人工智能使邊緣計(jì)算和物聯(lián)網(wǎng)更智能

張?jiān)?/p>

在邊緣采用人工智能不僅可以減少網(wǎng)絡(luò)延遲和運(yùn)營(yíng)成本，而且可以提高安全性，并釋放分布式智能的能力。如今，很多事物被稱為智能設(shè)備，其中包括從燈泡到汽車等，而這些事物的智能化都來自某種形式的人工智能或機(jī)器學(xué)習(xí)技術(shù)。

現(xiàn)在人工智能不再局限于應(yīng)用在大型數(shù)據(jù)中心，通過將其移至網(wǎng)絡(luò)邊緣，企業(yè)可以減少延遲、提高性能、降低帶寬需求，并使設(shè)備在沒有網(wǎng)絡(luò)連接的情況下也能繼續(xù)運(yùn)行。

在邊緣使用人工智能的主要驅(qū)動(dòng)因素之一是，如果所有的數(shù)據(jù)都必須由集中的云計(jì)算解決方案和傳統(tǒng)數(shù)據(jù)中心處理，那么產(chǎn)生的大量數(shù)據(jù)將會(huì)使互聯(lián)網(wǎng)癱瘓。

Booz Allen Hamilton公司副總裁Ki Lee說：“將所有這些數(shù)據(jù)發(fā)送到集中式云平臺(tái)進(jìn)行處理的需求將會(huì)受到網(wǎng)絡(luò)帶寬和延遲的限制?！?/p>

應(yīng)對(duì)Bot機(jī)器人攻擊

很少有公司會(huì)像Akamai公司遇到這個(gè)問題。Akamai公司運(yùn)營(yíng)著世界上規(guī)模最大的內(nèi)容分發(fā)網(wǎng)絡(luò)，在135個(gè)國(guó)家/地區(qū)擁有和運(yùn)營(yíng)約325 000臺(tái)服務(wù)器，每秒輸送超過100 TB的網(wǎng)絡(luò)流量。

Akamai公司產(chǎn)品和行業(yè)營(yíng)銷全球副總裁Ari Weil表示，邊緣計(jì)算是提高性能和安全性的關(guān)鍵。

Weil指出，以Bot機(jī)器人為例。Bot機(jī)器人攻擊是威脅互聯(lián)網(wǎng)安全的一個(gè)巨大問題，它們通過自動(dòng)憑證填充和拒絕服務(wù)攻擊來攻擊Akamai公司的客戶。另外，它們采用大量無用流量堵塞了網(wǎng)絡(luò)，從而使Akamai公司造成更多的損失。

網(wǎng)絡(luò)犯罪分子還使用Bot機(jī)器人試圖滲透企業(yè)、研究機(jī)構(gòu)和醫(yī)療保健組織的網(wǎng)絡(luò)防御體系，他們的攻擊是無止境的，例如，黑客最近已經(jīng)開始使用Bots機(jī)器人搶奪疫苗預(yù)約資格。

Akamai公司的調(diào)查表明，該公司的網(wǎng)絡(luò)每小時(shí)有4.85億個(gè)Bot請(qǐng)求，每天2.8億個(gè)Bot嘗試登錄。在與它們的斗爭(zhēng)過程中，Akamai公司從2018年開始在邊緣部署人工智能，以確定特定用戶是真正的人類還是Bot機(jī)器人。

他說：“應(yīng)對(duì)此立即采取行動(dòng)，例如，遇到JavaScript挑戰(zhàn)時(shí)，我們要求客戶的瀏覽器完成一些工作，如果并不是真正的瀏覽器，則無法完成這項(xiàng)工作。我們還試圖通過使計(jì)算成本過高來使Bot機(jī)器人攻擊者破產(chǎn)?！?/p>

Akamai公司在2019年開始使用集中式深度學(xué)習(xí)來識(shí)別Bot機(jī)器人攻擊行為，并開發(fā)更好的機(jī)器學(xué)習(xí)模型，然后將這些模型分發(fā)到邊緣以實(shí)際完成工作。

人工智能還用于分析Akamai的威脅情報(bào)。Weil說：“這是一個(gè)大數(shù)據(jù)問題，我們?cè)邶嫶蟮臄?shù)據(jù)庫(kù)中獲取大量數(shù)據(jù)，然后針對(duì)這些數(shù)據(jù)嘗試不同的模型以查找惡意簽名。一旦確定了模式，就可以在整個(gè)平臺(tái)上使用它?！?/p>

有時(shí)的消息是無害的，但來自惡意源命令和控制流量。Weil說：“我們訓(xùn)練邊緣模型以識(shí)別來自該特定區(qū)域或特定IP地址的流量，并在邊緣應(yīng)用緩解技術(shù)?！?/p>

最終結(jié)果是，Akamai公司節(jié)省了大量成本，因?yàn)椴槐爻休d來自Bot機(jī)器人或惡意軟件的流量。客戶可以節(jié)省成本是因?yàn)樗麄儾槐貫槔速M(fèi)的帶寬支付費(fèi)用，而且客戶的數(shù)據(jù)更安全，因?yàn)樗麄冃枰幚淼腂ot和惡意軟件樣本減少了。

Weil表示，在2020年第4季度，Akamai公司阻止了18.6億次應(yīng)用程序級(jí)別的攻擊，并阻止了超過700億次的憑據(jù)濫用攻擊。

管理邊緣物聯(lián)網(wǎng)

在邊緣采用的人工智能也可以降低物聯(lián)網(wǎng)策略的數(shù)據(jù)和網(wǎng)絡(luò)負(fù)載，物聯(lián)網(wǎng)設(shè)備可以產(chǎn)生大量的信息，但通常情況下，信息是常規(guī)的和重復(fù)的。

Weil說：“物聯(lián)網(wǎng)設(shè)備生成了很多數(shù)據(jù)，因此，需要仔細(xì)檢查所有內(nèi)容，然后尋找表明系統(tǒng)可能出現(xiàn)故障的信號(hào)?！睘榇?，在邊緣部署了機(jī)器學(xué)習(xí)技術(shù)以了解關(guān)鍵信號(hào)是什么，并在將數(shù)據(jù)發(fā)送給客戶之前對(duì)其進(jìn)行預(yù)處理。

以一輛聯(lián)網(wǎng)汽車為例，它可能從一個(gè)城市到另一個(gè)城市，甚至到不同海拔和氣候的地區(qū)行駛。然而適合某個(gè)位置的讀數(shù)可能不適合另一個(gè)位置或者出現(xiàn)問題，可通過數(shù)據(jù)的快速變化來表示。在這里，機(jī)器學(xué)習(xí)技術(shù)變得至關(guān)重要。

IEEE成員、Centric Consulting云計(jì)算技術(shù)和新興技術(shù)業(yè)務(wù)負(fù)責(zé)人Carmen Fontana說，“將智能技術(shù)帶入設(shè)備是目前物聯(lián)網(wǎng)最大的增長(zhǎng)領(lǐng)域之一。”這個(gè)問題在許多行業(yè)中都已經(jīng)出現(xiàn)，不僅是汽車行業(yè)，盡管自動(dòng)駕駛車輛確實(shí)對(duì)網(wǎng)絡(luò)延遲有著嚴(yán)格的要求。她說：“將車輛的數(shù)據(jù)傳輸?shù)綌?shù)據(jù)中心進(jìn)行處理，然后將做出的決定返回來，這個(gè)時(shí)間對(duì)于行駛中的車輛來說太長(zhǎng)了?！?p>

但是，移動(dòng)緩慢或固定的設(shè)備也可以從邊緣進(jìn)行更多處理而受益。她說：“一個(gè)常見的例子是在偏遠(yuǎn)地區(qū)安裝太陽能電池板，那里沒有暢通的移動(dòng)電話服務(wù)或WiFi，能夠處理數(shù)據(jù)并在本地做出決策是非常重要的?！?/p>

分布式智能還使企業(yè)能夠減少?gòu)脑O(shè)備返回的消息流量，從而降低了網(wǎng)絡(luò)成本和能源消耗。她說：“數(shù)據(jù)存儲(chǔ)成本高昂，而且能源效率不高，如果可以消除很多需要傳輸和存儲(chǔ)的數(shù)據(jù)，那么這將是一個(gè)非常好的節(jié)能措施。”

人工智能也越來越多地被用于邊緣，為設(shè)備提供與眾不同的功能。Fontana說：“例如，我的手腕就佩戴了一只智能手表，可以感應(yīng)我的生理指標(biāo)，例如心率和呼吸模式，它可以計(jì)算出我在運(yùn)動(dòng)時(shí)鍛煉的強(qiáng)度?！?/p>

分布式人工智能的優(yōu)勢(shì)

邊緣的人工智能功能可以幫助跨網(wǎng)絡(luò)設(shè)備創(chuàng)建智能的分布式計(jì)算環(huán)境，這對(duì)知道如何利用它的組織來說是一個(gè)獨(dú)特的優(yōu)勢(shì)。

能源和水資源管理技術(shù)開發(fā)商Itron公司的信息管理成果主管Tim Driscoll表示，公用事業(yè)行業(yè)組織將熱衷于采用分布式智能。他說：“位于公用事業(yè)公司配電網(wǎng)邊緣的儀表具有類似于智能手機(jī)的應(yīng)用程序平臺(tái)。這些儀表通過機(jī)器學(xué)習(xí)來響應(yīng)變化的電壓和負(fù)載條件，使電表能夠?yàn)殡娋W(wǎng)控制提供主動(dòng)實(shí)時(shí)的建議?！?/p>

但是更有趣的是，電表可以協(xié)同工作，從它們自己的通信網(wǎng)絡(luò)的行為、性能和可靠性中學(xué)習(xí)。他說：“通過消除集中分析的需要，簡(jiǎn)化了網(wǎng)絡(luò)管理。”隨著電力系統(tǒng)的發(fā)展，以在配電網(wǎng)中包含更多的分布式發(fā)電，邊緣計(jì)算變得更加重要。傳統(tǒng)上，只有本地負(fù)載才是電網(wǎng)的變量，而其發(fā)電和電流需要集中控制。如今這3個(gè)因素都是變量。

Driscoll說，“這是由邊緣處理和機(jī)器學(xué)習(xí)驅(qū)動(dòng)的自主、本地、實(shí)時(shí)響應(yīng)的主要驅(qū)動(dòng)因素?！?/p>

Booz Allen Hamilton的Lee表示，除了更低的延遲和更低的成本之外，將人工智能和機(jī)器學(xué)習(xí)帶到邊緣還可以幫助提高人工智能的處理速度。那是因?yàn)榉稚⒌倪吘壢斯ぶ悄苁鼓Ｐ托?zhǔn)的頻率最大化。他說，“這不僅降低了模型開發(fā)成本和進(jìn)度，而且還提高了模型性能。”

風(fēng)險(xiǎn)與挑戰(zhàn)

Lee表示，但是處于邊緣的人工智能也帶來了風(fēng)險(xiǎn)和挑戰(zhàn)，這包括當(dāng)前缺乏標(biāo)準(zhǔn)。他說：“我們看到各種各樣通常不兼容的邊緣硬件設(shè)備，處理器芯片組、傳感器、數(shù)據(jù)格式和協(xié)議，需要更加集中精力開發(fā)通用的開放式架構(gòu)?！?/p>

此外，該領(lǐng)域的許多參與者都將重點(diǎn)放在一次性解決方案上，這些解決方案不可擴(kuò)展或不能互操作，或者基于傳統(tǒng)的軟件交付模型。他說：“我們?nèi)匀豢吹綄樘囟ㄔO(shè)備而構(gòu)建的單片應(yīng)用程序。從設(shè)計(jì)的角度來看，我們還看到了典型的中心輻射型架構(gòu)，當(dāng)連接受限時(shí)，該架構(gòu)可能會(huì)失敗。分布式人工智能的另一個(gè)挑戰(zhàn)是網(wǎng)絡(luò)安全，隨著部署的邊緣設(shè)備數(shù)量的增加，網(wǎng)絡(luò)攻擊面顯著增加?！?/p>

人們已經(jīng)看到網(wǎng)絡(luò)攻擊者利用不安全的物聯(lián)網(wǎng)設(shè)備進(jìn)行攻擊，例如MiraiBotnet在2016年感染了數(shù)十萬臺(tái)設(shè)備。隨著物聯(lián)網(wǎng)設(shè)備的不斷擴(kuò)散，并且變得更智能，它們所帶來的風(fēng)險(xiǎn)也將增加。

一種方法是將機(jī)器學(xué)習(xí)應(yīng)用于問題，并使用它來檢測(cè)威脅，Lee指出，但是邊緣硬件通常更小、資源更多，在處理更多數(shù)據(jù)方面會(huì)受到限制。

凱捷公司工程和研發(fā)業(yè)務(wù)首席技術(shù)官Shamik Mishra表示，基于人工智能的邊緣計(jì)算可以在網(wǎng)絡(luò)安全方面發(fā)揮巨大作用的地方是微數(shù)據(jù)中心。他說：“威脅檢測(cè)、漏洞管理、外圍安全和應(yīng)用程序安全可以在邊緣解決，人工智能算法可以分散，通過異常檢測(cè)來檢測(cè)威脅?！?p>

Mishra表示，諸如安全訪問服務(wù)邊緣之類的新技術(shù)也在不斷涌現(xiàn)，這些將廣域網(wǎng)與安全功能結(jié)合在一起。我們分發(fā)的功能越多，受到的網(wǎng)絡(luò)攻擊也更多，IT系統(tǒng)就越容易受到攻擊。因此，邊緣計(jì)算應(yīng)用程序必須將安全性作為設(shè)計(jì)優(yōu)先級(jí)。