对于理解边缘计算最好不要从理论或者各种概念入手，因为随着技术不断地创新加上市场玩家的增多会创造出非常多的概念，而这些概念一方面是要标新立异希望成为行业标准，另一方面就是这些应用是在在特定场所的应用，不用行业的标准当然也会不同。

最好理解边缘计算，也是最实用理解边缘计算的就是把边缘计算和应用场景结合起来理解，直观和直接。

提到云计算就涉及服务器，服务器布置一定是如一二三线城市的分布一样，但客户的需求可不能按这种等级分布，比如在十八线的农场里有人想看热门剧或是请求查看农场羊群的位置，服务器不能说离数据中心太远就不提供或是提供很差的服务，而是要将计算或是数据放到里这个农场最近的数据中心，相对于云端，这种计算就是边缘计算。

如何协调计算和数据的分配问题，很多软件大厂都发布过这种云边计算的软件，比如，亚马逊的AWS Greengrass，微软的Azure IoT Edge，谷歌的Edge TPU 和软件堆栈 Cloud IoT Edge。在国内阿里推出 Link IoT Edge 平台，腾讯推出 CDN Edge，百度推出智能边缘 BIE，甚至海尔专门为物联网企业打造的一站式设备管理平台 COSMO- Edge 平台。

包括电信运营商依托5G 全面部署移动边缘计算（MEC），利用无线接入网络就近提供电信用户 IT所需服务和云端计算功能，

这种“中心-边缘-端”的形态从电信时代就已经形成，当时的程控交换中心、程控交换机、电话形成了最初的“中心-边缘-端”形态，到了互联网时代，数据中心、 CDN、移动电话/PC 延续了这种形态；现在电信运营商的多接入边缘计算（MAEC）则是将边缘计算从电信蜂窝网络进一步延伸至其他无线接入网络。

1、云边计算协同关系

中心和边缘计算的协同关系就是大量的数据计算和存储工作只需要在边缘计算节点就可以处理了，那些经过处理的数据在网络条件宽裕的时候从边缘节点汇聚集中到云端，云计算再做大数据分析挖掘、数据共享，同时进行算法模型的训练和升级，再将升级后的算法推送到前端，使前端设备更新和升级，完成自主学习闭环。同时，这些数据也有备份，当边缘计算中出现意外情况，存储在云端的数据也不会丢失。

这里可以通过几个案例如何理解这种从边缘到云端，再从云端升级边缘计算的过程。。

家庭的云边协同的复杂程度非常小有助于理解，家庭的边缘计算节点只包括家用电器、照明控制、多媒体终端、计算机等家庭终端，家庭如果处于无人状态时，家中设备基本都处于待机状态，一旦有人非法闯入，网关就立即发出高分贝警报声，同时通过手机APP通知主人，智能摄像头开启拍摄有异动的画面，并将抓拍前后十五秒录像上传云端保存，实时记录家庭内部情况。

而在家庭没有异动状态时，家里的智能设备可以按低功耗模式运行，只有在出现异常时，智能设备之间会产生联动，并将边缘计算的数据上传到云端，形成云边协同计算和存储。

在工业应用中，设备的运行会产生大量的实时数据，而且设备的分布更非常的广，各种设备的网络协议也非常多，这样就需要边缘计算和云边协同。

比如四川爱联科技有限公司，该公司在工厂部署了大量的边缘计算设备及配套设备，这些设备通过数据采集模块从所有PLC 设备采集实时数据，建立起工单、物料、设备、人员、工具、质量、 产品之间一体化的实时化的信息体系，对于海量接入设备产生的大量数据，如果全都上传至云端进行处理，一方面会给云端带来过大的计算压力；另一方 面会给网络带宽资源造成巨大的负担。

对于这些数据先在边缘侧进行数据处理，优先解决故障自动处理，负荷识别、安全预警、无功补偿等关键操作，在网络负载不大的情况可以进行断点续传到云端，云端对数据进行表码分析、用量分析、需量分析等大数据处理，最好通过大数据和人工智能的模式识别、节能和策略改进等操作。

这种云边协同可以广泛应用在电力、石油石化等传统能源行业，这些行业的具有信息化具有接入设备多、服务对象广泛、信息量大、业务周期峰值明显等行业特色。

这就是边缘计算和云端计算的协同模式的基本应用模式。造成这种边缘计算之所以重要的原因就是大量的物联网设备的接入导致数据量大增造成的。据IDC预测，2020年，全球将有约500亿智能设备接入网络，主要包括智能手机、可穿戴设备、个人交通工具等，其中40%的数据需要在边缘处理。

2、物联网下的边缘计算

随着工业互联网的推动和5G 大规模商用，物联网接入量大增，据Gartner预测，到2020年，全球物联网设备的数量将超过200亿台。根据IDC Global DataSphere 2018年11月公布的数据来看：全球超过一半的数据创建于过去两年，而且这一态势还将不断持续下去。在百度智能云看来，2021年将是边缘计算的爆发元年，到2022年，将有40%的计算任务将在边缘完成。

这种云边计算网络有点类似章鱼，章鱼拥有“一个大脑+多个小脑”，40%的计算是大脑进行分析和决策的，还有60% 是通过分布在八条腿上的巨量神经元进行感知和分析，腕足和大脑有效配合让章鱼在各种复杂环境中都能游刃有余。

这一点在智能交通中体现得非常明，比如成都采用阿里云飞天平台接入全市航空、公路、铁路、轨道交通、、网约车、共享单车等14大类交通全量数据可实现快速地疏运旅客、准确调度运力、在线发布交通管制动态信息等能力，对城市交通系统运行进行主动、科学的引导，甚至，可以告诉出租车司机哪里等客最赚钱，提升网约车司机的收入。

从城市看车是如此，而在自动驾驶技术下，车本身就要产生大量的数据，尤其是汽车将集成激光雷达、摄像头等感应装置，利用5G、LTE-V 等通信手段与车辆进行实时的信息交互。未来还将集成局部地图系统、交通 信号信息、附近移动目标信息和多种传感器接口，为车辆提供协同决策、事故预警、辅助驾驶等多种服务。

其次，将边缘数据和AI数据结合起来共同提高计算效率也是有广泛应用场景的，比如医疗保健和安防摄像头。

在医疗保健行业，病人可以通过可穿戴设备将数据传到云端，监视器将分析后的数据上传到云端，在云端进行AI分析，记录患者长期的健康情况，为医生和患者提供病情分析，辅助进行下阶段治疗。

在安防监控领域，将监控数据分流到边缘计算节点，让其所搭载的人脸识别功能不再依赖云端服务器，避免耗费时间上传图像，节省了大量带宽资源。而且通过在本地设备上直接完成脸部辨识，进而让识别过程缩短至1.5秒内。在末端，视频采集设备负责视频采集、压缩和图像/视频预处理。在云端，由于边缘节点的分布式模型训练可能因其本地知识有限而未能经过良好训练，云端利用全局知识进行进一步处理，并帮助边缘节点更新训练模型。

3、实操，从安装硬件开始

以上应用的场景和案例都非常的抽象，一家工厂如果要部署云边协同的管理平台，软硬件都不是问题，很多工厂都安装了软件平台，关键的如何将现有的设备安装智能设备并且连接到现有的管理平台之上。其次，才是软件平台如何协调各种网络协议，将数据和平台数据进行整合。

蓝奥声致力于物联网多年，技术涉及无线网络通讯、数据信息处理、智能测控系统等高新技术交叉领域，其产品与技术服务包括智能感知物联网技术解决方案、物联网感知节点设备、感知服务对象设备（嵌入式、移动及可穿戴、分布式传感器等）、面向行业应用的智能监测与信息系统。

比如在电能监测上，采取蓝牙BLE信标或“BLE + RFID”组合模式，不仅可以实现低功监测信息采集，电能监测传感器发送的信号不仅用于周边物联网对其对其设备识别，还能根据当前环境及设备状态的周边无线网络通讯模式及其服务设备的选择最优网络机制。

比如对于工厂设备运行管理，将智能计电插座插在每一台设备上，就能及时了解设备实时用电情况、功耗、时长等信息，通过对多台设备的数据对比就能了解该设备的运行情况是否正常，如果某段时间功耗异常，则说明该设备老化，至少也该进行维修和保养。

如果设备周边都配有温湿度感应器，或火警、烟雾预警器，这些设备和智能插座相连，但出现火警等突发事件时，可以预警，再上报系统请求断电保护设备等措施。

了解了设备的运行状况也可以更好的进行资产管理，不用以往通过年终盘点的方式进行，而是对比数据安排好明年的资产维护和保养。

有了智能设备就能更好的帮助企业提升效率，对于这些智能设备产生的数据通过边缘计算更好地实现网络的优化和管理的升级。