1.前言

多年来，科技的飞速发展导致了数据处理和传输的需求暴涨，因此云计算成为了许多应用领域的核心基础设施。但是物联网(IoT)设备的普及和近年来 5G 网络的异军突起，数据量更是呈显出爆炸性的增长，对数据处理的速度和效率提出了更高的要求。因此，边缘计算作为云计算的扩展，逐渐受到业界的关注和重视。边缘计算将数据处理和应用的负载从中心向设备边缘迁移，能够提高数据处理的速度和效率，降低延迟，为许多应用领域带来了巨大的便利。

2.边缘计算的构造

边缘计算的构造可分为三个层次：设备层、边缘服务器层和云计算层，下边逐一分析。

设备层这一层的关键包括各种物联网设备和传感器，承担数据的收集和传送。设备层是数据的关键运营商，特点是设备品种繁多，数据类型不同。

边缘服务器层该层的关键是处理来自设备层的数据，进行初步解决、剖析和过滤，并把处理后的数据发送到云计算层。边缘服务器一般部署在网络边缘，与设备层紧密联系，能够快速反映设备层的需要，降低传送数据的延迟。

云计算层该层专门从事全球数据处理、剖析和存储，并承担运用的思路解决方法。云计算层可视为边缘计算的“大脑”，负责协调及管理系统的运行。

3.边缘计算的特点

低延迟：由于系统边缘的数据处理和应用逻辑，能够降低传送数据位置和时长，从而减少了延迟。这对需要实时反馈的应用场景（如自动驾驶、远程医疗等）至关重要。

高效：边缘计算能彻底解决海量信息，减轻云计算核心压力，提高总体数据处理效率。

灵活性：因为设备层和边缘服务器层分布式特点，边缘计算可以灵活地满足不同主要用途与需求。

可靠性：由于数据在设备边缘的处理与应用，减少了内容遗失的风险，提高了系统的可靠性。

4.边缘计算的应用场景

智慧交通：在交通系统中，车辆会产生大量实时动态（如部位、速率、路况等）。依据边缘计算予以处理与分析，可实时改进车流量，提高路面利用率。同时，依据紧急状况（如交通事故、道路维护等），边缘计算可快速反应，及时通知相关人员处理。

智能制造：在生产中，很多传感器和设备会产生大量数据。依据边缘计算，可实时监控生产线的运作，预测隐性故障与维护规定，提高工作效能和产品质量。同时，边缘计算可用于进行灵便制造，快速调整加工过程，以满足市场需求。

上述只是常见的一些应用场景，边缘计算的强大之处让它被用于各个行业。

5.实例项目分析

下面给出一个博主做过的实例，使用边缘计算对大量的医疗数据进行实时处理和分析。

1. 数据采集

我们可以使用医疗设备和传感器采集患者的生理数据，心电图、血压、血糖等。这些数据可以通过设备层发送到边缘服务器层，发送前也要做好数据处理的预处理工作。

2. 数据处理

在边缘服务器层，使用数据处理算法对采集的数据进行预处理和清洗，去除噪声和异常值。

import pandas as pd  # 读取数据  data = pd.read_csv('patient_data.csv')  # 去除异常值  data = data.replace([np.inf, -np.inf], np.nan)  data = data.dropna()  # 预处理数据  processed_data = data.apply(preprocessing_function)python复制代码

1. 数据分析

在边缘服务器层，使用数据分析算法对处理后的数据进行深入分析，提取有用的特征和信息。

import numpy as np  from sklearn.model_selection import train_test_split  from sklearn.ensemble import RandomForestClassifier  # 分割数据集为训练集和测试集  X_train, X_test, y_train, y_test = train_test_split(processed_data.drop('diagnosis', axis=1), processed_data['diagnosis'], test_size=0.2, random_state=42)  # 训练分类器  clf = RandomForestClassifier()  clf.fit(X_train, y_train)  # 在测试集上进行预测  predictions = clf.predict(X_test)

1. 结果传输

将分析结果发送到云计算层进行进一步的处理、存储和分析。可以将结果存储在数据库中，也可以通过 Web API 等方式提供给医生进行查看和分析。我使用 Flask 框架编写一个简单的 Web API：

from flask import Flask, request, jsonify  app = Flask(__name__)  @app.route('/predict', methods=['POST'])  def predict():      data = request.json['data']      prediction = clf.predict(data)      return jsonify({'prediction': prediction})

1. 诊断依据

最后，医生可以通过查看和分析结果并结合自己的专业知识和经验，做出准确的诊断。将结果与其他医疗数据进行比较，或者使用其他高级分析技术来提高诊断的准确性和可靠性。