夢幻組合：物聯網和邊緣計算
物聯網(IOT)裝置的普及是邊緣計算的最大驅動力；反過來，邊緣技術正在物聯網框架內建立新的應用程式。
為了使物聯網工作，需要許多不同的感測器和微處理器，它們整合在物聯網裝置中，隨時隨地生成的大量資訊，而這些資訊必須儘可能實時地進行處理。
然而，對於傳統的網路架構，這將變得越來越困難，因為資料必須遠端傳輸到中央資料中心。僅此一點就會產生一定延遲，此外，資料中心還面臨著越來越多的資料處理負擔，因為資訊的增長速度超過了其容量。並且在處理後，必須將處理結果傳輸到物聯網裝置，這將花費更多時間。
此外，物聯網移動裝置通常無法在任何地方(例如無人機或無人車輛)進行高效能的無線通訊，這將導致進一步的延遲甚至停機，因此，不可能對新的要求作出快速反應。
邊緣計算應用案例
自動駕駛汽車就是一個很好例子：在道路上行駛，不專心的行人走到車前，雖然自動駕駛汽車的內建攝像頭可以識別此人，但必須先將影象傳送到中央資料中心進行處理，然後再將制動控制傳輸到汽車上。在這種情況下，反應有點太遲了。
因此，汽車行業正在將處理器安裝在車輛中，這些車輛可以立即處理攝像機影象並實時應對意外危險。這就是邊緣計算，它包括在資料出現的位置或附近對資料進行處理——聯網汽車，每輛自動駕駛汽車現在每天都可以產生和使用數TB的資料資訊。
當然，這種分散資料處理的優點也已被各種其他行業所認可，例如，在製造業中，網路裝置生成的資料也必須儘快處理，這樣，機器就可以立即適應新的生產要求，或者檢測出故障部件並進行前瞻性維修。
此外，透過網路將此物聯網產生的資料傳送到中央資料中心或雲端可能非常耗時，從而導致延遲甚至資料丟失。相比之下，邊緣計算允許實時處理和分析所有資料，從而提高一致性和響應時間。根據Gartner的報告，由於這些優勢，到2022年，在集中式資料中心或雲系統之外建立和處理資料的比例預計將從目前的10%增長到50%。
資料中心拓展
但是，邊緣計算很少是一個獨立的解決方案，通常用作資料中心的擴充套件。雖然該技術非常適合快速資料處理，但它儲存的資料並不多，因此無法識別長期趨勢或執行全面分析。
因此，資料在邊緣進行處理、彙總和壓縮，然後定期收集並傳輸到中央資料中心。這會記錄和儲存資訊，然後作為大資料分析的一部分對其進行評估，這可用於優化流程或開發新的解決方案。
一個具體應用例項是警察的執法記錄儀。在這裡，記錄儀上行動式微型計算機或攝像頭本身可以壓縮和編碼捕獲的視訊，然後將它們傳送到本地邊緣中心，以加速上載過程並減輕中央網路的負載。
零售服務點(pos)機器也可以從這一過程中受益，例如，將客戶的購物資料傳送到執行必要檢查和交易的邊緣計算機，這不僅加快了這個過程，它還消除了通過網路傳送敏感資訊的可能性，並減少了使其遭受攻擊的可能性。
安全
邊緣計算不會比傳統架構更安全，因此，企業還需要針對此方法執行風險分析並設計整體安全體系結構。
一方面，邊緣計算可以提高資料來源和去向的透明度，從而簡化安全管理。在中央資料中心或雲系統的情況下，對於資源不足的企業來說，高流量可能難以監控，而網路罪犯分子也可以利用這一點來祕密攔截資料。因此，邊緣計算通常可以更好地控制這些連線及其安全性。
另一方面，更多數量的感測器也增加了攻擊面，所以需要保護更多連線點。因此，企業需要更嚴格的修補程式管理，它可以快速複製並傳輸到收集和傳送資料的各種感測器。如果感測器沒有適當的安全保護，黑客可能會攻擊它們並嚴重破壞物聯網系統，例如在連網汽車上遠端操縱剎車。同時，黑客可以通過未修補的漏洞入侵企業網路，或將物聯網裝置合併到殭屍網路中以執行DDoS攻擊。
這意味著，只有採取全面的安全措施，企業才能從物聯網和邊緣計算中獲益。此外，安全的邊緣解決方案還允許新的物聯網應用程式在現場處理更多資料，並能更快地響應新的複雜要求。在不久的將來，會出現真正智慧的機器人、無人機、機器和汽車;也許有一天，還會出現完全自主學習的物聯網邊緣系統。