隨著技術的發展，需要新方法的新問題也隨之發展。隨著智能設備(如智能開關、恒溫器和第三代語音助手)的出現，數據量激增并降低了集中計算和分析的效率。邊緣計算通過幫助這些智能設備處理數據來滿足它們在邊緣節點上的需求，從而使這些智能設備更加智能。

邊緣計算僅傳輸集中計算所需的數據，從而解決了延時及帶寬成本等諸多問題。邊緣技術不僅提高了邊緣設備的效率，而且還提高了集中式分析系統的效率。鑒于邊緣計算的前景，它有望成為2020年及以后最重要的技術趨勢之一。

例如，Google的Nest使用機器學習算法，根據每天的溫度調整情況，了解居民在工作日或周末是在家還是外出。借助此信息，Nest可以在整個星期和周末自行調節溫度。Nest的邊緣處理與集中處理相結合，突顯了企業數據管理面臨的一個有趣挑戰。

傳統上，企業采用了一種分析數據并使用集中式方法從中獲取情報的體系結構。例如，數據倉庫是商業智能的主力軍，是眾所周知的中央存儲庫，可以將原始數據轉化為洞察力。該過程稱為ETL，它從操作系統中提取數據，將其轉換為適當的格式，然后將其加載到數據倉庫中。

多年來，這種架構已被證明是有效的。但是在邊緣設備時代，傳統的物理數據倉庫失去了作為真理的中心來源的光澤。這是因為隨著當今世界轉向大量非結構化數據，它們只能存儲結構化數據。而且，數據量呈指數增長。它已經變得如此龐大，以至于在許多用例中，將所有數據存儲在單個數據倉庫中在經濟上不再可行。為了克服這些挑戰，企業將其中央存儲庫過渡到了更便宜的替代方案(如Hadoop)，后者還可以存儲非結構化數據。

盡管有了這些發展，但從性能和成本的角度來看，仍然不希望將發布于世界各地的多個設備生成的所有信息收集到數千英里之外的一個中央存儲庫中。中央系統也無法有效智能地分析信息，然后再將這些信息一直建議給設備，以實現優秀性能。

那么，缺少什么呢?

在我們看來，這是一種在設備本身附近執行計算功能的技術。邊緣計算架構的出現使設備能夠將其生成的數據發送到邊緣節點或距離設備更近的系統，以進行分析或計算。這樣，設備從邊緣節點獲得所需的情報的速度比連接到中央系統時要快得多。

在此設置中，邊緣節點連接到中央系統，因此它們僅傳輸中央系統在所有各種設備上進行分析所需的信息。結果，存在計算的雙重性，其中某些計算在邊緣節點上進行，達到了本地操作所需的程度，同時，數據被傳輸到中央分析系統以對所有對象進行整體分析企業系統。

如今，幸運的是，具有在邊緣僅智能過濾所需數據并僅將減少的數據傳輸到集中式系統的功能。通過減少多達80%的移動數據，數據虛擬化可以實時執行這種選擇性的數據處理和交付，而不必在其中復制數據。

當數據來自各種設備時，位于更靠近這些設備的邊緣節點處的數據虛擬化實例將這些數據集成在一起，然后僅提取結果。然后，將它們傳送到位于中心位置的另一個數據虛擬化實例，該實例更靠近數據使用者，后者使用報告工具來分析結果。因此，多位置架構中的數據虛擬化實例網絡(其中一些位于邊緣節點)連接到中央數據虛擬化實例，從而完善了邊緣計算框架。

數據虛擬化多位置邊緣架構(Source: Denodo)

為什么在邊緣更智能?

邊緣計算的較大好處是節省時間。在過去的幾年中，該技術在存儲和計算兩個方面發展得比其他方面快得多。 今天的手機比30年前的臺式電腦擁有更多的內存和計算能力。但是，邊緣技術的一個方面發展得還不如傳輸數據的帶寬快，因為數據從一個位置移動到另一位置仍需要幾分鐘和幾小時。隨著設備越來越遠地遷移到云和跨大洲，必須傳輸盡可能少的數據以提高整體效率。

通過將計算委托給邊緣，這些設備將實時學習和調整，而不會因與中央系統之間的信息傳輸而減慢速度。數據虛擬化將帶寬需求以及存儲成本降低了多達80%。