邊緣運算提升了「更快、更智慧、更好」的物聯網水準。它將技術和處理器帶到物聯網感測器產生資料的地方，而堅固型邊緣運算則將此策略推進到更具挑戰性的實體環境中。
在不穩定、不受控制且與資料中心結構形成鮮明對比的環境中，需要依靠先進的軟體演算法來提供超越人類能力或速度的智慧和準確性。這些產業面臨著對專業硬體日益增長的需求，這些硬體能夠有效執行演算法並整合最關鍵的即時工作負載，這些工作負載為重工業應用中改進自動化提供行動，以實現資料和本地化處理的自主性。
大多數智慧軟體演算法——工業人工智慧和機器學習的基礎——運行在極其精簡的層級。效率在此處對於即時決策至關重要，並且需要硬體協同工作以提供處理效能和可靠性。
透過智慧硬體策略解鎖人工智慧和預測分析
堅固、高效能系統首先必須能夠在最惡劣的物理環境中可靠部署。從外部機箱到內部組件，堅固型邊緣電腦的每個元件都必須透過機械和熱工程的結合進行專門建構，以解決強烈振動、惡劣溫度以及潮濕或灰塵等環境問題。
這些工業級電腦還需要經過驗證，能夠以極高的處理能力和儲存容量執行功能，旨在消除停機時間並確保穩定的 24/7 運作。透過專注於透過智慧硬體策略實現軟體效能，重工業營運正在獲得新的、更大的機會，以在資料來源處或附近透過快速、預測性分析實現即時決策。
資料是新的黃金，但前提是您能夠存取它
智慧物聯網應用程式產生越來越多的資料，這意味著更智慧的資料管理和存取對於提高自動化和簡化控制至關重要。這可以透過自主車隊路線規劃應用程式來證明，因為它依賴於各種感測器提供的豐富資料，這些感測器指示即時發生的情況。除了提高車輛效率和安全性之外，這些資料來源對於車輛追蹤、路線規劃、報告甚至監控車輛服務需求都至關重要。
例如，在概念驗證中，一輛自主駕駛的卡車透過部署在車輛中的一系列感測器（例如攝影機、光達和雷達）捕捉從 A 點到 B 點路線上的資料，並透過 CAN 匯流排等標準進行通訊。資料被收集和匯總，然後從系統中卸載以進行進一步分析或更強大的深度機器學習。智慧演算法使用這些資料來訓練汽車變得更智慧、更安全，利用堅固型邊緣系統作為資料聚合設備，以促進車輛的神經網路訓練（圖 1）。
這種推論運算透過依賴邊緣附近強大的處理器，識別出四腳物體正在過馬路，很可能是一條狗，從而能夠即時做出關鍵決策。硬體必須明確設計用於關鍵任務移動運算嚴苛環境下的效能，具有強大的多核心 CPU/GPU 處理、高頻寬、低延遲和無縫連接。被動散熱設計是關鍵，使系統能夠在極端溫度下運作，並具有抗震動和衝擊的能力，以及支援用於車輛電池的寬電壓電源保護。
這些堅固型邊緣設計透過 Wi-Fi 和 4G/LTE 連線以及 SIM 模組插槽，確保從基地台到整個車隊網路的無縫無線行動連線，從而提供更高的價值。該系統透過與車輛 CAN 匯流排通訊協定的整合，在車隊管理中發揮著重要作用。
車輛遠端資訊處理、GPS 和速度等關鍵資料會持續傳輸，同時接收排程資訊和安全資料，例如軌道狀況或軌道障礙。大型且堅固的儲存容量非常適合長途駕駛資料，包括 10 GbE 頻寬連線以雙向移動資料——有效地儲存和存取，以便持續訓練機器學習演算法以實現持續改進。
隨處可見的先進自動化是未來趨勢
高速自動化、缺陷檢測與預防以及影像辨識等應用程式都在一個生態系統中運作，機器在能力上變得更像人類——只是透過智慧訓練更快、更精確。電腦視覺本身現在提供了視覺技術和認知機器學習處理能力，這些能力就在資料產生的地方即可使用。這些應用程式由智慧軟體演算法驅動，像人類大腦一樣吸收和應用影像。
堅固耐用的高效能系統對於使智慧「物件偵測」軟體能夠比人眼更有效率地處理複雜的視覺任務是必要的。除了軟體演算法之外，這些系統還包括程式設計的感測器以及能夠高速分析影像的 CPU 和 GPU 運算能力。
x86 處理器中更快的運算能力和先進的即時圖形加速器，比工廠人員更快、更準確地提供結果。考慮到數千張圖像中可能有 25% 代表處理缺陷。即時發現這些錯誤是一個重要的商業優勢，直接來自更智慧的自動化和工作負載整合。
專用系統重新定義工業自動化
AI、IoT 和連線功能協同作用，可提升安全性和效能、監控並解決維護問題，並確保設施以一流的效率和安全性運作。在這個最佳化的工業運算環境中，資料流對於網路實體系統 (CPS) 的成功至關重要。CPS 通常包含閉迴路，連接嵌入式電腦、通訊網路和實體感測器，以建立無故障控制系統。
由於機器與資料之間固有的密切聯繫，以及它們在即時產生、存取和使用資料方面的作用，CPS 部署要求靠近資料來源本身。然而，系統通常受到其物理環境嚴苛條件的限制，並且對延遲、頻寬和可靠性問題高度敏感。這些因素完美地定義了堅固型邊緣運算的需求，其專為在惡劣物理環境中處理人工智慧和機器學習而設計。
在透過堅固型邊緣系統部署 CPS 時，IT 基礎設施更接近操作層級，使操作智慧和機器學習能夠支援即時決策。智慧機器因此可以獨立於人類運作，讓他們凡人對應者處理更具戰略性的業務操作。
這些價值適用於廣泛的應用，例如自動生產線檢測、智慧安全監控、生物醫學影像、視覺引導機器人/車輛等等。成本降低，安全性提高；這些價值由更智慧、即時的資料洞察力驅動，這些洞察力利用堅固硬體平台上可擴展的處理和圖形效能。
系統級進步推動下一代堅固設計
無風扇堅固型邊緣系統整合了強大的多核心處理器，具有低功耗選項和小型製程架構。支援 Intel 第 8 代和第 9 代 Core 處理器，可在效能和散熱管理之間取得平衡，以實現最大可靠性。
理想情況下，CPU、GPU 和 VPU 支援融合，以適應邊緣的機器學習和推論需求，這由特定的應用工作負載決定，並透過快速 10 GbE 連接和無線資料通訊選項（例如藍牙、Wi-Fi 和蜂窩 4G LTE 技術）進一步增強。結合更快的儲存驅動器，這些效能加速器允許即時本地處理，而無需依賴雲端技術，從而消除了笨重的大數據集通過傳輸造成的瓶頸。
下一代堅固型邊緣系統利用 NVM Express 或非揮發性記憶體 Express (NVMe)，這是一種經過驗證的資料中心協定，也有利於邊緣工作負載。NVMe 從頭開始設計，旨在透過 PCIe 介面利用 NAND 或持久性記憶體等高速儲存媒體。
為了解決 PCIe 固態硬碟 (SSD) 的限制，NVMe 透過 PCIe Gen 3 協定直接連接到 CPU，資料傳輸速度比 SATA III 6 Gb/s 快六倍（圖 2）。CPU 週期得到簡化，因為資料在類似於高效能處理器的架構中沿並行、低延遲的路徑傳輸。
降低延遲增加了讀寫能力和吞吐量的 IOPs，為邊緣的反射性推論分析提供了所需的可擴展效能。NVMe 還增強了系統的堅固性，將資料儲存在沒有移動部件的快閃記憶體中，並透過整合功能來調節 SSD 的功耗效能，確保有效的電源管理。
基於硬體的安全性提升了即時資料的關鍵保護
談到堅固型邊緣，必須透過 TPM 2.0 硬體安全性嵌入基於硬體的安全性功能，使用加密金鑰保護裝置之間的數位資料通訊免受外部攻擊。這些協定與邊緣自主性相結合，保護敏感資料和訊號，以便在不重新路由到安全性較低的雲端資源的情況下進行處理。這是堅固型邊緣運算的一個關鍵優勢，因為機器雙向通訊且資料需要持續保護。TPM 2.0 還進一步防止在記錄期間匯出驗證金鑰，以及在啟動過程中自動報告軟體上傳，以防禦惡意軟體攻擊（圖 3）。
Trusted Computing Group (TCG) 相應的 Opal 2.0 儲存規範，為採用 SSD 實現高資料效能的堅固型邊緣系統增添了額外價值。Opal 2.0 增強了資料儲存裝置的安全性功能，例如預設為「始終開啟」的硬體加密，本質上要求對儲存的資料進行加密。即使驅動器被移除、遺失或被盜，未經適當授權和解密，靜態資料也無法被存取或查看。
作為優於軟體加密的優勢，符合 Opal 的驅動器不需要主機或系統支援加密過程，而是直接在 SSD 本身中進行。這對於堅固型邊緣部署來說，本質上是有價值的。不僅高效能的安全性存在並保護所有資料通訊和訊號傳輸，而且這些要求苛刻的過程也得到了有效處理，且不會產生效能瓶頸。
測試和認證系統決定了重工業環境中的可行性
系統級架構的全面設計、驗證和認證知識是開發這些異常堅固耐用電腦的關鍵因素。為了支援其操作溫度範圍、寬電壓輸入、高衝擊和振動以及整體永續性，對堅固的工業品質進行徹底的測試和驗證是絕對必要的。
嚴格的環境測試需要設備，從溫度、濕度和熱衝擊箱，到振動和衝擊台以及訊號/EMI 完整性測試儀。考慮到重工業環境中可能出現的例行電源波動，電源保護評估也是關鍵。
監管認證和合規性，包括 CE、FCC、E-Mark、EN50155（鐵路專用）和 UL（可選），可能會決定堅固型邊緣電腦在特定情況下的可行性。最好盡可能遵守這些指令，以在行業內甚至跨行業實現更大的利用率。
雲端中物聯網資料的資料和遙測也必須考慮在內。經 Microsoft Azure 認證的物聯網裝置已經過預先測試，以確保其與 Microsoft Azure IoT 技術的準備度、相容性和可用性。
Microsoft Azure IoT 是一組雲端服務，可連接、監控和控制物聯網資產。所有經過認證的裝置都保證其硬體和軟體與 Azure IoT 配合使用。這可確保客戶有信心啟動他們的物聯網專案，從而在整個過程中節省時間和精力。
AWS IoT Greengrass 是 AWS 為開發人員提供的解決方案，這些開發人員需要一個較不集中的 IoT 網路處理平台。它使邊緣電腦能夠在其收集和生成的資料上進行本地處理。AWS Greengrass 為 IoT 部署提供了即時性、自主性和安全性。終端使用者將在一個高度耐用、具備完整功能連接和廣泛資料平台支援的系統中，獲得可靠性、可擴展性和長期效能。
堅固邊緣運算更快、更智慧、更好
先進、堅固耐用的邊緣電腦提供了功能和成本的最佳組合，包括多樣化的高速 I/O、多核心加速器和圖形引擎，可在網路邊緣實現深度學習和推理分析。延長的產品藍圖確保系統的長壽命，即使其類神經網路使用影響更大效率和不間斷改進的新資料來訓練和重新訓練系統。
最苛刻的工業 IoT 環境不再處於運算劣勢。透過專業硬體，先進的軟體演算法得以提供效率和整合所需的智慧，促進強固型工業應用中自動化的本地化資料處理。