物联网是计算机和网络以及移动通信网之后的信息产业浪潮，是未来的一片曙光。物联网的目标便是经过各种信息传感设备和智能通讯方式将全球的物理物体与信息技术系统以及人相连在一起。进而可以经过采集数据、解析、预测、优化等等技术来更好的感知与管理物理世界！下面看看物联网开发小编是怎么说的！
根据权威机构预测，到2020年联网设备数量将达501亿，世界上“万物互联”的数据通信业务量，将是“人与人通信”数据 通信业务量的30倍。
物联网其实不是传统意义的网络，而是一个技术体系，其通常分为4层：传感控制层、网络层、平台层和应用层。
物联网体系结构主要由四个层次组成：感知层（感知控制层）、网络层、平台层和应用层组成。 传感控制层是感知和控制的触角，网络层主要回传数据，平台层通常进行联接、数据和运维的管理，而应用层则进行数据的分析和相关应用的控制。其中平台层和应用层都位于数据中心，通常认为管理、分析、控制和数据处理都应在数据中心集中进行，而网络层就是一个数据回传管道。
很多行业应用对实时性、可靠性和安全性等有严格的要求，有些行业应用受制于接入带宽和成本的限制，需要对上传数据中心的流量进行聚合和预处理，这种在设备上处理数据和分析的方式被业界称为边缘计算。边缘计算负责从各种设备中经由多种的协议转换提取所需的数据和功能，实时处理或者上传到云平台。在提供传输能力的同时，位于边缘计算层的网关还负责提供数据过滤、数据清理、数据聚合、数据监控等功能。
边缘计算在消费者和工业物联网用例中都能提供切实的价值。它只能通过发送重要信息而不是原始传感器数据流来帮助降低连接成本，这对通过LTE /蜂窝电话(如智能电表或资产跟踪器)进行连接的设备来说尤为重要。此外，在处理工业设施中的传感器产生的大数据时，在发送数据之前分析和过滤功能将大大节省网络和计算资源。边缘计算有助于降低关键应用的延迟、降低对云的依赖，能够更好地管理物联网生成的大量数据。通过在设备中保存敏感数据，边缘计算也有助于通过匿名化、分析和保留数据源而不是向云端发送可识别信息来保护用户隐私。
机器学习对于IoT应用程序的激增是增加边缘计算能力的强大驱动力。设备不仅需要快速运行复杂的深度学习网络，而且由于许多IoT设备通过电池供电，所以需要这种方式来降低能耗。对于依赖机器学习的任务，如对象检测、人脸识别、语言处理和障碍物回避等，这促进了异构计算架构的产生，将多种引擎如CPU、GPU、DSP集成到IoT设备中，从而将不同的工作负载分配给最有效的计算引擎，从而提高性能并降低能耗。实际上，在CPU上运行相同的工作负载时，DSP的能耗降低了25倍，性能提高了8倍。
在边缘计算中，计算能力是分散的，无限接近传感器、设备，设备的数据来自网络边缘，并且在网络边缘完成数据的分析和处理工作，而不是在集中式服务器或云端，边缘计算在物联网应用中带来了新的可能。
边缘计算有如下的几大作用：
一、业务实时性。
在对实时性要求较高的领域，比如生产控制领域，业务控制时延必须小于10毫秒甚至更低；在自动驾驶领域，控制时延也必须在几个毫秒之内。如果将控制放在云端将根本无法满足上述时延要求，所以需要把部分分析和控制功能放在网络边缘，以满足业务实时性的需要。
二、数据适配和聚合性。
当前，传感侧存在大量的专有通信技术和协议，这种多样性和异构性不但存在于特定行业内，更存在于不同行业间。“七国八制”的现状和异构性极大地增加了现场的数据集成难度和成本，所以需要在网络边缘对传感侧协议和标准进行适配、统一。据IDC统计，未来79%的物联网流量将通过网关接入，如果这些流量都送到数据中心处理，将导致数据中心计算、存储和广域带宽成本急剧增加。另外，并非所有的数据都有价值，比如温度异常监测，其实并不需要把所有采集的温度信息上传，只需将异常数据上传就可达到目的；又如人脸视频识别场景，并不需要将所有人脸图像数据上传到数据中心，而只需提供人脸图像特征值。因此，网络边缘的协议适配和数据预分析聚合就显得尤为重要。
本文由安徽海鸿计算机技术有限公司原创，转载时请注名嵌入式开发网址：http://www.haihongiot.com/