为了使物联网工作，需要许多不同的传感器和微处理器，它们集成在物联网设备中，随时随地生成的大量信息，而这些信息必须尽可能实时地进行处理。

　　然而，对于传统的网络架构，这将变得越来越困难，因为数据必须远程传输到中央数据中心。仅此一点就会产生一定延迟，此外，数据中心还面临着越来越多的数据处理负担，因为信息的增长速度超过了其容量。并且在处理后，必须将处理结果传输到物联网设备，这将花费更多时间。

　　此外，物联网移动设备通常无法在任何地方(例如无人机或无人车辆)进行高性能的无线通信，这将导致进一步的延迟甚至停机，因此，不可能对新的要求作出快速反应。

　　边缘计算应用案例

　　自动驾驶汽车就是一个很好例子：在道路上行驶，不专心的行人走到车前，虽然自动驾驶汽车的内置摄像头可以识别此人，但必须先将图像发送到中央数据中心进行处理，然后再将制动控制传输到汽车上。在这种情况下，反应有点太迟了。

　　因此，汽车行业正在将处理器安装在车辆中，这些车辆可以立即处理摄像机图像并实时应对意外危险。这就是边缘计算，它包括在数据出现的位置或附近对数据进行处理——联网汽车，每辆自动驾驶汽车现在每天都可以产生和使用数TB的数据信息。

　　当然，这种分散数据处理的优点也已被各种其他行业所认可，例如，在制造业中，网络设备生成的数据也必须尽快处理，这样，机器就可以立即适应新的生产要求，或者检测出故障部件并进行前瞻性维修。

　　此外，透过网络将此物联网产生的数据传送到中央数据中心或云端可能非常耗时，从而导致延迟甚至数据丢失。相比之下，边缘计算允许实时处理和分析所有数据，从而提高一致性和响应时间。根据Gartner的报告，由于这些优势，到2022年，在集中式数据中心或云系统之外创建和处理数据的比例预计将从目前的10%增长到50%。

　　数据中心拓展

　　但是，边缘计算很少是一个独立的解决方案，通常用作数据中心的扩展。虽然该技术非常适合快速数据处理，但它存储的数据并不多，因此无法识别长期趋势或执行全面分析。

　　因此，数据在边缘进行处理、汇总和压缩，然后定期收集并传输到中央数据中心。这会记录和存储信息，然后作为大数据分析的一部分对其进行评估，这可用于优化流程或开发新的解决方案。

　　一个具体应用实例是警察的执法记录仪。在这里，记录仪上便携式微型计算机或摄像头本身可以压缩和编码捕获的视频，然后将它们发送到本地边缘中心，以加速上载过程并减轻中央网络的负载。

　　零售服务点(pos)机器也可以从这一过程中受益，例如，将客户的购物数据发送到执行必要检查和交易的边缘计算机，这不仅加快了这个过程，它还消除了通过网络发送敏感信息的可能性，并减少了使其遭受攻击的可能性。

　　安全

　　边缘计算不会比传统架构更安全，因此，企业还需要针对此方法执行风险分析并设计整体安全体系结构。

　　一方面，边缘计算可以提高数据来源和去向的透明度，从而简化安全管理。在中央数据中心或云系统的情况下，对于资源不足的企业来说，高流量可能难以监控，而网络罪犯分子也可以利用这一点来秘密拦截数据。因此，边缘计算通常可以更好地控制这些连接及其安全性。

　　另一方面，更多数量的传感器也增加了攻击面，所以需要保护更多连接点。因此，企业需要更严格的修补程序管理，它可以快速复制并传输到收集和发送数据的各种传感器。如果传感器没有适当的安全保护，黑客可能会攻击它们并严重破坏物联网系统，例如在连网汽车上远程操纵刹车。同时，黑客可以通过未修补的漏洞入侵企业网络，或将物联网设备合并到僵尸网络中以执行DDoS攻击。

　　这意味着，只有采取全面的安全措施，企业才能从物联网和边缘计算中获益。此外，安全的边缘解决方案还允许新的物联网应用程序在现场处理更多数据，并能更快地响应新的复杂要求。在不久的将来，会出现真正智能的机器人、无人机、机器和汽车;也许有一天，还会出现完全自主学习的物联网边缘系统。