究竟是什么是云计算？其实这个概念并没有大家想的那么复杂。小型机运算能力很弱，CPU也很弱，内存也很小，硬盘也很小，很多运算都无法独立完成，所以很多企业包括学校就会在机房里就可以放一些配置很强大的服务器。这其实就是一种，把计算资源汇聚集中起来的一种方式，然后在这个机房的基础上，建立更大的机房，于是就有了DATA center，也就是数据中心。在这里面会存放更大量、更强劲的计算机，然后根据需要进行合理的分配，就是云计算。所以云计算其实就是一种资源分配的方式。
云计算就是把所有的计算资源、存储资源和网络资源汇集在一个资源池里面，通过这个资源池提供给不同的用户去使用。根据资源不同的等级，云计算分成了SaaS、PaaS、IaaS等方向。例如基础设施即服务，就是IaaS。包括CPU、内存、网络资源、网络带宽资源、存储资源等等都是基础设施。然后我们在这个级别之上安装操作系统，它就变成了一个平台，这个就是PaaS。再往上，在操作系统上装一些软件提供服务，对于PC来说叫软件，对于云计算来说，我们提供这种服务的方式就是软件即服务，SaaS。
所以，从大型机到PC机再到云计算，就是一种计算方式的演进。出现云计算的一个根本前提条件就是必须要有非常强劲的基础设施，就是网络必须要非常畅通。因为以前没有发达的网络。最开始是通过局域网建机房，后来有了互联网，我们才能够把资源移动到云计算中心，这样通路足够宽大才能保证云计算推进，所以在2000年以后才有了云计算。
但是2000年以后，在云计算使用过程中会发现一些致命的缺陷，这种缺陷就是无论通过什么技术手段研发改进，都没办法解决它的局限性：1、数据的重量，2、光的速度。数据为什么会有重量？实际上数据是有重量的。我们现在看到电脑里面存着1 Byte或者1GB，这样的数据对我们来说，它是虚拟的，就是010101，但它本身是有重量的。因为它在存储的过程中会占用存储资源，计算的时候会占用CPU资源，传输的过程中又会占用网络传输的带宽，实际上数据就是有这样的重量。
根据IDC的报告指出，到2020年整个世界上将有超过500亿的终端和设备需要联网，联网就会产生数据。据预测到2020年，每一个互联网用户每天将要访问的数据是1.5GB，按照现在的经验来看远远不止这个数据。但是个人用户实际上是整个网络里面产生数据最小的，每一个智能医院每天产生的数据是3TB，每一辆自动驾驶的汽车每天产生的数据比医院还多，是4TB，联网飞机和智能工厂更多，达到了40TB以及1PB，1PB就是1024TB。
前段时间有一个新闻，在公布了黑洞的照片之后，当时负责做照片的一位麻省理工的博士秀了一张照片，可以看到她桌面上摆了很多台硬盘，也就说她为了绘制这张照片收集了大量的数据，这个数据的量已经远远超过了一台普通电脑能存储的量。
目前来看，所有行业里面产生数据量最大的一个是天体，即跟天文学相关的行业，另一个就是高能物理。大型对撞机产生的数据非常可观，可能几秒钟就能产生几TB的数据，几分钟就是几PB的数据。如上图照片中的工程师，她这个数据就没有通过网络传输，她用了快递。实际上当数据量足够大的时候，光靠网络不可能支撑，可能用快递的速度比用网络传输还更快，这个其实就是数据的重量。
另外一个物理极限就是光速。数据传输是用电磁波传输，再快也快不过光。当数据从南京到北京的时候，就算用尽技术上的极限，都不可能让这个数据传的比光更快，就会产生一个时延。现在有一些工业上的应用需要很低的时延，比如车联网。这种时候如果数据中心在北京，需要运行相关的服务，数据一来一回时间就耗掉了，可能无法满足应用需求了。
正因为数据的重量的问题和光速产生的时延问题导致云计算不能够满足现在很多行业应用的需求，所以我们就想到一个办法，提出了边缘计算这样一个概念。
这是一个章鱼，章鱼跟普通动物有一个很大的区别是什么？就是它40%的神经元是在头上，60%的神经元是在脚上。神经元其实就是一个计算的能力，思考的能力，就是它的触角能够进行思考。那么，如果我们把一部分的计算能力以及处理能力从云计算中心下沉到底层，会带来什么样的后果呢。
上图左边就是传统的云计算架构，右边是边缘计算架构。边缘计算架构实际上就是把云计算里面计算的一部分功能下沉到离用户更近的位置，它可以带来两个好处。第一，就是它可以大幅减少上一层传输的数据量。就像从南京寄到上海的快递包裹，没有必要每次都送到北京的总部，我们可以送到江苏省的集散中心，再送到上海。这样减少了北京的压力。另外一个优势就是时延。如果在离用户更近的地方有云计算中心，就可以把像车联网的一些反馈数据进行快速的运算，运算完之后再往下沉，直接反馈给底下另外的用户。这样的话就解决了，云计算两个致命问题，数据量和时延的问题。边缘计算的提出，更重要是为了应对时延的问题。
上图是一个案例，就是云计算的部署位置。最左边的AAU就是5G的基站，然后产生的数据会传到接入机房，再经过城域网的接入层到更上一层机房，这样一层一层的往上放。边缘计算就是把边缘计算中心这样本质上还是计算中心的位置，从最右边核心机房移动到离基站也就是离用户更近的地方。通过这样的移动，就是云延伸到离用户更近的地方。
把边缘计算中心设置在离用户更近的地方直接的好处就是很多计算的功能减少了数据来回的周长，不需要从端到端了。
那么以前为什么要做云计算呢？是因为本地电脑的运算能力不够，所以要把资源进行汇聚然后上传到更上一层去处理。但是现在随着摩尔定律的发展，我们电脑的CPU算力很强，内存也越来越大。既然资源够了，为什么还要上传？为什么就不能在离得更近的地方，甚至本地、本机、本端上去进行运算？
这张图是英特尔的，非常恰当的反映了云计算和分布式计算的区别。边缘计算实际上就属于分布式计算。云计算就是左上角，通过云对所有的数据进行存储、计算、分析，最终产生价值，这就是云计算的目的。但是边缘计算性质不一样，是从云到边缘，我们甚至可以把它理解为我们的网络的每一个位置，然后再到物上，每一个节点都进行存储、计算和分析。以前物不具备能力，边缘也不具备能力，现在有能力了就不需要全传到云，把运算能力分布给不同的层级。
现在的边缘计算还没有到物上，但实际以后的发展趋势，很可能就是很多运算直接在物本身去完成了。这里举个例子，华为在深圳的很多路口安装了自己研发的摄像头，这个摄像头内置了AI的CPU。在监控整个路口的红绿灯以及车流的情况下，可能通过自己的AI芯片对采集到的数据进行分析，直接下达指令，让车以更高效率的方式去移动，提升这个路口的通行效率。这就是一种典型的由本地自己去完成的运算。
实际上区块链的话也是一种典型的分布式计算。大家会发现，交给中央集中式计算在安全性上可能还不如分布式计算来得高。远在天边，近在眼前，那计算的未来到底是放在天边好，还是放在眼前好，就引发了大家对计算未来的思考。
接下来根据实际的情况来介绍一下边缘计算的架构。上图是5G网络的边缘计算典型架构。5G网络包括接入网、承载网、核心网。接入网就是基站，就是怎样把信号接进来。承载网，就是把这个数据逐级往上发。4G里核心网就是最顶层负责计算的，整个路由管理、位置移动性管理的网源。
在边缘计算来看，会出现很多IDC。以前IDC必须放在规格很高的机房里，就是核心网机房。在省会城市或大城市那种保卫很严密、各方面安全级别很高的机房。但是现在把计算的服务器往下放，放到了离用户很近的位置。但是传统服务器对温度对环境的要求比较高，不太可能放在离用户比较近的位置。现在很多边缘计算厂商比如浪潮、华为、中兴等等，他们开发很多定制化的硬件，来专门给特殊环境使用。
除了这些还有更极端的情况，就是会直接在基站的某些硬件设备上插一些专有硬件的板卡，用它来实现计算能力。但是这种板卡体积比较小，CPU的算力就比较弱，它适合对计算能力要求不高的边缘计算的场景。其实边缘计算并不是5G的专属，我们所使用的固网宽带相关的设备上也可以放一些跟边缘计算有关的硬件设备，然后实现边缘计算。
这张图就是一个边缘计算大概的架构。左上角是5G的核心网，核心网会跟接入网底下的UE把UPF通过一些管理接入到边缘计算中心，就是现在通常所说5G里面的用户面下沉。底下就是固网。也是通过用户面的相关接口把数据导入到边缘计算节点。边缘计算节点的架构实际上就是一个云计算的架构。下面是基础设施，往上是硬件，再往上是操作系统，或者是虚拟化平台，我们甚至可以通过一些容器化的平台提供一些容器化的架构。
在这个框架的基础上，再去安装相应的服务和进程。然后通过这些程序再提供一些功能，再对接到上一层的应用。比如车联网、内容分发网络、AR/VR、视频监控等等。大家会根据边缘计算的应用去开发自己的APP给用户使用，从中赚取收益，成为能力开放的架构。
需要说明的是，边缘计算跟云计算一样，强调“生态”的概念，它会把自己的相关的东西开放出来给所有人用，做成上下游的产业链，一个对第三方开放的平台。边缘计算所提供的一些能力也是开放的，任何一家公司可以通过它开放的公共接口去开发自己的APP，以后可能就跟我们手机上会有应用商店一样，边缘计算的话也会有边计算的应用商店。
边缘计算到底能做什么？边缘计算解决了数据量和时延的问题，所以跟这两方面有关的很多的应用都是边缘计算的应用领域。比如室内的定位，还有无线网络信息服务，还有视频优化、AR/VR等等大数据量的处理。还有车联网、智能制造等等。
工业领域对时延的要求很高。工业互联网里面的很多机器人以及园区的监控等等对时延很敏感。车联网方面，在我们看来都是瞬间的时延可能造成的危害就是车向前开了几米，然后发生事故，也就是说跟人身安全相关。
这张图是工业互联网的架构图。工业互联网是IT、CT和OT全面演进的结果。IT就是信息化，CT就是通讯，OT就是跟工业维护相关的像设备、传感器、仪器仪表等制造类的东西。图左边就是云计算，是在顶层互联网上。边缘计算可能就会放在车间里，或者放到工厂的某个位置，就等于说是把这个计算能力下沉。
关于边缘计算还有一个案例是关于定位的。定位也是一个对时延要求比较高、数据量也不少的应用，所以它也是边缘计算的一个强项。像NB-LoT、eMTC这样的网络都可以支持边缘计算，然后通过专用的物联网，在边缘计算的服务器上面跑一些开发商开发的应用，就可以实现像室内导航、停车管理、井盖定位这样的一些功能。
提到边缘计算的时候都会提到“云网融合”。这个词其实是边缘计算的本质。云其实就是IT，网就是通信，边缘计算是IT和CT进行融合的一个结果，二者缺一不可。MEC既具备云的特点，同时本身又是网的一个组成部分，它是云和网共同融合的产物。如果想要边缘计算正常工作，肯定是离不开云和网的共同协作。
虽然说表面上看是云和网共同合作产生的MEC，但是本质上来说，云和网对边缘计算都有利益关系。像传统的联想、戴尔、英特尔、浪潮这样典型的IT公司对这个非常感兴趣，因为他们传统做云计算的，突然间发现有一个新的蓝海，毕竟名字包含计算跟自己也有关联，所以会来抢这块蛋糕。但是传统的通信厂商也会来抢这个蛋糕。边缘计算边缘在网络地带。像华为和中兴这样的公司也会说这个是我的蛋糕。所以大家都觉得自己有责任，也觉得跟自己流程相关，就想去抢占这样的份额。这就是为什么边缘计算在IT和通信都很吃香的原因。
除了云网融合之外，还有一个需要记住的词是“云边协同”。常有人问边缘计算和云计算之间到底什么关系？它们之间其实是有连接的，它们是协同关系。它们会有一个像SDN那种软件定义网络，对整个边缘计算和公有云、私有云进行协同。上图有提到物流的协同、安全的协同、数据的协同、资源的协同…两者之间有很多协同的关系，它们是通过共同的协同来实现边缘服务、部署、弹性伸缩等等相关的管理。
现在边缘计算处于一个风口的阶段，但是大家肯定会发现，其实边缘计算能做的事情并没有想象的那么多。边缘计算现在还在发展，可能从最开始的一提出来大家纷纷关注到逐渐恢复常态，然后再慢慢的进入上升态。确实有趋势显示，边缘计算会有一个很好的未来。有研究机构表示，未来的计算中40%由边缘计算来完成，有60%由云计算来完成，即是说边缘计算和云计算之间是一个相互补充的关系。
从云边缘计算本身来说，现在还处于一个培育期。现在我们看得到的边缘计算的所有的试点要么是政府牵头，要么是各个运营商的试点，目前为止还很少有纯商用的。这种试点特定业务的少量节点部署的边缘计算实际上根本不能体现出边缘计算本身的问题，很多问题都没有办法暴露出来。如果将来把边缘计算做成了海量节点全网部署，可以通用业务的，而且跨厂商还可以互相操作的大型的网络，它到底还能不能胜任这样的工作其实还是要打一个问号的。
另外，传统的4G、5G都是由相关的标准组织，先把标准定下来以后再去推动它的发展。边缘计算不一样，它只有一个简单的标准，也不太依赖于这样的标准。它毕竟是依托于云计算的架构，有很大的自由性，是由业务来驱动。大家可以根据需要先建上，再开始使用，再在用的过程中慢慢修订。
所以现在边缘计算就属于这样一种状态：大家都很关心，很火热，但是慢慢的发现好像并不如想象中的强，接着回归冷静再慢慢地进入一个长期的孵化状态。这就是整个边缘计算现在的进展状态。在很多公开场合，运营商以及IT厂商、设备商都会说，边缘计算我们现在在观望，我们看好它，但是我们不会去炒作它。
参考 ： https://baijiahao.baidu.com/s?id=1638159190655771728&wfr=spider&for=pc
个人理解：
边缘计算的概念
边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，在“端—云” 通道中断时，仍能在边缘侧完成预设的自主数据处理和控制逻辑，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。
- 位置：靠近采集端或数据源、就近提供服务
- 延时：最低延时，更快相应
- 不依附云通道中断：中断后，仍可完成自主数据处理和控制，要依附预设逻辑
- 即使有边缘计算，源数据依旧要传送到云端，并可访问历史数据，也就是说源数据不丢失
有了云计算，为什么还要进行边缘计算
很多行业对实时性、可靠性与安全性等有严格要求，受限于接入带宽和流量以及成本、能耗等条件的限制，所以对数据应该进行合理的处理，特别是进行预处理，以便能够进行“物尽其用”，避免资源的浪费，是非常重要的因素；在靠近多种数据源头的网络边缘进行数据的整合与处理，引入不同层次的智能处理算法，提供边缘智能服务，是目前乃至未来智能化发展的必然趋势，而将所有数据都传输到远方的控制中心进行处理，将极大加重控制中心的负荷，既不经济、也不现实。
边缘计算可以满足敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的需求；
再考虑到通信链路中断时中心系统无法进行控制，尽可能将智能处理能力下沉到本地就理所应当了。
- 物尽其用，对数据进行合理的加工，使数据更具有分析粘合度
- 可以采用不同层次的处理算法，智能化发展
- 工作量、负荷分布式分散，提高效率，经济型也较高；
- 杜绝大马拉小车现象
- 1：N。n是海量的IO数据，容易引起负载的不均衡。
-
如何配置云计算？
- 对众多数据源采集后整合转发，及本地智慧联动，上传数据简单、可靠；（数据整合及联动）
- 现场监控数据，对数进行预处理及数据清洗及深度分析（清洗数据，分析数据）也可理解为数据过滤；多点同数据分析；
- 合理分工，在通道不畅或受限的情况下，使运行更稳定、可靠；（死区）
-
主要特点
- 物联网下的泛在概念概念，海量的IO设备和数据，规模大；
- 杜绝大马拉小车的现象
- 协议扩展与适配，从电力协议延伸到各种行业应用协议，包含物联网协议，复杂多变，传统的RTU方案已经得不到满足
- 边缘计算应用到嵌入式设备上，购置成本低，功耗低，用户负担低；可用于机房散热的举例；
- 可靠性高，嵌入式适合无风扇设计，适合恶略场所，适应性高，安全，运行寿命昌
- 部署简单，门槛低，数量高，认为成本降低
- 要支持施工和维护的极简化，可联网维护、下装、升级；
-
主要功能
- 使用自有采集功能模块实现IO数据采集
- 可级联
- 必须具备网络通信，必须支持无线通讯
- 视频推拉流支持
- 多协议库，可进行协议转换
- 可支持二次开发
- 支持远程维护，更新工程，更新固件，系统
- 可支持梯形图，C，java，python表达式计算
- 成本低
- 功耗低
- 无风扇设计，可靠性高
- 可接显示屏，做一体机