邊緣運算,減少資料往返的速度與網路上傳資料量的負荷
邊緣運算(英語:Edge computing),又譯為邊緣計算,是一種分散式運算的架構,將應用程式、數據資料與服務的運算,由網路中心節點,移往網路邏輯上的邊緣節點來處理。邊緣運算將原本完全由中心節點處理大型服務加以分解,切割成更小與更容易管理的部份,分散到邊緣節點去處理。邊緣節點更接近於用戶終端裝置,可以加快資料的處理與傳送速度,減少延遲。在這種架構下,資料的分析與知識的產生,更接近於數據資料的來源,因此更適合處理大數據。 資料來源:維基百科
對於晶片的尺寸要求越來越小,但是對於網路上要求的解析度卻越來越大,相對的所要承載的數據也跟著越來越龐大,更隨著4K影像、3d、VR遊戲等等,需要耗費大量的數據頻寬。除了邊緣運算簡而言之,就是為了要讓這些大量的數據,跟上使用者的速度(低延遲需求),所以在前端先透過邊緣運算的技術進行極致的量化然後呈現出最終結果,減少網路頻寬使用和延遲,縮短回應時間,加速結果顯示給使用者。因此,也可以說邊緣運算是加速互聯網回應的主要關鍵。
邊緣運算的市場價值市場研究公司Trend Force預測從2018年到2022年,全球的邊緣運算市場的複合成長率將超過30%,市場調查Grand View Research分析邊緣運算的市場價值到2025年可能會超過32.4億美元。邊緣運算為何帶來如此大商機?邊緣運算簡單來說是一種就近運算的概念,在靠進資料源的本地端進行運算,然後再分批對應丟資料,減少資料往返的速度與網路上傳資料量的負荷。而隨著IOT與AI發展,邊緣運算非常適合用來部署IOT應用架構,例如機械手臂、自駕車、AR等應用,對於這些應用發展特別會強調即時的影像分析及辨識處理的能力,所以傳輸辨識結果必須要在數十毫秒甚至是微秒時間內就能回應至裝置。然而透過網際網路傳輸往返,而僅依靠雲端運算目前還無法達成快速回應大量的資料量,所以邊緣運算也就強勢過於雲端運算了。由於邊緣運算被看好,連主要雲端大廠AMAZON也開始發布非雲端產品,例如:GREENGRASS、SNOWBALL EDGE等。
雲端處理層 / 大數據處理 / 商業邏輯運算 / 數據倉庫
霧運算處理層 / 局部分析歸類 / 控制反應 / 虛擬化 / 標準化
邊緣物聯網 / 局部分析歸類 / 控制反應 / 虛擬化 / 標準化
邊緣運算端 / 巨大量實時數據處理 / 來源 / 本地數據可視化 / 工業電腦 / 嵌入式系統 / 閘道器 / 微數據存儲
傳感器和控制器(數據來源)
邊緣運算可以是一台大型運算設備,或者是小型運算裝置、手機裝置所組成本地端網路內運算設備,由於裝置與裝置靠得很近,透過藍芽、WIFI或LORA等傳輸方式就會變很快。邊緣運算是一種本地端運算的作業系統,跟雲端運算比較起來就會將邊緣運算比喻成地面上的雲。在搜集和處理數據時,資訊安全是很重要的課題,由於邊緣運算是採用本地處理所以也恰恰提供了另一層級的防護作用。
工業4.0中的邊緣運算,於物聯網系統中比過去所常談的分散式架構要複雜許多。隨著各式工業製造系統越來越精密,對於即時檢測結果的要求越來越高,因此從底層運算一直到上層傳輸,所耗費的電力和整合能力的難度更高。對於物聯網可以分成兩大類,一種是穩態訊號,是利用感測器蒐集機器物理式數據訊號,將訊號擷取分析、分類後顯示於監測系統或人機界面,處理方式較為單純。另一種屬動態訊號,將感測器蒐集而來的機台物理量訊號、動態訊號等巨大量數據,經由多重加工運算後,再轉化成使用者需要看到的資訊。透過加工運算傳輸動態訊號組合而成邊緣物聯網,相較於一般物聯網,其運算加工方面更為複雜,並不是只是單單對接訊號數據、過濾訊號而已。
對於市面上幫助產線檢測製程的系統中,大多採用AOI視覺檢測,但這已經讓不良品產生,花費和錯誤也已經產生,屬於『被動』檢測方式。若我們能夠更進一步『主動』在不良品產生前就先提早預防阻止,才更能有效幫助產線提升產能,避免廢料。而邊緣物聯網的幫助,除了在產線上能夠及時檢測不良品外,還能夠對於各式製程動作中,提早檢知異常,更早一步攔截不良品的產生。
從過去工業製造中的少樣多量到現在的少量多樣,在在考驗人員技能與設備通能,為了讓良率在少量製程中也能夠保持一定的穩定度,近年來的AI導入,大大幫助了產線效能優化提升。而藉由邊緣運算讓系統建立各種模型,並透過機器學習AI演算自主學習,有效幫助產線智能化。
固德推出的線上監測、感測系統,皆是利用邊緣運算,讓數據傳輸更快、更安全,有效解決科技廠或設備廠設備振動量測的相關問題。
邊緣運算的興起為IOT物聯網和AI人工智慧完美的搭建起智慧製造的新橋樑