遠距傳輸?shù)牡凸木W(wǎng)絡技術LoRaWAN及邊緣人工智能如何革新物聯(lián)網(wǎng)
人工智能(AI)與物聯(lián)網(wǎng)(IoT)在實際應用中的落地融合,形成了 AIoT(智能物聯(lián)網(wǎng)),也就是萬物的智能互聯(lián)。目前,AIoT已經(jīng)成為業(yè)界公認的未來技術主流形態(tài)。艾瑞咨詢最近發(fā)布的《2020中國智能物聯(lián)網(wǎng)(AIoT)白皮書》預測,2025年,中國物聯(lián)網(wǎng)連接數(shù)近200億個,海量連接產(chǎn)生的交互及數(shù)據(jù)分析需求將促使IoT與AI進行更深層次的融合。另一方面,智能的物聯(lián)網(wǎng)系統(tǒng)暴露了云計算中的潛在問題。智能和自動化的增加,無可避免地導致性能表現(xiàn)及安全性突出的應用出現(xiàn)了無法預料的延遲。
現(xiàn)今,兩大主要挑戰(zhàn)威脅著數(shù)量倍增的連網(wǎng)裝置:一是用于遠程通訊的邊緣裝置的性能,二是離網(wǎng)型物聯(lián)網(wǎng)應用的電池壽命。
原始數(shù)據(jù)的傳輸對任何裝置來說都是十分耗電的。傳統(tǒng)的蜂巢式廣域網(wǎng)(WAN)功耗大,因此不適用于電池供電的物聯(lián)網(wǎng)裝置。物聯(lián)網(wǎng)應用LoRaWAN(遠距離,廣域網(wǎng))是物聯(lián)網(wǎng)應用中的首選通訊協(xié)議之一,能夠處理人工智能如何透過邊緣應用來改變物聯(lián)網(wǎng)架構的問題。
為什么要使用LoRaWAN及邊緣人工智能?
隨著智能裝置的激增,核心網(wǎng)域和終端裝置都面臨著來自通訊的挑戰(zhàn),例如壅塞、安全性、服務延遲、數(shù)據(jù)隱私和缺乏互操作性。
對于網(wǎng)域,大部分的挑戰(zhàn)來自過度依賴云計算。將數(shù)據(jù)發(fā)送到云時,會產(chǎn)生更大量的能源消耗、帶寬、存儲和延遲,導致更高的成本。而霧計算或邊緣計算可以降低成本并提高效率。
當使用無線技術進行數(shù)據(jù)傳輸時,終端裝置中的通訊障礙就會出現(xiàn)。在物聯(lián)網(wǎng)中,藍牙和其他無線標準技術的優(yōu)勢是低功耗,但有限的覆蓋范圍卻是一大障礙,特別是對于智慧城市服務而言。在這種情況下,低功率廣域網(wǎng)(LPWAN)成為了介于遠程蜂巢式和短程操作技術間的可靠的替代方案。
LPWAN是在Sub-GHz免照無線電頻段上運作的低功耗及覆蓋范圍更廣的通訊物理層。LPWAN是對鏈路和網(wǎng)絡層有效的標準協(xié)議,提供可變的數(shù)據(jù)速率,增加了以吞吐量交換為鏈路穩(wěn)健性、覆蓋范圍或能量消耗的可能。而組織單位和個人都可以部署LPWAN網(wǎng)絡。
LPWAN和接近邊緣的霧計算架構
在智能和數(shù)據(jù)處理方面,邊緣計算和霧計算看起來很相似。但是,它們之間的主要差別在于計算和智能所發(fā)生的位置。
霧計算的環(huán)境將智能處理放在區(qū)域網(wǎng)(LAN)上,將數(shù)據(jù)從端點傳輸?shù)骄W(wǎng)關。 而另一方面,邊緣計算將處理能力和智能放在嵌入式自動化控制器等裝置中。
這些裝置可以運行算法,產(chǎn)出邊緣智能—AI和邊緣計算的產(chǎn)物。
利用LPWAN進行邊緣計算的優(yōu)勢
· 減少數(shù)據(jù)傳輸: 邊緣計算減少了傳輸?shù)臄?shù)據(jù)量和云端存儲。另一個優(yōu)勢是將計算能力放置在網(wǎng)絡邊緣,可使延遲和成本極小化,同時減輕對帶寬的需求。
· 降低延遲: 邊緣計算可將數(shù)據(jù)傳輸、處理,以及依照從過程中獲得見解所采取之行動的時間間隔最小化。另外,以較低的成本增加了分析和事件處理的速度,信噪比也降低了。由于更加靠近終端用戶的位置,能夠降低核心網(wǎng)絡和連接裝置的帶寬及功耗,因此邊緣計算透過實時服務提供了低延遲能力,而這是智慧城市以及車對車通信和其他要求延遲低于數(shù)十毫秒的應用所必備的。這比主流的云服務的延遲要低。
· 安全性增強: 大多數(shù)的用戶將數(shù)據(jù)安全性和隱私視為首要考慮的問題,主要是因為這些因素對智慧城市的相關應用構成了安全威脅。安全性必須分三層:用戶隱私、數(shù)據(jù)安全性和網(wǎng)絡連接。 邊緣計算通過憑證升級和多個實體裝置上的安全檢查等措施,解決了物聯(lián)網(wǎng)安全性的挑戰(zhàn)。
· 擴展的應用程序: LPWAN和邊緣裝置在衛(wèi)生保健監(jiān)控中無所不在,例如用于偵測患者跌倒。 在篩選數(shù)據(jù)來進行實時處理的情況下,邊緣裝置可以提高準確度和適應能力。傳統(tǒng)系統(tǒng)中,在云端傳輸原始數(shù)據(jù)序列,因此警報的延遲增加了。邊緣系統(tǒng)透過將繁重的計算負載從傳感器節(jié)點調(diào)換到邊緣網(wǎng)關,來減少傳感器節(jié)點上的計算工作。
如何利用邊緣人工智能加速應用場景落地
雖然邊緣裝置的模型構建和訓練階段會消耗大量資源,并增加額外的復雜性,但市場上有提供定制和降低復雜性的高質(zhì)量選擇。
安富利的SmartEdge Agile裝置可以簡化并大幅降低這種復雜性。SmartEdge Agile是搭載各種類型傳感器的邊緣計算裝置。Brainium用于構建和訓練模型。該裝置具有LPWAN連接以建立霧計算架構,并使用網(wǎng)關連接到Brainium。安富利的SmartEdge工業(yè)物聯(lián)網(wǎng)網(wǎng)關可安全且無縫連接Brainium和云。