数据和洞察力对于任何公司来说都是宝贵的资产。如今，数据驱动的决策已经渗透到我们生活中的方方面面。

　　传统意义上，企业从不同的物联网设备和传感器收集数据，将其收集在数据湖或数据仓库等中心位置点，并进行分析以获得洞察力。如果组织能够取消数据集中/集成步骤并直接跳到分析阶段，会怎样？这种方法称为“边缘分析”，使组织能够实现：

　　▲自主机器行为

　　▲更高级别的数据安全性

　　▲降低数据传输成本

　　什么是边缘分析？

　　边缘分析是一种分析方法，在系统的非中心组件(如传感器、开关和各种连网设备)上执行分析。换句话说，洞察力是在靠近数据源更近的位置获得的，而不是依赖于几千公里之外的中心位置。

　　随着物联网技术的出现，组织要收集和分析的数据量越来越大。但是将数据传输到中心位置，并将洞察力来回传输到边缘需要时间。而边缘分析是在网络边缘提供洞察力。

　　为什么现在很重要？

　　它支持更快的决策，尤其是在低带宽情况下。鉴于企业越来越依赖自动化、数据驱动的决策，边缘分析是科技巨头的重要投资领域。

　　零售、能源、安全、制造和物流等行业可以从边缘分析支持的快速决策中受益。例如，当自动驾驶汽车在道路上遇到障碍物时，它需要在瞬间做出制动决定。在这种情况下，决策速度需要比任何云计算解决方案都要快。企业正在网络边缘部署传感器和智能设备，以帮助更快地分析数据。

　　边缘分析不仅仅用于在毫秒内做出决策。如今，从各种设备和传感器收集的数据量正在迅速增加。在服务器和边缘设备之间带宽有限的情况下，数据传输速度可能不足以满足时间敏感型应用。

　　边缘分析是科技巨头大量投资的领域：

　　▲2020年1月，苹果收购了一家专注于边缘的人工智能初创公司Xnor.AI。苹果计划在手机、物联网设备、摄像头、无人机和嵌入式CPU等边缘设备上运行深度学习分析模型。

　　▲谷歌云和 AWS 都有专注于边缘物联网的产品。

　　它是如何工作的？

　　边缘分析工具的工作流程一般遵循以下模式：

　　▲边缘的传感器或设备收集数据

　　▲设备内的分析功能在边缘执行分析

　　▲如果设备需要采取行动，它会根据分析结果来采取行动

　　▲相关数据(不是所有数据)从边缘传输到云端，因此企业可以通过聚合来自数千台设备的汇总数据(在带宽限制的情况下)来了解全局

　　边缘分析与常规分析有何不同？

　　除了执行分析的位置不同之外，边缘分析具有与常规分析应用相似的功能。一个主要区别是，边缘分析应用需要在内存、处理能力或通信受限的边缘设备上工作。这些应用程序经过优化，可在这些限制条件下工作。

　　边缘分析的优势是什么？

　　▲更快、自主决策，因为洞察力是在数据源识别的，可减少延迟

　　▲由于集中存储的数据较少，因此降低了集中数据的存储和管理成本

　　▲由于向中央数据仓库传输的数据较少，因此数据传输成本较低

　　▲更好的安全性/隐私性，因为精细化数据(例如视频片段)不会被存储或传输

　　边缘分析用例

　　零售客户行为分析：零售商可以利用来自一系列传感器的数据，包括停车场传感器、购物车标签和商店摄像头。通过对从这些设备收集的数据进行分析，零售商可以为顾客提供个性化的服务。

　　远程监测与维护：能源、制造业等行业，当任何机器出现故障或需要维护时，可能需要即时响应。无需集中数据分析，组织可以更快地识别故障迹象并在系统内出现任何瓶颈之前采取行动。

　　智能监控：企业可以利用实时入侵检测边缘服务来提高安全性。通过使用来自安全摄像头的原始图像，边缘分析可以检测和跟踪任何可疑活动。

　　要避免哪些陷阱？

　　我们观察到，当组织决定将资金投入边缘分析时，需要避免两个常见的陷阱。

　　安全：云环境在设计时考虑到了安全性，因为云上的漏洞对企业来说代价高昂。然而，边缘安全也很重要，因为边缘分析将决定设备的真实行为。恶意行为可能导致设备损坏、其他代价高昂的机器错误或至少错误信息。

　　维护：由于带宽或存储限制，一些边缘分析系统仅与云共享其输出。然后，企业没有机会审查其原始输入，这些原始输入导致与云系统共享的分析。因此，他们需要确保使用最新的分析软件来处理输入，如果依赖过时的模型可能会导致企业基于错误信息做出决策。

　　有哪些边缘分析工具？

　　▲AWS IoT GreenGrass

　　▲Cisco SmartAdvisor

　　▲Dell Statistica

　　▲HPE Edgeline

　　▲IBM Watson IoT Edge Analytics

　　▲Intel IoT Developer Kit

　　▲Microsoft Azure IoT Edge

　　▲Oracle Edge Analytics (OEA)

　　▲PTC ThingWorx Analytics

　　▲Streaming Lite by SAP HANA