图1，数据正在死亡，但是边缘使之复苏

　　在急救医学方面，有一个“黄金时间”的概念，那就是在重大创伤后一段时间需要得到正确的治疗，这对病人的最终能否生存至关重要。一旦这个机会之窗关闭，医务人员的行为的影响就会减小，结果可能是灾难性的。

　　图2，物联网平台对边缘数据的处理

　　同样的原则可以应用在物联网(IoT)和实时分析中。最新的估计显示，到2020年，连接设备的数量将达到200亿到500亿之间，物联网(IoT)在家庭和工业领域都将呈现巨大的增长势头。然而，很多这些系统和平台都在使用基于云的分析，这些功能是有效的，但是却增加了在设备上采取行动的时间。

　　图3，边缘处理设备

　　这种时间延迟当它发生在一个家庭住宅情况下时，可能只是一种烦恼;但对于时间敏感和工业环境中的立即检测和行动影响可靠性，安全和机器故障时这种时间延迟可能就是灾难性的。利用基于云的解决方案，将不会足够快速地提供数据，从而使物联网能够完全有效地用于任务关键型应用中。这个问题现在不仅是一个巨大的问题，而且随着物联网部署规模的扩大而在加剧。

　　真正的边缘

　　为了支持大量的物联网设备，从根本上缩短决策和行动时间，分析需要尽可能地靠近设备边缘。过多的物联网数据可能会在数据湖中死亡，而边缘分析可以通过在事件发生时提供实时可操作的见解来解决这个问题。

　　传统的大数据方法非常适合面向批处理的分析，但不适用于物联网(IoT)所需要的交互式实时分析中。由于大型机器和引擎产生大量的数据，或者存在数以百万计的较小设备的广泛网络，所以不可能在大规模地挖掘数据的同时仍然能够做出实时的决定。流经这些网络的数据庞大，快速，需要一个积极的分析框架来确定问题，并作为数据流采取行动。

　　图4，连接设备的增长速度

　　如果您需要实时的决策，行动和见解，那么您需要一个支持边缘分析，云分析，实时和历史融合的架构。这个原则适用于智能工厂，智能城市，智能家居等应用中：任何“智能”意味着智能的边缘环境。

　　物联网(IoT)行业开始意识到，从大量物联网设备中提供这些洞察力的最佳方式之一就是在设备本身的网络真实边缘中尽可能多地进行分析。这种架构使设备真正具有智能性，可以在数据流入设备时分析，检测和处理数据。

　　图5.典型的网络架构

　　将原始数据传递给云，分析并将操作发送回设备的传统方法引入了对操作有害的时间延迟。然而，通过在边缘执行分析和检测模式，可以在需要立即采取行动的情况下实现几乎即时的响应，例如提醒用户设备网络受到攻击，或者关闭显示危险行为的引擎。

　　简而言之，数据越长，分析的时间越长，可能产生有害影响的异常时间也会被忽略。通过使用边缘分析，机器和智能传感器，我们可以使用云中的上下文环境时间窗来收集信息，以聚合非关键数据，并将其与来自设备的数据实时结合，以检测出异常情况和性能问题。

　　数据互联网

　　部署此模型的边缘分析平台(如Greenwave Systems的AXON Predict)为开发人员提供了一种轻松的斜坡弯道(onramp)连接到设备中，使他们能够动态地将分析脚本部署到边缘，并协调云和边缘之间的分布式分析。这使得企业能够实现物联网(IoT)实时分析的全部潜力，实现异常检测和即时，可操作的洞察力，并通过提供定制的分析解决方案来增加计算能力和实时智能，从而在整个工业物联网领域利用宝贵的市场机会。展望未来，这也为在边缘设备上添加机器学习和人工智能提供了一条平滑演进的道路。

　　图6，边缘设备的数据处理

　　我们现在生活在一个一切都在连接的世界里。市场的整体动态正在发生变化，运营商，制造商，公用事业公司和医疗保健提供商都在考虑将物联网(IoT)融入到以最高效和最有利的方式提供服务的方式中。唯一的办法就是如果IoT正在创建的大量数据被实时监控，处理和实施。如果这种情况没有发生，那么物联网(IoT)最终会被视为只适合小规模，以及小规模的应用场景中，而不能充分发挥其潜力。

　　图7，边缘设备产生大量的数据

　　企业市场需要找到适合他们所期望的物联网(IoT)解决方案。如果他们能够管理大量的数据处理，监控，诊断和服务管理，他们可以充分利用物联网(IoT)的部署，但这一切都始于网络的真正优势。如果他们能够承认这一点，他们的关键数据将不仅能够保持活力，而且还会蓬勃发展。

　　图8，Greenwave Systems的数据处理模型