通过 AWS IoT Greengrass 构建边缘 IoT 应用程序 - 本地处理与云端协作
在边缘设备上执行 Lambda 函数，即使在与云端间歇性连接的环境中也能继续本地处理。介绍 ML 推理的边缘执行和设备群管理。
Greengrass 概述
IoT Greengrass 是在边缘设备上本地执行 AWS 云功能的运行时。将 Greengrass Core 软件安装到具有 256 MB 以上内存的 Linux 设备（Raspberry Pi、工业网关、EC2）上，该设备即可作为边缘计算的中心运行。在边缘执行 Lambda 函数、Docker 容器和自定义组件，可以在本地完成传感器数据的预处理、ML 推理和设备控制。在工厂、农场、船舶、矿山等与云端连接时断时续的环境中尤其有效。
组件与本地处理
Greengrass v2 采用基于组件的架构。将 AWS 提供的公共组件（Stream Manager、本地 MQTT Broker、ML 推理）与自定义组件（自有业务逻辑）组合构建边缘应用程序。Stream Manager 在本地缓冲传感器数据，并根据带宽限制将数据发送到云端（IoT Core、Kinesis、S3）。即使连接中断，数据也会保留在本地，并在连接恢复时自动发送。本地 MQTT Broker 实现边缘设备间的消息传递，无需经过云端即可实现设备间通信。
ML 推理与设备群管理
通过 ML 推理组件可将 SageMaker 训练的模型部署到边缘设备并执行实时推理。支持 TensorFlow Lite 和 DLR（Deep Learning Runtime），即使在资源有限的设备上也能高效执行推理。应用于制造线上的不良品检测、农业中的作物病害检测和安防摄像头的人物检测等场景。在设备群管理中，从 AWS IoT 控制台对设备组执行组件的 OTA 部署。部署进度可以按设备跟踪，失败时也可以回滚。
Greengrass 的定价
Greengrass Core 软件的安装和运行免费。产生费用的是与云端通信所使用的 AWS 服务（IoT Core 消息传递、向 S3 的数据传输、Lambda 调用）的使用费。边缘设备的硬件成本和网络线路费用另行需要。OTA 部署使用的 S3 存储和 IoT Jobs 费用也会产生，但金额都很小。在边缘完成处理、减少向云端的传输量，是优化整个 Greengrass 环境成本的关键。
在边缘处理的优势与用例
Greengrass 的价值在于，处理可以不在云端，而是在现场的设备端进行。即使在网络不稳定的环境中，也能在本地继续处理，因此即使连接中断，业务也不会停止。在数据产生的源头附近进行处理，可以抑制响应的延迟，适合需要即时判断的控制。由于不必把所有数据都发送到云端，还可以减少通信量和成本。在工厂的设备监控、店铺的设备控制、车辆和偏远地区的传感器处理等需要在现场自主运行的场景中，边缘处理的优势就能发挥出来。
组件的部署与设备群管理
在 Greengrass 中，把在边缘运行的功能定义为组件，并分发到设备。在运营大量设备时，可以按组统一应用配置，进行集中管理。软件更新可以通过无线方式远程分发，无需前往现场就能更新功能。通过管理版本并逐步展开，可以在出现故障时控制影响。统一管理大规模设备群、防止配置参差不齐的机制，是运营边缘 IoT 的基础。可以让整个设备群保持在受控的状态。
安全性
分散设置在现场的边缘设备，无论在物理上还是网络上都容易成为攻击目标，因此坚固的安全性不可或缺。为每台设备分配证书，对与云端的通信进行加密，只让合法的设备能够连接。设备上处理的认证信息和密钥要安全地保管，防止泄露。如果利用硬件的安全功能，可以进行更牢固的保护。为设备被劫持的情况做好准备、限定影响范围的设计也很重要。要安全地运营大量设备，需要从证书管理到通信、数据保护进行一贯的设计。
云端协作与数据同步
在边缘处理过的数据，根据需要汇总到云端，用于整体的分析和监控。Greengrass 以连接时断时续的环境为前提，具备暂时存储数据、在连接恢复时集中发送的机制。这样，即使通信不稳定，也能把数据无遗漏地送到云端。不是发送全部数据，而是在现场汇总、筛选后再发送，从而在抑制通信量的同时把重要信息集中到中心。将边缘的自主处理与云端的全局分析相结合，可以构建高效且不易停止的 IoT 系统。
总结
引入 Greengrass 时，首先从组件目录中选择所需功能（MQTT Broker、Stream Manager、ML 推理），根据边缘设备的 CPU 和内存设计配置。在需要耐受网络中断的环境中，优先在本地完成处理、在连接恢复时将数据批量传输到云端的设计是稳健的。通过设备群管理将向数千台设备的 OTA 部署自动化，把运维负担降到最低。
参考资料（AWS 官方）
本页的第一手信息来源是 AWS 官方网站及官方文档。最新的规格与价格请以下列官方页面为准。
如本页内容与官方文档不一致，请以官方文档为准。