边缘计算解决了重要的基础设施挑战——例如带宽限制、过度延迟和网络拥塞——但边缘计算还有几个潜在的额外好处可以使该方法在其他情况下具有吸引力。

自治：边缘计算在连接不可靠或带宽因站点的环境特征而受到限制的情况下非常有用。示例包括石油钻井平台、海上船只、偏远农场或其他偏远地区，例如热带雨林或沙漠。边缘计算在现场进行计算工作-有时在边缘设备本身-例如偏远村庄净水器上的水质传感器，并且只有在连接可用时才能保存数据以传输到中心点。通过在本地处理数据，可以大大减少要发送的数据量，所需的带宽或连接时间比其他情况下可能需要的要少得多。

数据主权：移动大量数据不仅仅是一个技术问题。数据跨越国家和地区边界的旅程可能会给数据安全、隐私和其他法律问题带来额外的问题。边缘计算可用于使数据靠近其来源，并在现行数据主权法律的范围内，例如欧盟的GDPR，它定义了数据的存储、处理和公开方式。这可以允许在本地处理原始数据，在将任何内容发送到可能位于其他司法管辖区的云或主要数据中心之前隐藏或保护任何敏感数据。

边缘安全：边缘计算为实施和确保数据安全提供了额外的机会。尽管云提供商拥有物联网服务并专注于复杂分析，但一旦数据离开边缘并返回云或数据中心，企业仍会担心数据的安全性。通过在边缘实施计算，任何通过网络返回云或数据中心的数据都可以通过加密得到保护，并且边缘部署本身可以抵御黑客和其他恶意活动——即使物联网设备的安全性仍然有限。

边缘计算用例和示例

制造业：一家工业制造商部署边缘计算来监控制造，在边缘实现实时分析和机器学习，以发现生产错误并提高产品制造质量。边缘计算支持在整个制造工厂中添加环境传感器，从而深入了解每个产品组件的组装和存储方式——以及这些组件的库存时间。制造商现在可以就工厂设施和制造运营做出更快、更准确的业务决策。

农业：考虑一家在没有阳光、土壤或杀虫剂的情况下在室内种植农作物的企业。该过程将生长时间减少了60%以上。使用传感器使企业能够跟踪用水量、养分密度并确定最佳收成。收集和分析数据以发现环境因素的影响并不断改进作物生长算法并确保作物在高峰条件下收获。

网络优化：边缘计算可以通过测量互联网用户的性能，然后利用分析来确定每个用户流量的最可靠、低延迟的网络路径，从而帮助优化网络性能。实际上，边缘计算用于“引导”整个网络的流量，以获得最佳的时间敏感流量性能。

工作场所安全：边缘计算可以结合和分析来自现场摄像头、员工安全设备和各种其他传感器的数据，以帮助企业监督工作场所条件或确保员工遵守既定的安全协议——尤其是当工作场所偏远或异常危险时，例如建筑工地或石油钻井平台。

改善医疗保健：医疗保健行业极大地增加了从设备、传感器和其他医疗设备收集的患者数据量。如此庞大的数据量需要边缘计算应用自动化和机器学习来访问数据，忽略“正常”数据并识别问题数据，以便临床医生可以立即采取行动，帮助患者实时避免健康事件。

运输：自动驾驶汽车每天需要和生产5TB到20TB的数据，收集有关位置、速度、车辆状况、道路状况、交通状况和其他车辆的信息。并且必须在车辆行驶时实时汇总和分析数据。这需要大量的车载计算——每辆自动驾驶汽车都成为“边缘”。此外，这些数据还可以帮助当局和企业根据当地实际情况管理车队。

零售：零售企业还可以从监控、库存跟踪、销售数据和其他实时业务细节中产生大量数据。边缘计算可以帮助分析这些多样化的数据并识别商业机会，例如有效的端盖或活动、预测销售和优化供应商订购等。由于零售业务在本地环境中可能会有很大差异，因此边缘计算可以成为每个商店本地处理的有效解决方案。