边缘计算通过在更接近数据源的位置处理数据，从而增强了大数据系统，减少了对集中式云资源的依赖。 这种方法解决了大数据工作流程中的关键挑战，例如延迟、带宽限制和隐私问题。 通过在边缘（例如在物联网设备、传感器或边缘服务器上）本地处理数据，计算资源位于数据生成的位置，从而可以更快地做出决策和更有效地管理数据。 这种去中心化模型与传统的基于云的大数据架构协同工作，从而优化了实时和批处理。
主要好处是减少了时间敏感型应用程序的延迟。 例如，制造工厂中的工业物联网传感器每天会生成数 TB 的数据。 如果每个传感器都将原始数据直接流式传输到集中式云进行分析，则延迟可能会妨碍实时机器调整。 边缘计算允许在本地预处理此数据（过滤异常或聚合指标），然后再仅将可操作的见解发送到云。 诸如 Apache Edgent 或 AWS IoT Greengrass 之类的工具使开发人员能够将分析逻辑直接嵌入到边缘设备上，从而确保在毫秒内做出关键决策（例如设备关闭）。 这通过卸载预处理并让云专注于大规模历史分析来补充大数据系统。
边缘计算还可以最大程度地减少带宽成本和存储需求。 考虑视频监控系统：将来自数千个摄像机的原始 4K 视频片段传输到中央服务器是不切实际的。 通过在边缘设备（例如 NVIDIA Jetson 硬件）上运行计算机视觉模型，只有元数据（例如“检测到未经授权的人员”）才会发送到云。 这减少了进入大数据管道的数据量，从而节省了存储和处理资源。 开发人员可以实现分层架构，其中边缘节点处理即时过滤，而云管理长期趋势。 此外，边缘计算支持数据主权合规性——例如，医疗保健设备可以在本地匿名化患者数据，然后再传输数据，从而避免监管风险。 边缘和云之间的这种分工可确保大数据系统高效运行，而不会影响可伸缩性或法律要求。