人工智能使邊緣計算和物聯網更智能

張元

在邊緣采用人工智能不僅可以減少網絡延遲和運營成本，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器學習技術。

現在人工智能不再局限于應用在大型數據中心，通過將其移至網絡邊緣，企業可以減少延遲、提高性能、降低帶寬需求，并使設備在沒有網絡連接的情況下也能繼續運行。

在邊緣使用人工智能的主要驅動因素之一是，如果所有的數據都必須由集中的云計算解決方案和傳統數據中心處理，那么產生的大量數據將會使互聯網癱瘓。

Booz Allen Hamilton公司副總裁Ki Lee說：“將所有這些數據發送到集中式云平臺進行處理的需求將會受到網絡帶寬和延遲的限制。”

應對Bot機器人攻擊

很少有公司會像Akamai公司遇到這個問題。Akamai公司運營著世界上規模最大的內容分發網絡，在135個國家/地區擁有和運營約325 000臺服務器，每秒輸送超過100 TB的網絡流量。

Akamai公司產品和行業營銷全球副總裁Ari Weil表示，邊緣計算是提高性能和安全性的關鍵。

Weil指出，以Bot機器人為例。Bot機器人攻擊是威脅互聯網安全的一個巨大問題，它們通過自動憑證填充和拒絕服務攻擊來攻擊Akamai公司的客戶。另外，它們采用大量無用流量堵塞了網絡，從而使Akamai公司造成更多的損失。

網絡犯罪分子還使用Bot機器人試圖滲透企業、研究機構和醫療保健組織的網絡防御體系，他們的攻擊是無止境的，例如，黑客最近已經開始使用Bots機器人搶奪疫苗預約資格。

Akamai公司的調查表明，該公司的網絡每小時有4.85億個Bot請求，每天2.8億個Bot嘗試登錄。在與它們的斗爭過程中，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機器人。

他說：“應對此立即采取行動，例如，遇到JavaScript挑戰時，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，則無法完成這項工作。我們還試圖通過使計算成本過高來使Bot機器人攻擊者破產。”

Akamai公司在2019年開始使用集中式深度學習來識別Bot機器人攻擊行為，并開發更好的機器學習模型，然后將這些模型分發到邊緣以實際完成工作。

人工智能還用于分析Akamai的威脅情報。Weil說：“這是一個大數據問題，我們在龐大的數據庫中獲取大量數據，然后針對這些數據嘗試不同的模型以查找惡意簽名。一旦確定了模式，就可以在整個平臺上使用它。”

有時的消息是無害的，但來自惡意源命令和控制流量。Weil說：“我們訓練邊緣模型以識別來自該特定區域或特定IP地址的流量，并在邊緣應用緩解技術。”

最終結果是，Akamai公司節省了大量成本，因為不必承載來自Bot機器人或惡意軟件的流量。客戶可以節省成本是因為他們不必為浪費的帶寬支付費用，而且客戶的數據更安全，因為他們需要處理的Bot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18.6億次應用程序級別的攻擊，并阻止了超過700億次的憑據濫用攻擊。

管理邊緣物聯網

在邊緣采用的人工智能也可以降低物聯網策略的數據和網絡負載，物聯網設備可以產生大量的信息，但通常情況下，信息是常規的和重復的。

Weil說：“物聯網設備生成了很多數據，因此，需要仔細檢查所有內容，然后尋找表明系統可能出現故障的信號。”為此，在邊緣部署了機器學習技術以了解關鍵信號是什么，并在將數據發送給客戶之前對其進行預處理。

以一輛聯網汽車為例，它可能從一個城市到另一個城市，甚至到不同海拔和氣候的地區行駛。然而適合某個位置的讀數可能不適合另一個位置或者出現問題，可通過數據的快速變化來表示。在這里，機器學習技術變得至關重要。

IEEE成員、Centric Consulting云計算技術和新興技術業務負責人Carmen Fontana說，“將智能技術帶入設備是目前物聯網最大的增長領域之一。”這個問題在許多行業中都已經出現，不僅是汽車行業，盡管自動駕駛車輛確實對網絡延遲有著嚴格的要求。她說：“將車輛的數據傳輸到數據中心進行處理，然后將做出的決定返回來，這個時間對于行駛中的車輛來說太長了。”

但是，移動緩慢或固定的設備也可以從邊緣進行更多處理而受益。她說：“一個常見的例子是在偏遠地區安裝太陽能電池板，那里沒有暢通的移動電話服務或WiFi，能夠處理數據并在本地做出決策是非常重要的。”

分布式智能還使企業能夠減少從設備返回的消息流量，從而降低了網絡成本和能源消耗。她說：“數據存儲成本高昂，而且能源效率不高，如果可以消除很多需要傳輸和存儲的數據，那么這將是一個非常好的節能措施。”

人工智能也越來越多地被用于邊緣，為設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，可以感應我的生理指標，例如心率和呼吸模式，它可以計算出我在運動時鍛煉的強度。”

分布式人工智能的優勢

邊緣的人工智能功能可以幫助跨網絡設備創建智能的分布式計算環境，這對知道如何利用它的組織來說是一個獨特的優勢。

能源和水資源管理技術開發商Itron公司的信息管理成果主管Tim Driscoll表示，公用事業行業組織將熱衷于采用分布式智能。他說：“位于公用事業公司配電網邊緣的儀表具有類似于智能手機的應用程序平臺。這些儀表通過機器學習來響應變化的電壓和負載條件，使電表能夠為電網控制提供主動實時的建議。”

但是更有趣的是，電表可以協同工作，從它們自己的通信網絡的行為、性能和可靠性中學習。他說：“通過消除集中分析的需要，簡化了網絡管理。”隨著電力系統的發展，以在配電網中包含更多的分布式發電，邊緣計算變得更加重要。傳統上，只有本地負載才是電網的變量，而其發電和電流需要集中控制。如今這3個因素都是變量。

Driscoll說，“這是由邊緣處理和機器學習驅動的自主、本地、實時響應的主要驅動因素。”

Booz Allen Hamilton的Lee表示，除了更低的延遲和更低的成本之外，將人工智能和機器學習帶到邊緣還可以幫助提高人工智能的處理速度。那是因為分散的邊緣人工智能使模型校準的頻率最大化。他說，“這不僅降低了模型開發成本和進度，而且還提高了模型性能。”

風險與挑戰

Lee表示，但是處于邊緣的人工智能也帶來了風險和挑戰，這包括當前缺乏標準。他說：“我們看到各種各樣通常不兼容的邊緣硬件設備，處理器芯片組、傳感器、數據格式和協議，需要更加集中精力開發通用的開放式架構。”

此外，該領域的許多參與者都將重點放在一次性解決方案上，這些解決方案不可擴展或不能互操作，或者基于傳統的軟件交付模型。他說：“我們仍然看到專為特定設備而構建的單片應用程序。從設計的角度來看，我們還看到了典型的中心輻射型架構，當連接受限時，該架構可能會失敗。分布式人工智能的另一個挑戰是網絡安全，隨著部署的邊緣設備數量的增加，網絡攻擊面顯著增加。”

人們已經看到網絡攻擊者利用不安全的物聯網設備進行攻擊，例如MiraiBotnet在2016年感染了數十萬臺設備。隨著物聯網設備的不斷擴散，并且變得更智能，它們所帶來的風險也將增加。

一種方法是將機器學習應用于問題，并使用它來檢測威脅，Lee指出，但是邊緣硬件通常更小、資源更多，在處理更多數據方面會受到限制。

凱捷公司工程和研發業務首席技術官Shamik Mishra表示，基于人工智能的邊緣計算可以在網絡安全方面發揮巨大作用的地方是微數據中心。他說：“威脅檢測、漏洞管理、外圍安全和應用程序安全可以在邊緣解決，人工智能算法可以分散，通過異常檢測來檢測威脅。”

Mishra表示，諸如安全訪問服務邊緣之類的新技術也在不斷涌現，這些將廣域網與安全功能結合在一起。我們分發的功能越多，受到的網絡攻擊也更多，IT系統就越容易受到攻擊。因此，邊緣計算應用程序必須將安全性作為設計優先級。