边缘 计算的概念受到 CDN 技术的启发。CDN 代表内容交付网络。CDN 通常致力于使 Internet 上的内容（图像、视频、脚本文件）更接近其用户。这有助于通过适当的负载处理更快地流式传输内容。这就是 YouTube、Netflix 等将内容交付到不同地区而不会被流媒体服务所需的海量数据速率所淹没的方式。
在边缘 计算中，数据和计算是本地化的，因此响应时间和带宽要求大大减少。这也支持 Green Computing，在绿色计算中，计算以最少的资源使用完成。
边缘计算的起源
随着 IoT 的普及，网络连接设备的增加，生成的数据量呈指数级增长。这种增长要求在数据中心进行大量计算和分析，从而提高带宽利用率。
在边缘 计算中，计算组件被推向网络的两端，即用户的一端。这样就无需服务器代表每个用户持续工作，而是将他们的时间投入到更高级别的分析上（例如社区分析、基于社区的推荐等）。那么，个人数据将如何处理呢？
数据在用户端使用连接的设备（如智能手机、智能家居中心、智能电视等）进行处理。
例如，您的睡眠数据在您的手机中处理，其中此过程的大部分数据是从您的手机、手表或使用登录同一帐户的所有设备收集的。此外，iPhone 人脸检测完全离线运行，并根据您随时间推移发生的面部变化不断学习。
有一个组织，他们设计美容面部设备，如太阳镜、眼线笔、口红等。他们希望从 1000 名自愿参与者那里收集数据。这是通过一个应用程序实现的，该应用程序允许他们拍摄自己的照片，然后进行一些编辑操作以化妆或墨镜装扮。该应用程序还允许他们通过方形叠加层选择自己的脸。
请注意，这是一个简单的示例，其中数据源自用户端。可能存在更复杂的场景，例如数据在用户之间共享并在房屋内本地分析（家庭用户）等。
云计算方法
数据将作为图像和化妆效果坐标收集。这些将被上传到云存储中。然后，将再次读取这些数据，然后根据预定义的指标进行分类，以根据肤色、头发颜色等对图像进行分类。此方法具有以下问题。
数据已上传，这有点隐私问题需要带宽和云存储数据来存储数千张图像 + 其他注释（化妆等）云计算机需要有足够的内存和计算能力来处理图像需要时间来收集数据，并且重新运行分析管道可能需要大量时间边缘计算方法
大部分数据是在用户端进行分析的。例如，可以在用户端执行以下操作。
面部识别，由用户自己在不知不觉中通过注释面部区域来协助检测肤色、头发颜色并拟合面部模型，将整个面部转换为数字矩阵/坐标编码化妆信息与其他矩阵一起转换为具有强度、不透明度的数字注释分析所需的数据以简单的 JSON 格式发送到服务器云中的分析现在减少了。数据以文本而不是 blob （图像） 的形式传输边缘 计算的含义
边缘 计算需要不同的隐私措施，具有难以想象的可扩展性和未来数据分析需求的潜力。因此，将计算分配到网络边缘形成了一种新的计算范式。
隐私和安全
无论数据采用何种格式，都需要安全地传输数据。这已经是网络和计算的一个既定方面。此任务需要加密方案。有时数据可以在用户之间共享，在这种情况下需要加密。有一些加密方案允许对加密数据进行操作，这些数据可以稍后解密以供查看 （ref）。这称为全态加密。
可扩展性
边缘计算提供了巨大的可扩展性。但是，必须小心地打破算法和其他计算，以便最终结果几乎相等，如果在云中执行。这一切都应该考虑到异质性的想法。在分布式环境中工作总是具有挑战性的。但这些努力是最有价值的。如果我们考虑面部识别，我们讨论的示例会施加一个令人尴尬的并行计算场景。
可靠性
尽管 massive 具有可扩展性，但在分布式环境中，失败是不可避免的。这是因为在这种情况下，边缘用户没有被提交，并且可以在没有正常断开连接的情况下离开系统。因此，必须配合备份机制才能获得更好的可靠性。在考虑资源限制的情况下进行相关分析也很重要。否则，可能会导致设备故障而不留痕迹。
速度
由于计算是在本地完成的，因此可以提高分析速度。由于获取数据的带宽要求较低，这也可以改善结果。如果推荐系统在手机的购物应用程序中运行，则应用程序本身可以获取您可能的购物商品，而无需进行多次 API 调用。
效率
通常，边缘 计算试图使计算更接近可能使用结果的用户。因此，鉴于它们不使用许多其他资源，这些系统显然是有效的。
Edge 的现有库和设备
如果我不为读者提供一个参与边缘计算的起点，那将毫无意义。幸运的是，有许多库支持在资源受限的环境中进行分析。然而，开发一个复杂的系统可能仍然具有挑战性。
