则就会有撞车的风险。将激光雷达或摄像头捕捉的数据送到云端处理并返回响应的往返时间太长，这无法满足任务要求。如自动驾驶汽车拥有边缘计算能力，则停止汽车的决定完全可以由汽车的机载计算机或路侧边缘计算单元处理并决定，从而防止事故的发生。极端情况下，即使发生事故，所有数据也都可以被发送到云端，以对车辆状态和行为进行监控、分析和管理，并在此基础上优化模型并优化机载程序。
