作為一種無孔不入的力量，一項技術(shù)的演變往往是一個耗時的過程。但邊緣計算不同——它的影響半徑正以指數(shù)級的速度增長。AI是邊緣發(fā)揮關(guān)鍵作用的領(lǐng)域，從 Kneron、IBM、Synaptic、Run:ai 等公司如何投資該技術(shù)就可以看出這一點。

在太空技術(shù)或醫(yī)療保健等其他行業(yè)，包括Fortifyedge和Sidus Space在內(nèi)的公司都在為邊緣計算做大規(guī)劃。

有關(guān)應(yīng)用程序性能和安全性的技術(shù)進步和問題

然而，這種近乎無處不在的存在勢必會引發(fā)有關(guān)應(yīng)用程序性能和安全性的問題。邊緣計算也不例外，近年來，它在容納新工具方面變得更加包容。

根據(jù)我作為初創(chuàng)公司新興技術(shù)負責人的經(jīng)驗，我發(fā)現(xiàn)在采用邊緣計算之前了解邊緣計算的發(fā)展方向是勢在必行的。在我之前為 ReadWrtie 撰寫的文章中，我討論了邊緣計算的主要推動因素。在本文中，我的重點是最近的技術(shù)發(fā)展，這些發(fā)展試圖解決緊迫的工業(yè)問題并塑造未來。

WebAssembly將成為JavaScript庫的更好替代品

基于 JavaScript 的 AI/ML 庫在基于 Web 的應(yīng)用程序中很流行且成熟。驅(qū)動力是通過運行邊緣分析來提高交付個性化內(nèi)容的效率。但它有限制，并且不像沙箱那樣提供安全性。VM 模塊不保證安全的沙盒執(zhí)行。此外，對于基于容器的應(yīng)用程序，啟動延遲是主要限制因素。

WebAssembly 作為邊緣應(yīng)用程序開發(fā)的替代方案正在迅速崛起。它是可移植的，并通過沙箱運行時環(huán)境提供安全性。作為一個加號，它允許容器比冷(慢)啟動容器更快地啟動。

企業(yè)可以利用基于 WebAssembly 的代碼在瀏覽器中運行 AI/ML 推理以及通過 CDN PoP 運行程序邏輯。它在各個行業(yè)的滲透率顯著增長，研究通過分析來自源代碼存儲庫、包管理器和實時網(wǎng)站等多個來源的二進制文件來支持它。識別面部表情和處理圖像或視頻以提高操作效率的用例將從 WebAssembly 中獲益更多。

TinyML確保更好地優(yōu)化邊緣AI

邊緣 AI 是指在邊緣部署 AI/ML 應(yīng)用程序。然而，大多數(shù)邊緣設(shè)備在計算、存儲和網(wǎng)絡(luò)帶寬方面不如云或服務(wù)器機器資源豐富。

TinyML 是在資源受限設(shè)備上使用 AI/ML。它驅(qū)動設(shè)備邊緣的邊緣 AI 實現(xiàn)。在 TinyML 下，可能的優(yōu)化途徑是優(yōu)化 AI/ML 模型和優(yōu)化 AI/ML 框架，而為此，ARM 架構(gòu)是一個完美的選擇。

它是一種廣泛接受的邊緣設(shè)備架構(gòu)。研究表明，對于 AI/ML 推理等工作負載，與 x86 相比，ARM 架構(gòu)的性能性價比更高。

對于模型優(yōu)化，開發(fā)人員使用模型修剪、模型收縮或參數(shù)量化。

但 TinyML 在模型部署、維護不同模型版本、應(yīng)用程序可觀察性、監(jiān)控等方面存在一些界限。這些操作挑戰(zhàn)統(tǒng)稱為 TinyMLOP。隨著 TinyML 的日益普及，產(chǎn)品工程師將更傾向于 TinyMLOP 解決方案提供平臺。

為多個CSP取消架構(gòu)塊的編排

云服務(wù)提供商(CSP)現(xiàn)在提供更靠近網(wǎng)絡(luò)邊緣的資源，提供不同的好處。這給喜歡與多個 CSP 合作的企業(yè)帶來了一些架構(gòu)挑戰(zhàn)。完美的解決方案需要根據(jù)實時網(wǎng)絡(luò)流量、延遲需求和其他參數(shù)優(yōu)化放置邊緣工作負載。

對以最佳方式管理分布式邊緣工作負載的編排和執(zhí)行的服務(wù)的需求量很大。但他們必須確保最佳的資源管理和服務(wù)水平協(xié)議 (SLA)。

Kubernetes、 Docker Swarm 等編排工具現(xiàn)在對管理基于容器的工作負載或服務(wù)有很高的需求。當應(yīng)用程序在網(wǎng)絡(luò)規(guī)模上運行時，這些工具可以很好地工作。但在邊緣計算的情況下，我們有資源限制，這些編排工具的控制平面完全不合適，因為它們消耗大量資源。

K3S和KubeEdge等項目致力于改進和調(diào)整 Kubernetes 以實現(xiàn)特定于邊緣的實現(xiàn)。根據(jù)這份測試報告，KubeEdge 聲稱可以擴展到 10 萬個并發(fā)邊緣節(jié)點。這些工具將進行進一步的改進和優(yōu)化，以滿足邊緣計算的要求。

聯(lián)邦學習激活節(jié)點學習并減少數(shù)據(jù)泄露

聯(lián)邦學習是一種分布式機器學習 (ML) 方法，其中模型是在終端設(shè)備、組織或個人等數(shù)據(jù)源上單獨構(gòu)建的。

在邊緣計算方面，聯(lián)邦機器學習技術(shù)很有可能會流行起來，因為它可以有效地解決與分布式數(shù)據(jù)源、高數(shù)據(jù)量和數(shù)據(jù)隱私約束相關(guān)的問題。

使用這種方法，開發(fā)人員不必將學習數(shù)據(jù)傳輸?shù)街醒敕?wù)器。相反，多個分布式邊緣節(jié)點可以一起學習共享機器學習模型。

與使用差異隱私技術(shù)以及聯(lián)邦學習相關(guān)的研究提案也得到了很大的支持。他們承諾在未來加強數(shù)據(jù)隱私。

零信任架構(gòu)擁有更好的安全承諾

傳統(tǒng)的基于邊界的安全方法不適用于邊緣計算。由于邊緣計算的分布式特性，沒有明顯的邊界。

但是，零信任架構(gòu)是一種網(wǎng)絡(luò)安全策略，它在訪問資源時不假定信任。零信任的原則是“從不信任，始終驗證”。每個請求都應(yīng)該經(jīng)過身份驗證、授權(quán)和持續(xù)驗證。

如果我們考慮邊緣計算的分布式特性，它很可能有更廣泛的攻擊面。零信任安全模型可能是保護邊緣資源、工作負載以及與邊緣交互的集中式云的最佳選擇。

綜上所述

IoT、Metaverse和區(qū)塊鏈應(yīng)用程序不斷變化的需求將觸發(fā)邊緣計算的高度采用，因為該技術(shù)可以保證這些領(lǐng)域更好的性能、合規(guī)性和增強的用戶體驗。了解圍繞邊緣計算的這些關(guān)鍵技術(shù)進步可以幫助您做出決策并提高實施的成功率。