邊緣運算（Edge Computing）是將運算資源從集中式資料中心（Centralized Data Centers）轉移到更接近資料生成源的區域、或本地運算叢集（Local Computing Clusters），這樣做可以顯著減少延遲、降低網路成本，並在資料生成的本地端進行更快速的處理；邊緣運算透過在靠近資料生成點處理資料，減少了資料來回傳輸的時間和成本，並能夠實現更即時的資料處理和響應。
邊緣運算（Edge Computing）的層次架構
邊緣運算的架構通常包括三個層次：核心層（Core Layer）、近邊緣層（Near Edge Layer）和遠邊緣層（Far Edge Layer）。
核心層（Core Layer）：
核心層包括集中式資料中心和雲端運算資源，負責處理大規模的資料和繁重的運算任務，這一層的設備通常具備強大的運算能力和儲存能力，可以支援大資料分析（Big Data Analytics）、人工智慧模型訓練（AI Model Training）等高運算需求的工作。
近邊緣層（Near Edge Layer）：
近邊緣層靠近資料源，如工廠、零售店或智慧城市的基礎設施，這一層的設備通常用於資料的初步處理和過濾，減少需要傳輸到核心層的資料量，從而節省頻寬和降低延遲。
遠邊緣層（Far Edge Layer）：
遠邊緣層為完全孤立的系統，如偏遠地區的感測器、或無人駕駛車輛上的運算設備，這些設備通常具備基本的運算和儲存能力，可以在本地進行資料的即時處理和決策。
核心層（Core Layer）的設備組成
核心層（Core Layer）主要包含以下幾類設備，用於處理大規模的資料和繁重的運算任務：
伺服器（Servers）：
高性能伺服器（High-Performance Servers）： 包括刀鋒伺服器（Blade Servers）和機架伺服器（Rack Servers），這些伺服器通常配備多核心處理器（Multi-core Processors）、大量記憶體（Large Memory）和高速儲存設備，以處理大量資料和高運算需求的任務。
GPU伺服器（GPU Servers）： 配備圖形處理器（GPU, Graphics Processing Units），適合進行深度學習（Deep Learning）和人工智慧（AI）模型訓練等高性能運算（HPC, High-Performance Computing）任務。
儲存設備（Storage Devices）：
網路附加儲存（NAS, Network-Attached Storage）： NAS 是一種連接到網絡上的專用儲存設備，使多個用戶和異質用戶端，能夠透過標準的網路協定，集中存取和共享資料；NAS通常用於儲存和管理大規模的非結構化資料（Unstructured Data），例如文件、媒體檔案和備份資料。
儲存區域網路（SAN, Storage Area Network）： SAN提供區塊儲存服務（Block Storage Services），資料被分割成固定大小的區塊（Blocks），每個區塊都有唯一的位址，這些塊可以獨立存取，並不依賴於其他區塊；SAN透過高速的光纖通道（Fibre Channel）或乙太網路（Ethernet）技術，提供可靠且低延遲的資料傳輸，常用於需要高性能和低延遲的應用程序，如資料庫（Databases）、虛擬主機（Virtual Machines, VMs）和交易處理系統。
雲端儲存（Cloud Storage）： 雲端服務提供商提供的分散式儲存解決方案，用於大規模資料的備份和存取。
網路設備（Networking Equipment）：
交換機（Switches）和路由器（Routers）： 用於連接伺服器和儲存設備，提供高頻寬低延遲的資料傳輸。
防火牆（Firewalls）和負載平衡器（Load Balancers）： 確保網路安全和流量的高效分配。
資料處理加速器（Data Processing Accelerators）：
FPGA（Field-Programmable Gate Arrays）： 可編程的硬體加速器，用於特定應用的高效資料處理。
ASIC（Application-Specific Integrated Circuits）： 為特定用途設計的整合電路，如比特幣挖礦、或特定的AI推理任務。
管理和監控系統（Management and Monitoring Systems）：
資源管理平台（Resource Management Platforms）： 如VMware vSphere、OpenStack等，用於管理虛擬化資源和容器化應用。
監控工具（Monitoring Tools）： 如Nagios、Zabbix，用於監控伺服器、網路和應用的性能和可用性。
邊緣運算（Edge Computing）的主要特徵
低延遲（Low Latency）： 邊緣運算透過將資料處理推向更接近資料源的位置，可以顯著降低延遲，這在需要即時反應的應用中尤為重要，如自動駕駛汽車、和工業自動化。
節省頻寬（Bandwidth Saving）： 將資料在本地進行處理和過濾，可以減少需要傳輸到中央資料中心的資料量，從而節省頻寬並降低成本。
提高安全性和隱私性（Enhanced Security and Privacy）： 由於資料在本地進行處理，邊緣運算可以減少資料在網路上的傳輸，從而降低資料泄露和攻擊的風險。
邊緣運算（Edge Computing）的工作流程
邊緣運算的工作流程通常涉及以下步驟：
資料生成（Data Generation）： 資料在邊緣設備（如感測器、相機、物聯網設備等）上生成。
本地處理（Local Processing）： 資料在靠近資料生成源的邊緣設備、或本地伺服器上進行初步處理和過濾。
傳輸與儲存（Transmission and Storage）： 經過處理和過濾的資料，被傳輸到更高層次的邊緣或核心系統，進行進一步的分析和儲存。
資料分析與決策（Data Analysis and Decision Making）： 在核心系統中，資料進行深入分析，並生成決策或動作指令，這些指令可以回傳到邊緣設備執行。
邊緣運算就像家附近的小便利商店，而雲端資料中心則像市中心的大型超市或量販店，當你只需要買牛奶時，去便利商店既省時又方便，不用跑到市中心的超市或量販店，這樣就節省了時間（降低延遲）和交通費用（節省頻寬），邊緣運算透過在本地處理資料，提高了效率和安全性。
邊緣運算（Edge Computing）的技術細節
容器化與微服務架構（Containerization and Microservices Architecture）
容器化技術（如Docker和Kubernetes）在邊緣運算中的應用非常廣泛，容器化提供了輕量級的虛擬化環境，使得應用程序可以跨不同的邊緣設備進行部署和運行，而不受底層硬體的限制。Kubernetes為容器編排工具，能夠管理大規模分散在不同地點的容器，使其更易於部署、管理和擴展。微服務架構（Microservices Architecture）則將應用程序拆分為小型、獨立的服務，每個服務可以根據需求進行單獨部署和擴展，這樣的設計可以提高系統的靈活性和可維護性。
容器化技術就像把應用程式裝進小盒子裡，這些盒子可以在任何地方打開（運行）；Kubernetes則像自動倉庫管理系統，幫你安排和管理這些盒子的位置和數量；而微服務架構就像把大商店分成許多小攤位，每個攤位獨立運營，更靈活也更易維護。
人工智慧與機器學習（Artificial Intelligence and Machine Learning）
人工智慧（AI, Artificial Intelligence）和機器學習（ML, Machine Learning）在邊緣運算中扮演著重要角色，透過在邊緣設備上部署AI模型，可以實現即時資料處理和決策；例如，在工業物聯網中，AI模型可以用於故障檢測和預測性維護，這些模型通常在中心資料中心進行訓練，然後部署到邊緣設備以便在本地進行推理（Inference），從而減少資料傳輸的需求和延遲。
AI和機器學習在邊緣運算中就像是工廠裡的智慧機器人，能夠即時檢測故障並預測維護需求；這些智能機器人先在大城市（中心資料中心）接受訓練，然後被派遣到各地工廠（邊緣設備）執行任務。
5G網路（5G Networks）
5G網路為邊緣運算提供了更高的資料傳輸速度和更低的延遲，5G的高頻寬和低延遲特性使得邊緣設備能夠更快地與資料中心或其他設備通訊，這對於需要即時資料處理的應用尤為重要，例如，自動駕駛汽車需要處理大量來自各種傳感器的資料，5G網路的支援使這些資料能夠更快速地在車輛和邊緣設備之間傳輸，從而提高行車安全性和效率。
安全性（Security）
邊緣運算的分散性增加了安全管理的複雜性，為了保證資料的安全性，需要採取多層次的安全措施，包括資料加密（Data Encryption）、身份驗證（Authentication）和訪問控制（Access Control）等；此外，由於邊緣設備可能處於無人值守的環境中，這些設備還需要具備自我防護（Self-protection）和自我修復（Self-healing）的能力，以應對潛在的安全威脅和操作故障。
邊緣設備的管理與自動化（Edge Device Management and Automation）
由於邊緣設備數量龐大且分佈廣泛，管理這些設備的挑戰非常大，自動化技術在這方面發揮了關鍵作用，自動化工具可以幫助部署、管理和監控大量分佈在不同地點的邊緣設備，從而減少人為錯誤並提高運營效率，這包括自動化配置、軟體更新和故障檢測等，確保邊緣設備能夠高效運行並快速響應任何問題。
市場規模與產值預估
根據多個市場研究機構的預測，邊緣運算市場在未來幾年將快速增長：
市場規模和增長率
產業投資
大量企業正在增加對邊緣運算的投資，尤其是在電信、製造、醫療和智慧城市等領域，這些產業對低延遲和高效率資料處理的需求正在推動邊緣運算技術的廣泛應用。
區域市場
北美和亞太地區是邊緣運算技術的主要市場，北美擁有強大的技術基礎設施和大量的技術企業，而亞太地區則因其快速的城市化和數位化轉型而成為重要的增長市場。
應用領域
邊緣運算在工業物聯網（IIoT, Industrial Internet of Things）、智慧城市（Smart Cities）、自動駕駛（Autonomous Driving）、遠端醫療（Telemedicine）、和虛擬現實/增強現實（VR/AR, Virtual Reality/Augmented Reality）等領域的應用前景廣闊，這些領域對低延遲和高效能的需求將推動邊緣運算市場的快速增長。
總結
邊緣運算（Edge Computing）透過將運算和資料處理推向資料源的更接近位置，顯著降低了延遲（Latency），節省了頻寬（Bandwidth），並提高了資料處理的安全性（Security）和效率（Efficiency）；其架構分為核心層（Core Layer）、近邊緣層（Near Edge Layer）和遠邊緣層（Far Edge Layer），這三層共同協作以滿足不同應用場景的需求；未來，隨著5G網路（5G Networks）的普及和人工智能技術（Artificial Intelligence, AI）的進步，邊緣運算將在自動駕駛（Autonomous Driving）、智慧城市（Smart Cities）、工業物聯網（Industrial Internet of Things, IIoT）和遠端醫療（Telemedicine）等領域扮演越來越重要的角色；市場預測顯示，全球邊緣運算市場將在未來幾年內快速增長，預計到2027年市場規模將達到430億美元。
參考資料
1. Edge computing trends in 2023 - TechHQ: https://www.techhq.com
2. What is edge computing and what makes it so different? | Red Hat Developer: https://developers.redhat.com/articles/2023/04/12/what-edge-computing-and-what-makes-it-so-different
3. The Top 10 Edge Computing And IoT Trends That Matter In 2023 (Forrester): https://www.forrester.com/report/the-top-10-edge-computing-and-iot-trends-that-matter-in-2023/
4. Building an Edge Computing Strategy (Gartner): https://www.gartner.com/en/documents/3985277/building-an-edge-computing-strategy
5. Edge computing: 4 trends for 2023 | The Enterprisers Project: https://enterprisersproject.com/article/2023/01/edge-computing-4-trends-2023
6. The State of Edge Computing in 2023 (Datacenters.com): https://www.datacenters.com/news/the-state-of-edge-computing-in-2023
7. The Untapped Value at the Intelligent Edge | Bain & Company: https://www.bain.com/insights/the-untapped-value-at-the-intelligent-edge/
8. A Guide to Edge Computing Technology | The New Stack: https://thenewstack.io/a-guide-to-edge-computing-technology/
9. How edge computing is transforming our world | IEC e-tech: https://etech.iec.ch/issue/2022-04/how-edge-computing-is-transforming-our-world/
10. 2023 IT Infrastructure Review – reflecting on edge computing (Schneider Electric Blog): https://blog.se.com/infrastructure/2023/06/15/2023-it-infrastructure-review-reflecting-on-edge-computing/
11. The Top 10 Edge Computing And IoT Trends That Matter In 2023 (Forrester): https://www.forrester.com/report/the-top-10-edge-computing-and-iot-trends-that-matter-in-2023/
12. Building an Edge Computing Strategy (Gartner): https://www.gartner.com/en/documents/3985277/building-an-edge-computing-strategy