隨著邊緣計算（Edge Computing）概念興起，對那些希望將先進連網(wǎng)技術(shù)與分析技能整合、為制程及系統(tǒng)帶來新智能的工業(yè)營運管理者而言，到底該仰賴計算能力更強的云端數(shù)據(jù)中心或是選擇更貼近實際運作的邊緣計算是個兩難。就連美國工業(yè)互聯(lián)網(wǎng)聯(lián)盟（Industrial Internet ConsorTIum；IIC）也試著找到答案。

在IIC發(fā)布最新題為（IIC IntroducTIon to Edge CompuTIng in IIoT）白皮書，針對持續(xù)性邊緣計算在工業(yè)物聯(lián)網(wǎng)（IIoT）作出介紹。這本白皮書是由思科（Cisco）、華為以及思愛普（SAP）共同著作。

共同著作人之一、SAP副總裁Lalit Canaron認為，工業(yè)產(chǎn)業(yè)需要一些協(xié)助。一方面，這些業(yè)者透過當?shù)剀浖\行機械流程已相當熟練，可以實時完成許多特定的功能；但另一方面，用于關(guān)鍵企業(yè)系統(tǒng)的實時性數(shù)據(jù)處理需求也相當高。

在制造業(yè)所謂的“邊緣”，傳統(tǒng)上都是營運團隊的領(lǐng)域，在工廠內(nèi)多由數(shù)據(jù)采集與監(jiān)控系統(tǒng)（SCADA）及可程序化邏輯控制器（PLC）負責。對此，Lalit Canaron表示這些應該屬于“外部邊緣”，所有運作都是實時性的，機械只會進行被制造來做的那項特定任務。

但現(xiàn)在必須要看的是更高階的網(wǎng)關(guān)（gateway）、即所謂的“內(nèi)部邊緣”，用來鏈接局域網(wǎng)絡(luò)與大型計算機主機系統(tǒng)，并有多條線路與網(wǎng)關(guān)溝通，而運行邏輯的不僅僅是單一數(shù)據(jù)點。

包括工業(yè)設(shè)備能力及算法能力增強，目前這些增加的數(shù)據(jù)流量都需要企業(yè)將其營運科技（OT）及信息科技（IT），連接上集中式的云端系統(tǒng)來進行分析。透過邊緣計算與先進連接及分析的結(jié)合，可改變此情況，并提供多元的新方式在工廠當?shù)貋韴?zhí)行這些流程。

思科解決方案架構(gòu)師暨共同著作人Todd Edmunds表示，市場正在開發(fā)各種層級的架構(gòu)，在更靠近數(shù)據(jù)來源的各個層級來處理一系列的計算需求。這些對分布式智能的需求在制造領(lǐng)域特別的高，如此一來也大大改變了過去對云端計算的看法，如今對邊緣計算能力的要求已大幅提升。

隨著網(wǎng)絡(luò)架構(gòu)復雜度增加，對工業(yè)領(lǐng)域而言也帶來了一些挑戰(zhàn)。Todd Edmunds指出，多數(shù)制造業(yè)者在工業(yè)自動化已駕輕就熟，但對操作新一代設(shè)備及云端計算仍有不少問題。多數(shù)業(yè)者只能將邊緣計算能力放著，而沒有一套明確的計劃或概念來適當?shù)膽谩⒐芾怼?/p>

邊緣是一個邏輯層，而不是一個實體的區(qū)隔，其精準定位仍有待討論，依個別案例而有所不同。因此，迄今為止仍無法明確定義“邊緣計算”的界線到底在哪。

舉例來說，一家工廠可以透過邊緣計算溫度控制器來搜集并分析相關(guān)數(shù)據(jù)，但也可將這家工廠所取得的數(shù)據(jù)與其他全球另外數(shù)十家工廠所取得的數(shù)據(jù)放在一起進行計算分析，這個時候所謂的「邊緣」就變成了這所有數(shù)十家工廠。

此外，邊緣也可能有許多層級，甚至很多邊緣層級在大型工廠也扮演著數(shù)據(jù)中心的角色。以車廠為例，整座工廠也可視為邊緣計算的一部分，但是在個別的生產(chǎn)線也有著各自的邊緣數(shù)據(jù)，而最終這些邊緣數(shù)據(jù)都將進行匯集。

白皮書也特別強調(diào)邊緣計算安全性的重要。當工廠決定將新設(shè)備連上云端，IT人員必須關(guān)注所有與自動化、管理、修補程序、安全性等相關(guān)問題，以確保工廠的重要信息、隱私等數(shù)據(jù)不致外泄。

這是整體性的，不僅要確保任何設(shè)備及各層級架構(gòu)的安全性，不僅僅是網(wǎng)絡(luò)協(xié)議、一臺邊緣設(shè)備或網(wǎng)絡(luò)的安全，而是任何一臺終端計算機及內(nèi)部網(wǎng)絡(luò)都必須要縝密管理，以確保不受外部攻擊。

在工業(yè)互聯(lián)網(wǎng)市場上，云端計算模式已出現(xiàn)決定性的轉(zhuǎn)變，盡管集中式云端資源對于工業(yè)協(xié)調(diào)與聚合、高階機器學習仍相當有效，但數(shù)據(jù)分析正逐漸轉(zhuǎn)向邊緣；而那些有相當實時性的功能，如工業(yè)機械或自駕車等，不能受到遠程連接循環(huán)的約束。