边缘计算旨在使处理和存储功能更靠近数据的生成位置。这种分布式计算是一种出色的基础架构策略，其中超低延迟和实时响应对于确保应用性能和用户体验至关重要。

更快的响应速度：在企业端点中实时摄取和处理数据可以安全地提高应用响应速度，而不是向中央服务器发送数据以及从中央服务器接收数据。

更好的经济效益：随着生成的数据呈指数级增长，将持续需要更多计算能力以及拥有更快连接速度和更大容量的网络，这推动了总体成本的增长。仅在需要时将数据发送到中央服务器，并将大部分处理工作保留在边缘执行，这样会更加高效。

自主运维：停机是不可避免的；但是，可以通过使工作负载更靠近用户/数据源来对中央计算和连接网络负载进行分流，从而提高系统可用性。

在任何需要更快的响应速度或者难以实现可靠且高效的网络带宽的环境中，都适合使用边缘计算。例如，一些应用场景：

零售：边缘将允许零售商推进其运营的每个要素，并将成为他们在疫情后进行重建的基础。边缘将使他们能够添加适用于当今环境的新应用，但同时也为建立面向未来的实践奠定基础。像任何基础一样，如果这一基础正确且安全，则意味着基于这一基础的一切构建流程均可大幅简化，具体包括与店内端点集成、人工智能/机器学习和个性化技术、履单和运输以及客户信息处理。

制造和仓储：自动化在客户场所使用机器学习推理来分析图像和视频，以检测供应链和装配线上的质量问题，启动行动来帮助工厂工程师快速解决问题并消除代价高昂的停机或返工。

无人驾驶汽车：蜂窝车联网是实现无人驾驶以及确保道路安全所需的实时高清地图的关键平台。如果访问在边缘运行数据处理和分析所需的基础架构时能够实现低延迟，将有助于实时监控车辆数据。

预防措施：边缘计算有助于在本地诊断和解决异常情况，从而加快操作速度。例如，远程钻机和制造设备。

执法部门：边缘计算是为公共基础架构和执法部门提供支持的关键方面。例如，远程位置在本地设有摄像头和分析功能，因此它们可以识别入侵/闲逛，并仅在发生这些事件时发送警报。来自警车行车记录仪和车身摄像头的视频通过双 LTE 链路上传，在这种情况下，SD-WAN 有助于提高连接质量，并确保将流量发送到中央存储库以对视频进行后处理、分析和存储。

医疗：诊断和成像流程会占用大量带宽。基于人工智能/机器学习的视频分析和成像解决方案可帮助医疗保健专业人员加速诊断所观察到的状况。对于来自医疗设备的图像或视频流，将在边缘处理，并会将响应返回到用户设备。

随着物联网或智能设备的不断兴起，始终需要处理所生成的数据。高层员工、信息和基础架构并不被束缚在少数企业定义的位置。由于这种分散化，将需要执行分散式处理和存储，因为与中央系统相互传输流量既低效又费用高昂。虽然生成数据的单个设备可以相当容易地通过网络传输数据，但当同时传输数据的设备数量增加时，就会出现问题。

另一个重要方面是推动实现 5G 连接：5G 的运行频率低，因此，数据从用户传输到应用需要经由相对较多的跃点。部署边缘计算后，大部分计算都可以在边缘完成，其余计算可以根据需要发送到核心处执行。

边缘计算通过将处理能力推送到边缘，缓解了云计算或集中式计算的压力。边缘计算拓扑具有靠近用户或数据源的计算和存储资源，用于处理、筛选和分析数据，并将结果近乎实时地发送回给用户。

边缘体系由适当的计算、存储和分析功能组成，是在靠近数据源或用户端点的位置构建的。这组分布在整个网络中的边缘体系可在本地分析数据，并将需要进一步分析或者存储在云端或中央位置的数据发送出去，从而缩短周转时间。

VMware Edge Compute Stack

• 一致的多云边缘平台：企业可以在近端边缘和远端边缘处构建、运行、管理、连接和保护其行业特定边缘原生应用，同时跨其数据中心和云利用一致的基础架构和运维管理。
• 多云运维一致性：借助一致的集中式策略简化跨多云环境的运维和管理，以实现运维一致性。
• 以上下文为中心的统一安全机制：确保分布式用户、数据和应用免遭各级威胁影响。安全机制内置于平台中以提供出色的保护，并且特定于每个应用和工作负载。
• 用于进行实时诊断的 AIOps：衡量用户和物联网设备体验，与正常基准测试性能进行比较，并触发警示以帮助缓解问题。
• 可选择启用专有 5G 连接：SD-WAN 与 5G 相结合，从传输层提供信息处理能力，以便使用业务策略进行控制。 传输层可提供状态信息，实现前所未有的网络自我管理和自我修复。它非常适合需要快速置备高带宽和高控制级别的位置。