如今，有很多东西被称为是“智能的”，从灯泡到汽车，应有尽有。越来越多的智能来自某种形式的人工智能或机器学习。
人工智能不再局限于大型中央数据中心。通过将其移至边缘，企业可以减少延迟，提高性能，降低带宽需求，并使设备在没有网络连接的情况下也能继续运行。
在边缘使用人工智能的主要驱动力之一是，如果必须通过集中式云计算解决方案和传统数据中心来处理互联网，那么该领域产生的大量数据将会使互联网瘫痪。
Booz Allen Hamilton副总裁Ki Lee说：“将所有这些数据发送到集中式的云中去进行处理的需求推动了网络带宽和延迟的限制。”
进入人工智能边缘计算时代。
与机器人作战
很少有企业会像Akamai一样遇到这个问题。Akamai运营着全球最大的内容分发网络。据统计，Akamai在135个国家拥有约325,000台服务器，每秒提供超过100Tb的网络流量。
Akamai产品和行业营销的全球副总裁Ari Weil表示，边缘计算是提高性能和安全性的关键。
以机器人为例。
威尔说：“机器人是互联网上的一个大问题，它们通过自动凭证填充和拒绝服务攻击来攻击Akamai的客户。此外，他们还用无用的流量堵塞了管道，耗费了Akamai的资金。”
网络犯罪分子企图利用机器人渗透企业、研究企业和医疗机构的防御系统。
有时他们的邪恶是无止境的。例如，黑客最近开始使用机器人作为COVID-19的等价物，抢占了疫苗的预约席位。
Akamai发现，每小时有4.85亿个机器人请求，每天有2.8亿个机器人登录尝试。为了与他们战斗，Akamai从2018年开始在边缘部署人工智能，以确定特定用户是真人还是机器人。
他说：“随后我们立即采取行动，比如加大挑战力度。例如，我们有一个JavaScript挑战，要求他们的浏览器做一些工作。
如果浏览器不是一个真正的浏览器，那么就无法完成这个挑战。此外我们还试图通过使计算成本过高来使机器人运营商破产。”
2019年，Akamai开始使用集中式深度学习来识别机器人行为并开发更好的机器学习模型，然后将这些模型分发到边缘以实际完成工作。
人工智能还用于分析Akamai的威胁情报。“这是一个大数据问题。”威尔说。
“我们在庞大的数据湖中获取大量数据，并针对数据尝试不同的模型来发现恶意签名。一旦我们确定了模式，就可以跨平台使用它。”
有时消息是无害的，但是那些来自恶意的源命令，例如流量控制，是有害的。
“我们训练边缘模型以识别这些来自该特定区域或特定IP地址的流量，并在边缘应用缓解技术。” Weil说。
最终的结果是，Akamai节省了资金，因为它不用再承载来自机器人或恶意软件的流量。客户节省了开支，因为他们不必为浪费的带宽付费。
而且客户会更加安全，因为他们需要处理的机器人和恶意软件样本减少了。
Weil说，在2020年第四季度，Akamai阻止了18.6亿次应用程序级别的攻击，并阻止了超过700亿次的凭据滥用攻击。
管理边缘物联网
边缘人工智能还可以降低物联网策略的数据和网络负载。物联网设备可以生成大量信息，但这些信息通常是常规且重复的。
Weil说：“ 物联网设备生成了很多'我很好，我很好'的消息。因此，您需要仔细检查所有信息，并回到制造商那里，寻找表明系统可能出现故障的信号。”
为此，我们在边缘部署了机器学习技术，用于了解关键信号是什么，并在将数据发送给客户之前对其进行预处理。
以一辆联网的汽车为例。它可以从一个小区和塔楼移动到另一个，移动到不同的状态，甚至移动到不同的海拔和气候。适用于一个位置的读数可能不适用于另一个位置，或者问题可能由数据中的快速变化发出信号。这种情况下，机器学习变得至关重要。
“将智能技术引入设备是物联网目前最大的增长领域之一。”Centric Consulting的IEEE成员，云技术和新兴技术业务负责人Carmen Fontana说。
这个问题出现在许多行业，不仅仅是汽车行业，尽管移动车辆对延迟的要求确实很大。
她说：“你不想回到主数据中心去做决定，然后把决定带回来。没有那么多时间留给你做这些事。”
但是，即使是移动速度较慢或固定的设备，也可以在对边缘更多的处理中受益。
“一个常见的例子就是在偏僻的地方安装太阳能电池板，他们没有出色的移动电话服务或WiFi。能够在本地处理数据和做出决策在这种情况显得非常重要。”
分布式智能还使企业能够减少从设备返回的消息流量，从而降低网络成本和能源消耗。
她说：“数据存储很昂贵，并且不节能。如果您可以消除很多本来可以传输和存储的数据，那么这将是一个非常好的节能措施。”
人工智能也越来越多地在边缘用于为设备提供差异化功能。
“我在我的手腕上佩戴了一块智能手表和一个恢复设备。” Fontana说， “恢复设备可以感应到我的指标-心率，呼吸模式，然后计算出我的身体休息程度并计算出下一次锻炼合适的强度。”
分散式人工智能的优势
边缘的人工智能功能可以帮助跨网络设备创建智能的分布式计算环境，这对知道如何利用好它的企业来说是一个独特的优势。
能源和水资源管理技术公司Itron的信息管理成果主管Tim Driscoll说，公用事业行业特别热衷于分布式智能。
他说：“位于公用事业配电网边缘的电表有一个类似于普通智能手机的应用程序平台。这些仪表使用机器学习来响应不同的电压和负载条件。这使得电表能够为电网控制提供主动、实时的建议。”
更有趣的是，这些仪表可以协同工作，学习自己的通信网络行为、性能和可靠性，然后利用这些方法选出代表他们与网络对话的领导人。
他说：“这通过消除集中分析的需要简化了网络管理。”
随着电力系统向配电网中包含更多分布式发电的方向发展，边缘计算变得更加重要。
传统上，只有本地负载才是电网的变量，发电和潮流都是集中控制。今天，这三个因素都成为了变量。
“这是通过边缘处理和机器学习提供动力的自主，本地，实时响应的主要驱动力。” Driscoll说。
Booz Allen Hamilton的Lee表示，除了更少的延迟和更低的成本之外，将人工智能和机器学习部署在边缘还可以帮助提高人工智能的速度。
这是因为去中心化的边缘人工智能最大化了模型校准的频率，这不仅降低了模型开发成本和进度，还能提高模型性能。”
风险和挑战
Lee说：“但是处于边缘的人工智能也带来了风险和挑战，比如说当前还缺乏相应的标准。”
他说：“我们看到各种各样通常不兼容的边缘硬件设备，处理器芯片组，传感器，数据格式和协议。我们需要更加集中精力开发通用的开放式体系结构。“
此外，该领域的许多参与者都将重点放在一次性解决方案上，这些解决方案不可扩展或不能协同操作，又或者是基于传统的软件交付模型。
他说：“我们仍然看到专为特定设备而构建的单片应用程序。从设计的角度来看，我们还看到了典型的中心辐射型架构。当连接受限时，这样的架构可能会失效。”
分布式人工智能的另一个挑战是网络安全。“随着边缘设备部署数量的增加，攻击面也随之显著地变多。”他说。
我们已经看到攻击者如何利用不安全的物联网设备，比如在2016年感染了数十万设备的Mirai僵尸网络。随着物联网设备的激增和智能化，它们带来的风险也会随之增加。
一种方法是将机器学习应用到问题中，用它来检测威胁。Lee说：“但是边缘硬件通常更小，资源有限，这限制了可以处理的数据量。”
凯捷工程与研发业务的连通性首席技术官Shamik Mishra表示，人工智能驱动的边缘计算在网络安全方面可以发挥巨大作用的地方在于微型数据中心。
他说：“威胁检测，漏洞管理，外围安全性和应用程序安全性可以在边缘被解决。除此之外还可以通过分散人工智能算法，通过异常检测来检测威胁。
Mishra说，诸如安全访问服务边缘等新技术也正在兴起，它们将广域网与安全功能相结合。
他说：“我们分配的功能越多，随着受到攻击的表面积的增加，系统就越容易受到攻击。因此，边缘计算应用程序必须将安全性作为设计优先级。”
作者：Maria Korolov
原文地址：
www.cio.com/article/3612229/ai-makes-edge-and-iot-smarter.html
