移动边缘计算，第二部分：现实世界中的计算

将移动边缘计算（MEC）概念化为一项电信专用技术是很容易的；但事实上，边缘计算对许多不同行业的现实用例都有深远的影响。任何需要解决常见数据使用挑战的组织，如低延迟数据处理、云到网络流量管理、物联网（IoT）应用开发、数据主权等，都可以从基于边缘的架构中受益。

在之前的文章中，我们讨论了什么是移动边缘计算，它如何帮助开发者提高数据使用的灵活性，以及Verizon 5G Edge和MongoDB如何协同工作以实现边缘数据计算，如图1所示。

图1. Verizon和MongoDB协同工作，通过移动边缘计算以前所未有的速度向消费者和生产者提供数据。

在这篇文章中，我们将看看移动边缘计算如何改变制造业、农业和汽车业的真实案例。

智能制造

现代工业制造流程正在更多地利用互联设备来优化生产，同时控制成本。联网的物联网设备存在于整个过程中，从制造设备上的传感器到工厂车间员工使用的移动设备，再到运输货物的联网车辆，所有这些都会产生大量的数据。

对于公司来说，要实现所有这些数据的好处，关键是要实时处理和分析这些数据，以实现快速行动。将这些数据从设备转移到云端进行处理，会带来不必要的延迟和数据传输，而在边缘进行处理则可以避免这种情况。

例如，如图2所示，智能工厂中的传感器、设备和其他数据源使用Verizon 5G边缘发现服务来确定最佳边缘位置。之后，数据被发送到边缘，在那里进行处理，然后被持久化并与MongoDB Atlas同步--所有这些都在瞬间完成。

图2. 智能工厂的数据源使用Verizon 5G边缘发现服务来确定最佳边缘位置。

流程优化

通过实时处理遥测数据，可以根据生产线上转发的数据，对工业机械的配置进行自动化、近乎即时的改变。这种过程的潜在好处包括提高产品质量、增加产量、优化原材料的使用，以及跟踪标准的关键性能指标（KPI）的能力，如整体设备效率（OEE）。

预防性维护

与工艺优化类似，实时处理遥测数据可以在潜在的即将发生的机械故障发生之前，识别出这些故障，并导致生产停工。然而，更关键的是，如果一种情况有可能损坏设备或对附近工作的人构成危险，那么，一旦检测到这种情况就自动执行关闭的能力是至关重要的。

农业

数据分析在规模上最强大的用途之一可以在农业部门看到。几十年来，研究人员一直在努力应对诸如最佳植物育种和种子设计等挑战，迄今为止，这些工作主要是手工操作。

通过特制的无人机和地面机器人，利用计算机视觉进行田间检查的新方法已被用于收集高度、生物量和早期活力的信息，并检测异常情况。然而，这些机器人通常是专门为设备上的大型数据系统而设计的，需要人工将数据上传到云端进行后期处理。

使用边缘，这整个工作流程可以得到优化。从地面机器人车队开始，设备可以加装一个5G调制解调器，以解除大部分持续的数据收集工作。相反，设备可以在本地收集数据，提取相关元数据，并立即将数据推送到边缘，进行实时分析和异常检测。

通过这种方式，田间操作人员可以收集关于他们整个操作的洞察力--在一个特定的作物田或全国范围内--而无需等待特定任务的完成。

汽车

现代汽车的连接性比以往任何时候都强，今天生产的几乎所有车型都含有嵌入式SIM卡，可以实现更多的连接体验。此外，在实现路边基础设施连接方面也在取得平行的进展。这些进步不仅将推动车辆之间数据共享的增加，也将推动车辆与周围环境之间的数据共享（V2V2X）。

从短期来看，基于边缘的数据处理有可能为道路使用者和汽车制造商带来许多好处。

数据质量和带宽优化

现代车辆有能力传输大量的数据，不仅是与车辆状态有关的遥测数据，而且是与观察到的道路状态有关的数据。

例如，如果一辆车检测到它正处于交通堵塞中，那么它可能会转发这一信息，以便向该地区的其他车辆提供最新信息，提醒司机或重新规划路线，如图3所示。

图3. 移动边缘计算使车辆内多个来源产生的数据能够被即时共享。

虽然这是一个有用的功能，但许多车辆可能会报告相同的信息。默认情况下，所有这些信息将被转发到云端进行处理，这可能导致大量的冗余数据。

相反，通过基于边缘的处理：

• 在特定区域内的车辆之间仅使用本地资源就能更快地共享数据。

• 与基于云的数据传输有关的成本得到更好的控制。

• 网络带宽的使用得到了优化。

虽然改善对网络使用的控制显然是有益的，但可以说基于边缘的处理在汽车行业中更有说服力的使用涉及到汇总从许多车辆收到的数据，以提高发送到基于云的数据存储的数据质量。

在交通堵塞的例子中，所有传输有关路况信息的车辆都会根据他们通过GPS以及内部传感器获得的理解来做。一些车辆将比其他车辆发送更完整或更准确的数据，但是，通过在边缘汇总许多不同的数据馈送，这个过程将导致对情况的更准确、更完整的表述。