边缘计算策略实施时，IT领导者要留意的五个短板

译者：朱钢

边缘技术有望在未来一年更加动力十足–但在制定战略前，以下专家建议可供参考：

2022 年是边缘计算落地的一年吗?

从财务角度来看，边缘计算已经到来：国际数据公司(IDC)预测，今年全球企业在边缘计算上将花费 1760 亿美元，比 2021 年增长约 15%。

但说到底，这也只是一个(大)数字而已。在架构方法、技术能力、企业用例、安全策略等方面，有很多显著迹象表明边缘计算已臻于成熟。

最近在分析2022年值得关注的边缘计算趋势时，红帽技术布道者戈登·哈夫(Gordon Haff)写道：“虽然我们在某些边缘计算部署中看到旧架构的影子，但我们也确实看到了边缘计算全新的发展趋势，或者至少是与以前大不相同的趋势”。“边缘计算正在帮助IT和商业领袖解决电信到汽车等行业的问题，这些行业传感器数据和机器学习(ML)数据呈激增态势”。

IT领导者在解决业务问题时通常不会毫无计划，这就是为什么边缘战略以及物联网和机器学习等相关类别在业务路线图上占据突出地位。例如，在红帽的《2022年全球技术展望》报告中，61%的受访者表示计划在未来12个月内运行物联网或边缘工作负载(或两者兼而有之)。

要避免的五个边缘计算陷阱

我们邀请到一些IT 领导者和边缘计算专家，让他们来阐明各自认为的企业边缘战略中存在的一些短板——即使这些短板不完全影响投资回报率(ROI)。 以下是在推出边缘计划时需要关注的五个领域。

1. 不要太拘泥于“边缘”的普遍定义

与其他高端科技术语一样，行业对术语定义是有些教条的，它并不能反映特定团队或组织的日常现实。一刀切的定义也就意味着一刀切的战略。

边缘战略中需要留意的第一个大坑是：没有放之四海而皆准的解决方案。正如Capgemini Engineering公司首席技术官沙迈赫·米什拉(Shamik Mishra)所言：“不要试图将目标强加到不适合的边缘战略(或技术平台)中”。

“边缘有不同的解释，”米什拉说。“移动设备可以是一种边缘，本地微型数据中心也可以是。”

一家公司的“边缘服务器”可能意味着专用硬件，而另一家公司的“边缘服务器”可能意味着非常规位置的传统服务器。

用例也是如此。虽然基于行业或其他背景的可重复用例会持续出现，但企业战略需要特定于企业。

“边缘计算的应用因行业而异，因地区而异，”米什拉说。“基于无人机的检查方式可能在一个地理区域适用，但相同的用例在另一个地理区域可能就不适用。”

这并不是说没有普遍关注点。安全性就是一个很好的例子：忽略安全性的边缘策略是不完整的。

自动化是另一个共同点。“缺乏自动化也可能导致维护成本更高，从而抵消边缘计算的业务优势，因此需要预先考虑适当的自动化策略”，米什拉说。

2. 低估变更管理，风险自负

对于经验丰富的 IT 领导者来说，这不是什么爆炸性内容，更多是一种温馨提醒，不过也值得在此列出：忽略影响人们日常工作的这样一项重要边缘计算计划，并不是好事。

“边缘战略中最大短板之一是未能让所有必要利益相关者参与进来，”Akamai 企业架构师 乔希·约翰逊(Josh Johnson) 表示。“将工作负载迁移到边缘不是一个‘直接迁移’的操作，而是一个涉及多个团队更改的项目。”

在 IT 层面内，几乎每个广泛的功能都需要一些学习和/或适应，特别是如果你还没有在边缘架构中运行大量工作负载并且也没有可以利用的过去的经验。 示例包括：

开发人员：比如主要负责编写代码的人员可能需要学习边缘开发和部署的优秀实践。

约翰逊表示：“从服务器数量和位置较少的环境迁移到数千个位置更小的环境，需要完全不同的设计和架构考虑因素”。

Operations/DevOps/SRE：负责检测、监控和配置管理等运营需求的人员可能需要重新考虑各自边缘计算实践和工具。

“如果不了解在边缘执行的代码，就很难验证应用程序是否按预期运行，”约翰逊说。

安全性：随着越来越多的工作负载迁移到边缘(无论组织对该术语定义具体如何)，安全性自然会成为一个重要的关注领域。这将需要改变传统的安全策略，正如向分布式IT环境(比如混合云和多云)的更广泛转变也需要类似的变化一样。

约翰逊表示：“安全团队需要改进其实践，以确保边缘应用程序受到保护”，“代码和数据存在于边缘，在数据中心内传统防火墙的保护之外”。

3. 优先考虑一致性、可预测性和可重复性

依靠一次性“雪花”模式取得成功的边缘策略可能会在长期产生麻烦。

这是混合云架构经验可能有利于边缘模式的另一个领域：如果你已经了解自动化和可重复性对生产中运行的数百个容器的重要性，那么在边缘计算方面你也会看到类似的价值。

Aerospike电信解决方案全球总监马沙希德·马祖默德(Shahed Mazumder)建议：“遵循标准化架构并避免碎片化，碎片化是数百种不同系统的管理噩梦”，“一致性和可预测性将是边缘部署的关键，就像它们是基于云的部署的关键一样。”

事实上，这正是一个云与边缘关系加深的体现，比如一些混合云中有益又实用的方法将同样延续到边缘。一般来说，如果你已经在解决混合云或多云环境中涉及的一些复杂性问题，那么你已走在正确的道路上。

SAS物联网高级经理萨如阿布·米什拉(Saurabh Mishra)表示：“边缘环境本质上是异构的，组织应该准备好解决这个问题，”“当尝试使用容器和Kubernetes在边缘创建一个公平的竞争环境时，这一点尤其重要。它还有助于将工作负载从云转移到边缘，因为边缘变得更加突出”。

4. 了解如何处理大规模管理

第三点直接影响第四点：你不会想在投入生产环境后才弄清如何管理一切。就像云管理一样，集中式平台对于任何重要实施都是一个好主意。

“在投资平台时，重要的是专注一个能集中管理边缘基础设施和工作负载的平台，”SAS的米拉什说。“虽然大多数边缘用例都希望通过与云的持续连接来执行工作负载，但关键是要有一个管理平台，允许配置更改并将新工作负载从云中推送到边缘。从边缘到云的报告状态和警报是推动企业规模和进行采用的原因”。

边缘和云之间的关系应该是互相助益的。例如，SAS 的米什拉表示，设计依赖于边缘和云工作负载的用例很有价值，其中本地处理和警报发生在边缘，但在云中创建了全局“队列级”视图。

5. “一次构建，随处运行”的心态不适用于所有工作负载

正如云计算和边缘计算天生关联一样，机器学习和边缘/物联网用例也是如此。

然而，一些团队可能会发现，在本地或超大规模云中运行良好的模型在边缘环境中开始出现问题。

Wallaroo平台工程副总裁保罗·莱加托(Paul Legato)表示：“我们看到客户构建和训练的模型令人惊叹，但他们最终无法在边缘使用AI / ML”，“原因在于，执行效率至关重要。你需要从有限的计算中获取所有能得到的推论”。

随着边缘计算工作负载变得越来越复杂，IT领导者和团队需要记住，在现代软件范式中适用于其他地方的“随处运行”理念在边缘架构中可能比较棘手。ML工作负载就是这种情况的一个主要示例。

“边缘的机器学习也是关于在高度有限的硬件上运行模型”，莱加托说。“你可以按下一个按钮，在云中获得最新、最强大的128 CPU核心机器，但在边缘，你是运行在一个小型的、功能不足的工业PC或安全摄像头上，而其只有最少的CPU和RAM可用”。