隨著物聯網的快速發展以及資料處理 2.0 時代的來臨，邊緣計算很快成為了廣受追捧的熱門技術。idc 資料顯示，未來超過 50% 的資料需要在網路邊緣側分析、處理和儲存，邊緣計算市場規模將超萬億，成為與雲計算平分秋色的新興市場。
廣義的說法是在靠近使用者資料和訪問側，提供低延遲高可靠高可用就近彈性計算服務，滿足客戶在實時業務、應用智慧型、資料就近處理分析、資料安全和隱私保護等方面的關鍵需求，可靈活配置管理大規模邊緣計算應用。
雲計算和邊緣計算將會是一種共生關係。對於需要及時響應，演算法相對簡單的計算，利用邊緣計算處理；對於非計算響應，演算法複雜的計算，在雲計算中進行。未來將是前端智慧型+邊緣+雲的組合。
前端智慧型
ai 晶元及嵌入式感知系統不斷成熟發展，前端智慧型裝置的算力不斷增強，可以完成更為複雜的視覺計算功能，這樣可以將檢測、識別、分類的結果在前端進行實時應用。特定場景下對智慧型分析的實時性、安全性的要求，需要在前端智慧型裝置上直接實現；前端智慧型化處理還能按需將高質量結構化資料及分析結果傳輸至後端，減少丟包、壓縮造成的資訊丟失或誤差，提公升智慧型分析的準確性。
前端智慧型的載體一般是具備一定計算能力的硬體裝置，可以實現不同智慧型功能，例如：人臉檢測、人臉特徵提取、人臉識別、人體識別、車輛識別等。前端智慧型裝置向上對接雲端平台或者邊緣計算單元，向雲端推送視音訊流以及結構化的資料，還可以對外圍裝置進行管理並響應直播雲端的訊息（可根據雲端需求不同輸出門禁資訊、報警）等。
邊緣計算
邊緣計算節點主要是就近收集和儲存智慧型前端的各類異構資料、就近管理和排程智慧型計算資源，滿足不同場合對智慧型分析的即時響應、即時分析的需要。對於多級業務的複雜系統，邊緣計算節點相應各個分級的應用，滿足不同級別系統的計算需求。邊緣計算節點可以接收、整合、傳遞智慧型前端的結構化資料，也可以根據需要調配算力，應用不同的演算法對當前分級內的資料進行智慧型分析，實現智慧型應用。
單個的邊緣節點可以將本級內智慧型前端以及邊緣計算所需的儲存資源以及計算資源進行統一管理，根據需求排程智慧型演算法，結合邊緣計算節點的智慧型分析能力，實現在本級內完成所有預定的智慧型功能；多個邊緣計算節點可以根據需求組合，形成乙個智慧型網路，在網路中對資料進行加工，交換資料，共享計算結果。
雲計算
雲計算平台除了完成對前端智慧型裝置和邊緣計算節點的管理功能外，還可以完成智慧型分析功能。雲平台根據需求分配計算和儲存的資源，按照業務的需求排程智慧型分析演算法、大資料分析演算法。
雲計算平台對來自邊緣計算節點的結構化資料進行更高層級的智慧型分析處理，比如更多資料庫容量的人臉比對、更大時間寬度和空間跨度內的事件關聯分析等。大資料分析演算法對智慧型前端、邊緣計算節點所返回的結構化資料智慧型分析處理，支撐多維大資料的綜合事件分析、邏輯分析、決策分析。雲計算平台、邊緣計算節點、智慧型前端之間相互結合實現多層次的智慧型分析。
與雲計算相比，邊緣計算在安防行業（物聯網）中具有哪些應用優勢呢？
事實上，在市場上存在這兩類邊緣計算，這要從物聯網的實際場景需求分析：
未來 2020 年將會有 500 億裝置聯網，會帶來兩大難題：
一、如何管理這些聯接？
二、如何傳輸和處理這些流量？
針對以上兩大難題則需要兩類邊緣計算平台來提供服務，一種為解決聯接，一種為解決流量。前面一種主要解決網際網路和物聯網之間協議轉換等問題，一般提供物聯網閘道器類雲服務。後一種主要解決海量的流**或資料流量的傳輸，一般採用 cdn 的邊緣節點來提供邊緣計算服務。所以邊緣計算在物聯網技術架構中是處於廣域網/感測器和雲計算之間的，提供的是就近的資料處理和資料訪問，如下圖所示：
現階段物聯網裝置中攝像頭及攝像頭模組佔了非常大的比例，任何智慧型家居裝置和道路監控，凡是需要做影象資料採集進行分析和反饋的場景都會需要攝像頭，而安防行業的核心終端裝置就是攝像頭。曾經安防行業因為儲存和裝置整體方案的昂貴成本一般只應用於公共運輸、酒店、樓宇、園區等場景中，現如今家庭安防、新零售、商業中心等也逐漸因為成本的降低成為了乙個普遍的場景。
如何讓私有與公有網路的成本、效能、智慧型分析兼顧，越來越成為商業智慧型落地的關鍵。
邊緣計算一方面因為可以就近計算便可以對龐大的人臉資料、人群分析、生物識別、商品識別等分析結果進行高效的處理，讓原先智慧型場景不再需要在現場佈署昂貴笨重的硬體裝置，極大地提高了智慧型場景的落地效率和複製速度。另一方面分布廣泛的攝像頭因為邊緣儲存服務的就近儲存，也可以把海量的監控資料就近儲存起來，提供了就近高速可存可分析的業務體驗。
邊緣計算的這兩個優勢使得安防行業與之緊密聯絡在了一起，在邊緣計算的部署下安防場景能夠更好更快地落地實施。
邊緣計算在安防行業落地需要分兩類場景：
私有網路
通常採用邊緣儲存私有化+邊緣計算私有化部署，該方案的優點是可內網保證資料私密性，可開啟網路出口，把資料備份到公網上，本地計算資源不足時也可開啟公網出口，業務降級到中心計算資源去計算處理。
網際網路
與私有網路不同，因為公網的問題通常會存在幾個痛點：
鏈路質量問題：主要是裝置到計算中心機房通訊的延遲，同時網路鏈路不可靠。
私有協議和利舊問題：因為安防領域存在歷史監控裝置，不一定可以直接做嵌入程式公升級，而很多廠家的裝置也需要支援非標準的多**協議。
資源成本問題：本地攝像頭的資料如果全部上傳到儲存，有很多無價值資料也會占用傳輸通道和儲存空間，如果能夠就近處理刪除無用資料，將減少很多資源浪費。
傳輸時效問題：尤其在監控歷史資料遷移等過程中，長距離的到中心計算機房的傳輸會帶來極大的時間成本損失。
參考上圖，在七牛雲邊緣計算解決方案中，七牛雲創新性地增加了邊緣儲存功能使就近的本地運營商在本區域內就近服務，解決了第乙個問題鏈路質量問題，高速傳輸通道解決第四個痛點，而通過流式儲存的介面和邊緣計算容器化接入方式也可以解決第二個問題，本地就近計算刪除無價值資料完成了資料分揀也很好地解決第三個痛點。
安防領域作為物聯網領域流量傳輸最大的場景，率先通過邊緣計算驅動整體效能體驗得到提公升，下一步逐步實現商業智慧型、樓宇智慧型、小區智慧型的落地將會成為下乙個物聯網爆發點。
例如，商超等應用環境中，可對顧客的性別分布、年齡分布等客觀資訊，並結合單位區域內逗留時間等維度資訊進行分析，進而得到如何佈署相關的商鋪位置、如何集中餐飲等後勤服務力量的決策建議；在樓宇與小區應用中可減少非必要的安保人員，用機力代替人力，自動對出入的人員進行身份比對，對可疑人員進行身份報警；在社會治安應用中，可根據治安、反恐、社群可疑人員等資訊結合時間頻次資訊等**出可能出現的危險情況和安全隱患，從而組織治安力量更有針對性地進行社會管理。
邊緣計算在安防領域的實踐從根本上打破了原本「智慧型」應用落地的壁壘，讓原本受限於計算力、傳輸環境、儲存環境等諸多問題的應用設想得以實現。
AI進入安防 安防的未來是怎樣
大幕拉開 忽如一夜春風來，ai席捲了整個安防界。從看的見到看的清再到看的明白，一場關於ai在安防行業應用的大幕正緩緩拉開。機器視覺與深度學習 有了深度學習的能力機器就可以模仿人腦進行分析學習並通過人腦的機制來解釋資料，對影象 聲音和文字記性語 讀。宇視發布的首款基於深度學習人臉識別攝像機就是通過基於...
邊緣計算與移動邊緣計算的區別
如果說雲計算是集中式大資料處理，那麼邊緣計算就可以理解為邊緣式大資料處理。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，資料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？資料那麼多，傳來傳去浪費時間不說，還效率...
雲計算在智慧型安防中的作用
作為智慧型城市建設的重要組成部分，智慧型安防在近些年得到了迅速發展。在社群裡，只需進行面部識別，社群的居民們就能順利進入小區大門，同時還包括測量體溫 身份驗證 識別登記在內的一整套檢測流程，在疫情當前的非常時期，能夠高效助力疫情防控。智慧型安防都說強，其實痛點也不少，可以集中總結為 建 上線部署的便...