人工智能如何使边缘计算和物联网更智能

在边缘采用人工智能不仅可以减少网络延迟和运营成本，而且可以提高安全性，并释放分布式智能的能力。

如今，很多事物被称为“智能”设备，其中包括从灯泡到汽车等。而这些事物的智能化都来自某种形式的人工智能或机器学习技术。

人工智能不再局限于应用在大型数据中心。通过将其移至网络边缘，企业可以减少延迟、提高性能、降低带宽需求，并使设备即使没有网络连接也能继续运行。

在边缘使用人工智能的主要驱动因素之一是，如果所有的数据都必须由集中的云计算解决方案和传统数据中心处理，那么产生的大量数据将会使互联网瘫痪。

Booz Allen Hamilton公司副总裁Ki Lee说：“将所有这些数据发送到集中式云平台进行处理的需求将会受到网络带宽和延迟的限制。”

应对Bot机器人攻击

很少有公司会像Akamai公司遇到这个问题。Akamai公司运营着世界上规模最大的内容分发网络，在135个国家/地区拥有和运营约325,000台服务器，每秒输送超过100TB的网络流量。

Akamai公司产品和行业营销全球副总裁Ari Weil表示，边缘计算是提高性能和安全性的关键。

Weil指出，以Bot机器人为例。Bot机器人攻击是威胁互联网安全的一个巨大问题，它们通过自动凭证填充和拒绝服务攻击来攻击Akamai公司的客户。另外，它们采用大量无用流量堵塞了网络，从而使Akamai公司造成更多的损失。

网络犯罪分子还使用Bot机器人试图渗透企业、研究机构和医疗保健组织的网络防御体系。他们的攻击是无止境的，例如，黑客最近开始使用Bots机器人抢夺疫苗预约资格。

Akamai公司的调查表明，该公司的网络每小时有4.85亿个Bot请求，每天2.8亿个Bot尝试登录。在与它们的斗争过程中，Akamai公司从2018年开始在边缘部署人工智能，以确定特定用户是真正的人类还是Bot机器人。

他说：“我们对此立即采取行动，例如，我们遇到JavaScript挑战，我们要求客户的浏览器完成一些工作。如果并不是真正的浏览器，则无法完成这项工作。我们还试图通过使计算成本过高来使Bot机器人攻击者破产。”

Akamai公司在2019年开始使用集中式深度学习来识别Bot机器人攻击行为，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。Weil说，“这是一个大数据问题，我们在庞大的数据湖中获取大量数据，然后针对这些数据尝试不同的模型以查找恶意签名。一旦确定了模式，就可以在整个平台上使用它。”

有时的消息是无害的，但来自恶意源命令和控制流量。Weil说，“我们训练边缘模型以识别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。”

最终结果是，Akamai公司节省了大量成本，因为不必承载来自Bot机器人或恶意软件的流量。客户可以节省成本是因为他们不必为浪费的带宽支付费用。而且客户的数据更安全，因为他们需要处理的Bot和恶意软件样本减少了。

Weil表示，在2020年第四季度，Akamai公司阻止了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

在边缘采用的人工智能也可以降低物联网策略的数据和网络负载。物联网设备可以产生大量的信息，但通常情况下，信息是常规的和重复的。

Weil说，“物联网设备生成了很多数据，因此，需要仔细检查所有内容，然后寻找表明系统可能出现故障的信号。”

为此，在边缘部署了机器学习技术以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。

以一辆联网汽车为例，它可能从一个城市到另一个城市，甚至到不同的海拔和气候的地区行驶。然而适合某个位置的读数可能不适合另一个位置，或者出现问题可能通过数据的快速变化来表示。在这里，机器学习技术变得至关重要。

IEEE成员、Centric Consulting云计算技术和新兴技术业务负责人Carmen Fontana说，“将智能技术带入设备是目前物联网最大的增长领域之一。”

这个问题在许多行业中都已经出现，不仅是汽车行业，尽管自动驾驶车辆确实对网络延迟有着严格的要求。她说：“将车辆的数据传输到数据中心进行处理，然后将做出的决定返回来。这个时间对于行驶中的车辆来说太长了。”

但是，移动缓慢或固定的设备也可以从边缘进行更多处理而受益。

她说：“一个常见的例子是在偏远地区安装太阳能电池板，那里没有畅通的移动电话服务或WiFi。能够处理数据并在本地做出决策是非常重要的。”

分布式智能还使企业能够减少从设备返回的消息流量，从而降低了网络成本和能源消耗。

她说：“数据存储成本高昂，而且能源效率不高。如果可以消除很多需要传输和存储的数据，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被用于边缘，为设备提供与众不同的功能。

Fontana说，“例如，我的手腕就佩戴了一只智能手表，可以感应我的生理指标，例如心率和呼吸模式。它可以计算出我在运动时锻炼的强度。”

分布式人工智能的优势

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，这对知道如何利用它的组织来说是一个独特的优势。

能源和水资源管理技术开发商Itron公司的信息管理成果主管Tim Driscoll表示，公用事业行业组织将热衷于采用分布式智能。

他说：“位于公用事业公司配电网边缘的仪表具有类似于智能手机的应用程序平台。这些仪表通过机器学习来响应变化的电压和负载条件。这使电表能够为电网控制提供主动实时的建议。”

但是更有趣的是，电表可以协同工作，从它们自己的通信网络的行为、性能和可靠性中学习。

他说：“通过消除集中分析的需要，这简化了网络管理。”

随着电力系统的发展，以在配电网中包含更多的分布式发电，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，而其发电和电流需要集中控制。如今这三个因素都是变量。

Driscoll说，“这是由边缘处理和机器学习驱动的自主、本地、实时响应的主要驱动因素。”

Booz Allen Hamilton的Lee表示，除了更低的延迟和更低的成本之外，将人工智能和机器学习带到边缘还可以帮助提高人工智能的处理速度。那是因为分散的边缘人工智能使模型校准的频率最大化。他说，“这不仅降低了模型开发成本和进度，而且还提高了模型性能。”

风险与挑战

Lee表示，但是处于边缘的人工智能也带来了风险和挑战。这包括当前缺乏标准。

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，需要更加集中精力开发通用的开放式架构。”

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互操作，或者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，该架构可能会失败。”

分布式人工智能的另一个挑战是网络安全。他说，“随着部署的边缘设备数量的增加，网络攻击面显著增加。”

人们已经看到网络攻击者利用不安全的物联网设备进行攻击，例如MiraiBotnet在2016年感染了数十万台设备。随着物联网设备的不断扩散，并且变得更智能，它们所带来的风险也将增加。

一种方法是将机器学习应用于问题，并使用它来检测威胁。Lee指出，但是边缘硬件通常更小，资源更多，在处理更多数据方面受到限制。

凯捷公司工程和研发业务首席技术官Shamik Mishra表示，基于人工智能的边缘计算可以在网络安全方面发挥巨大作用的地方是微数据中心。

他说，“威胁检测、漏洞管理、外围安全和应用程序安全可以在边缘解决，人工智能算法可以分散，通过异常检测来检测威胁。”

Mishra表示，诸如安全访问服务边缘之类的新技术也在不断涌现。这些将广域网与安全功能结合在一起。

他说：“我们分发的功能越多，受到的网络攻击也更多，IT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。”