边缘运算为发挥IoT实时分析潜力的关键

急救医学领域有黄金时间(Golden hour)概念，即患者在受重伤后若获及时治疗，对其最终生存很重要。一旦错过时机，后续治疗效果会很有限。而物联网(IoT)和实时分析也适用相同原则。

据Sensors Magazine报导，最新估计显示，到2020年连网设备的数量将成长到200亿~500亿个。IoT在家庭和工业领域都将有大幅成长。但IoT系统和平台大多使用云端分析，而会增加在设备上采取行动的时间。

这种时间延迟若发生在住宅内，可能会导致灾难性后果；而在工业环境中若无法立即检测及采取行动，则将影响安全、安保和机器故障。若利用云端方案，将无法够快地提供数据，让IoT得以有效用于任务关键型应用。此问题除已成为重大问题，且会随IoT部署规模扩大而加剧。

为支持大量IoT设备从根本上缩短决策和行动时间，分析需尽可能靠近设备边缘。边缘分析则能透过在事件发生时提供实时可操作的见解来解决此问题。传统大数据方法非常适合批次导向(batch-oriented)分析，但不适用于IoT所需的交互式实时分析。

有了大型机器、引擎或网络中百万台较小设备产生的大量数据，就不可能在大规模地探勘数据同时仍能做出实时决定。流经这些网络的数据既庞大又快速，因此需要主动分析框架来实时确定问题并采取行动。

企业若需要实时决策、行动和见解，就需要支持边缘分析、云端分析、实时和历史混合的架构。此原则适用于智能工厂、智慧城市、智能家庭等环境。

IoT产业开始意识到，从大量IoT设备中提供这些见解的最佳方式之一，就是在设备本身的网络真实边缘尽可能进行更多分析。这种架构使设备真正具智能性，可在数据流入设备时分析、检测和处理数据。

将原始数据上传到云端，加以分析并将行动传回设备的传统方法，会导致有碍于操作的时间延迟。但若在边缘执行分析和模式检测，则能在需要立即采取行动的情况下实现几乎实时的响应，例如提醒用户设备或网络遭受攻击，或关闭显示危险行为的引擎。

简言之，数据移动到分析引擎的时间越长，可能产生有害影响的异常就越可能被忽略。透过使用边缘分析、机器和智能传感器，就能利用云端聚合非关键数据，并将其与来自设备的数据实时结合，以检测异常情况和性能问题。

部署此模型的边缘分析平台为开发人员提供连接设备的轻松方法，使其能动态地将分析脚本部署到边缘，并协调云端和边缘之间的分布式分析。这使企业能藉异常检测和实时、可操作的见解，实现IoT实时分析的全部潜力，并透过增加运算能力和实时智能的定制分析方案，而能利用整个IIoT领域的宝贵市场机会。展望未来，这也为机器学习和人工智能(AI)舖平道路。

人们现在生活在万物连网的世界里，市场的整体动态正在发生变化，营运商、制造商、公用事业公司和医疗保健供应商都在考虑如何集成IoT，好以最高效、有利的方式来提供其服务。唯一办法就是实时监控、分析IoT正在创建的大量数据，并根据所得见解进行相应操作。

企业市场需要找到适合其期望的IoT方案。企业若能管理大量数据处理、监控、诊断和服务管理，就能充分利用IoT的部署，但这一切都始于网络的真实边缘。企业若能承认这一点，则其关键数据不仅会保持活力，还会蓬勃发展。

关注DIGITIMES，产业资讯一手掌握