六招让你的一线员工都动起来

前端采集的数据量过大，如果按照传统模式全部上传，则成本高、效率低，典型的代表就是影像数据的采集和处理。

数据需要全部上传到中央节点经处理后再下发，往往传输成本高、时延长，无法满足即时交互的要求，典型的代表就是无人驾驶场景。

对业务连续性要求比较高的业务，如果遇到网络问题或者中央节点故障，即便是短时间的云服务中断都会带来严重影响。

除此之外还有安全信任的问题。有些客户不允许数据脱离自己的控制，数据更不能离开自己的系统，对于这样的场景，集中式的云计算中心就搞不定了。

边缘计算并不只为了解决集中式计算在行业数字化中面临的挑战，实际上边缘计算诞生之初是为了节省通信成本。DARPA(Defense Advanced Research Projects Agency，美国国防高级研究计划局)是最早提出和应用边缘计算的组织。

2003年的伊拉克战争期间，美军试点对士兵进行个人数字化，因为作战需要处理的信息和数据庞大，即使士兵携带专用数字设备，也处理不过来，如上传到作战中心的数据中心进行处理，则将面临两个现实问题。

建立从每个士兵到作战中心的数据中心的高带宽数据通道(无线基站或者卫星)，成本极高。

士兵携带的专用数字设备重达数公斤，难以再增加计算能力(需要再增加重量)。

DARPA提出了一个方案：在伴随士兵的悍马作战车上部署一个数十公斤级的就近计算设备，其可以处理1公里范围内的数字化士兵的信息，然后由悍马作战车上的就近计算设备进行处理并与作战中心的数据中心进行交互。

ISO/IECJTC1/SC38边缘计算的定义：边缘计算是一种将主要数据处理和数据存储放在网络边缘节点的分布式计算形式。

边缘计算产业联盟对边缘计算的定义：在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用等核心能力的开放平台，其可就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

行业有影响力的边缘计算开源项目群LF Edge(Linux基金会边缘计算开源项目)，发布了LF Edge白皮书，白皮书中根据分布在“端、管、云”的计算点位置的不同，将边缘计算分为以下3类，具体如图1所示。
 

5. TensorFlow

TensorFlow专为在依赖机器学习的项目中使用而设计，它具有作为使用开源软件设计的平台的附加优势。在大量的在线资源、文档和教程的帮助下，TensorFlow提供了一个包含数值计算形式的数据流图的库。目的是让开发人员能够跨多种设备启动深度学习框架。

6. DiffBlue

DiffBlue是比较罕见的开发工具，它是一个非常有用但简单的平台，致力于代码自动化。 DiffBlue有几个核心目的：测试编写、错误定位、重构代码以及发现和替换弱点的能力，这些都是使用自动化完成的。

7. Neon

它是由Intel和Nervana开发的，Neon是一个基于Python的ML库，并且是开源的。使用其工具的开发人员可以利用技术先进的应用程序和智能代理。在云环境中，它支持云计算，支持开发人员开发、构建和训练深度学习技术。

8. OpenNN

一个C ++编程库，OpenNN主要针对那些想要实现神经网络的经验丰富的开发人员。 工具旨在通过创建表格、图表和其他可视内容来解释和简化数据条目。

（编辑：唐山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!