什么是 Azure Stack Edge？
随着公有云的日益普及，客户将其本地数据上传到 Azure 以进行大规模分析（使用 Azure 机器学习）变得越来越普遍。 在许多情况下，客户希望能够在本地预处理此类数据。 这种处理方式有助于根据初步分析获得即时反馈，限制数据上传量，或筛选掉潜在敏感数据，防止其离开内部网络。 Contoso 的研究应用程序就是一个例子，它使用机器学习 (ML) 来处理和分析客户数据，然后将其上传到 Azure 存储以长期存档。 可以通过使用 Azure Stack Edge 来满足这种需求。 在本单元中，你将了解什么是 Azure Stack Edge、何时使用它以及它有哪些优点。
什么是 Azure Stack Edge
Azure Stack Edge 使你可以对本地数据执行处理和基于 ML 的推理，并通过使用一个位于本地位置的专门构建的 Microsoft 提供的设备将其上传到 Azure。 Microsoft 在订阅的基础上以多种不同的形式提供了此类设备，这有助于实现广泛的部署方案。 包括零售商店、战地医院、农村诊所、工厂车间和灾区等环境。
Azure Stack Edge 支持通用的虚拟化和容器化工作负载，但它针对在边缘处理和分析数据进行了优化，并将结果传输到云中。 Azure Stack Edge 专注于处理、分析和传输数据，而不是实现广泛的虚拟化和容器化工作负载。 为了提供这些专门的功能，Azure Stack Edge 提供了基于图形处理单元 (GPU) 或基于现场可编程门阵列 (FPGA) 的设备。 除了提供视觉处理单元 (VPU) 之外，这些设备还支持加速的人工智能推理，并提供网络存储网关功能。
注意
简单来说，你可以将 Azure Stack Edge 看作是一个预构建的专用设备，你可以使用它来处理和分析边缘位置的数据并将其传输到 Azure。
注意
与 Azure Stack Hub 和 Azure Stack HCI 不同，Azure Stack Edge 设备可在订阅的基础上直接从 Microsoft 获得。
Azure Stack Edge 实现包括以下主要组件：
| 组件 | 描述 |
|---|---|
| 一个 Azure Stack Edge 物理设备 | 客户放置在其本地边缘位置的设备，用作网络存储网关，可通过本地共享访问。 该设备还提供基于 GPU 或 FGPA 的计算功能，为机器学习 (ML) 模型提供加速的 AI 推理。 本地计算使用托管 Kubernetes 环境中的容器来处理数据。 这些容器可以通过使用 Azure IoT 系统的 IoT 中心或使用已启用 Arc 的 Kubernetes 进行部署和管理。 在这两种情况下，都有端到端集成。 通过集成，可以创建本地 Kubernetes 环境、访问 GPU 或 VPU 加速，并连接到 IoT 中心或已启用 Arc 的 Kubernetes。 |
| 可通过 Azure 门户访问的 Azure Stack Edge 资源 | 通过此资源，你可管理和监视多个 Azure Stack Edge 物理设备。 包括管理托管正在处理和传输到 Azure 存储的数据的本地共享。 此外，通过 Azure Stack Edge 资源，你还可以在管理数据处理的 Azure Stack Edge 设备上配置计算角色。 |
| Azure Stack Edge 本地 Web 用户界面 (UI) | 此 UI 提供与单个 Azure Stack Edge 设备的直接连接。 该连接有助于初始安装和支持管理功能。 例如，重启设备或查看和复制本地日志。 |
Azure Stack Edge 的常见用例
Azure Stack Edge 将三组功能组合到同一个物理设备中。 这代表了它作为数据处理单元、加速 AI 推理模型的部署目标和数据网关的角色。 这些角色对应于 Azure Stack Edge 的三个主要用例：
| 用例 | 描述 |
|---|---|
| 数据处理 | 你可以使用 Azure Stack Edge 转换数据以优化其后续传输、简化后续分析或从安全或隐私角度删除认为敏感的内容。 通过数据聚合、筛选和删除重复，可以完成部分或全部这些目标。 此外，数据处理还可能涉及 IoT 事件的分析和响应。 |
| 使用 Azure 机器学习模型进行推理 | 在将数据传输到云之前，可以使用 Azure Stack Edge 运行 ML 模型。 你可能仍然需要考虑执行完整数据集的传输，以便使用云资源重新训练和优化 ML 模型。 |
| 将本地数据传输到 Azure | 你可以使用 Azure Stack Edge 帮助将本地数据连续传输到 Azure 存储，以便进行长期保留或进一步处理和分析。 |
虽然可以在以下数据传输中实现推理，但将计算任务转移到 Azure Stack Edge 设备上具有以下几种优势：
- 即时响应由 Azure Stack Edge 设备中的 ML 模型生成的结果，而不必等待数据传输到 Azure。
- 最小化传输到 Azure 存储的数据量，从而节省成本和带宽。
- 对静态和传输中的数据进行自动加密，Azure Stack Edge 设备使用 BitLocker 通过 HTTPS 传输到 Azure 存储来对本地存储的数据进行加密。
为以下每个问题选择最佳答案，然后选择“核对答案”。