如果您想了解网络的未来，那就快来赚钱吧。

预计应用程序将以创纪录的数量从数据中心转移到边缘设施，从而打开巨大的新市场机会。从现在到2022年，边缘计算市场预计将以36.3%的复合年增长率增长，这得益于快速采用的“物联网”，自动驾驶汽车，高速交易，内容流和多人游戏。

这些应用程序的共同点是需要接近零延迟的数据传输，通常将其定义为少于5毫秒，尽管对于许多新兴技术而言，这个数字也太高了。

驱动低延迟需求的具体因素各不相同。在物联网应用中，传感器和其他设备捕获大量数据，其价值下降毫秒。自动驾驶汽车需要实时信息以有效导航并避免碰撞。支持此类对延迟敏感的应用程序的最佳方法是将应用程序和数据移到尽可能靠近数据摄取点的位置，从而减少了总体往返时间。现在，金融交易发生在毫秒级以下的时间，导致一家经纪公司投资超过1亿美元来翻新其股票交易平台，以寻求越来越快的交易。

运营挑战

随着边缘计算的增长，电信服务提供商(例如Verizon Communications Inc.，AT&T Corp.和T-Mobile USA Inc.)的运营挑战也随之增加。一方面，迁移到边缘本质上是在分解传统的数据中心。提供者边缘基础架构不是由几个集中式数据中心中的大量服务器组成，而是由数千个小型站点组成，大多数站点只有少量服务器。所有这些站点都需要获得支持以确保最佳性能，这使典型信息技术团队的资源承受的压力甚至到了极限。

另一个复杂的因素是，网络功能正在向部署在虚拟化，共享和弹性基础架构上的云原生应用程序转移，近年来这种趋势正在加速发展。在虚拟化环境中，每个物理服务器都托管着数十个虚拟机和/或容器，这些虚拟机和/或容器不断被创建和销毁，其速率远远超过了人类可以有效管理的速度。编排工具可以在正常操作中自动管理动态虚拟环境，但是在进行故障排除时，仍然可以由人为坐。

糟糕的是，性能和服务中断会损害服务提供商的业务，因此该组织对IT员工施加了巨大压力，要求其迅速有效地解决问题。通常存在确定根本原因所需的信息。实际上，从硬件和软件组件中获取大量遥测数据是当今网络运营商面临的挑战之一。

机器学习与自动化

数据丰富，高度动态，分散的基础架构是人工智能(尤其是机器学习)的理想环境。机器学习的强大优势在于能够在海量数据中找到有意义的模式，远远超出了网络运营商的能力。基于机器学习的工具可以从经验中自我学习，适应新信息并以超人的速度和准确性进行人性化的分析。

为了实现机器学习的全部功能，必须将见解转化为行动，这是在动态，分散的边缘计算世界中的一项重大挑战。这就是自动化的源泉。

利用机器学习和实时监控所获得的信息，自动化工具可以比人工操作员更快，更准确地配置，实例化和配置物理和虚拟网络功能。机器学习和自动化的结合节省了可观的员工时间，可以将其重定向到更具战略意义的计划中，从而提高运营效率和加快发布周期，最终带来更多收入。

扩展云原生应用程序

直到最近，典型电信公司的软件开发过程都由冗长的离散阶段序列组成，这些离散阶段从一个部门转移到另一个部门，并且要花费数月甚至数年才能完成。云原生开发已大大淘汰了这种所谓的“瀑布式”方法，转而采用基于微服务，容器，敏捷开发，持续集成/连续部署和DevOps等前沿技术的高速集成方法。结果，电信提供商以前所未有的速度推出服务，通常每周发布多次。

迁移到边缘给扩展云原生应用程序带来了挑战。当环境由几个集中的数据中心组成时，操作员可以手动确定所需的最佳配置，以确保组成应用程序的虚拟网络功能或VNF的适当性能。

但是，随着环境分解成成千上万个小站点，每个小站点的操作特性略有不同，因此需要机器学习。无监督学习算法可以在整个生产前周期中运行所有单个组件，以评估它们在生产现场中的行为。运营人员可以使用这种方法来建立高度的信心，即被测VNF将在边缘达到所需的运行状态。

以AI的速度进行故障排除

人工智能和自动化还可以在云原生环境中的故障​​排除中增加重要价值。以服务提供商在边缘位置运行10个实例的语音呼叫处理应用程序作为云本机应用程序为例。远程操作员注意到一个VNF的性能明显低于其他九个。

第一个问题是：“我们真的有问题吗?” 应用程序实例之间的性能差异并不罕见，因此要回答该问题，需要确定实际操作中VNF性能值的正常范围。操作员可以读取指定时间段内大量VNF实例的读数，然后计算出可接受的关键性能指标值-这是一个耗时且容易出错的过程，必须经常重复进行以解决软件升级，组件替换，流量模式变化以及其他会影响性能的参数。

相反，AI可以在很短的时间内确定KPI，并在参数更改时根据需要调整KPI值，而无需外界干预。一旦AI确定了KPI值，自动化就将接管。自动化工具可以连续监视性能，将实际值与AI确定的KPI进行比较，并确定性能不佳的VNF。

然后可以将该信息转发给业务协调器以采取补救措施，例如启动新的VNF或将VNF移至新的物理服务器。AI和自动化的结合有助于确保遵守服务水平协议，并消除了人为干预的需求，这对于操作员深夜烦恼的深夜故障排除工作来说是一个可喜的变化。

利用竞争优势

随着服务提供商加速采用面向边缘的体系结构，IT部门必须找到新的方法来优化网络运营，对性能不佳的VNF进行故障排除并确保大规模遵循SLA。机器学习等人工智能技术与自动化相结合可以帮助他们实现这一目标。

特别是，在过去几年中取得了许多进步，以实现AI驱动的未来。它们包括提供可分析的高保真，高频遥测的系统和设备，可捕获并处理遥测的高可扩展消息总线(例如Kafka和Redis)，以及计算能力和AI框架(例如TensorFlow和PyTorch)以创建来自原始遥测流的模型。总之，他们可以实时确定生产系统的操作是否符合标准，并在操作中断时发现问题。

所有这些都有可能简化运营并为服务提供商带来竞争优势-处于边缘。