边缘计算是指在更接近数据源（如传感器、设备或本地服务器）的位置处理数据，而不是将其发送到集中式云或数据中心。 这种方法可以减少延迟、节省带宽并实现实时决策。 相比之下，云依赖远程服务器进行存储和计算，从而提供可扩展性和集中式管理。 云处理大规模数据聚合和复杂分析，而边缘计算解决了需要立即处理的场景。 它们共同构成了一种分布式架构，其中边缘设备处理时间敏感型任务，而云管理更广泛的分析和长期存储。
边缘计算和云计算通过根据用例需求划分职责来相互补充。 例如，一家使用 IoT 传感器的工厂可能会在本地处理设备健康数据（边缘），以触发即时维护警报，同时将汇总的性能日志发送到云端进行趋势分析。 同样，视频流服务可以使用边缘服务器来缓存用户附近的热门内容（减少缓冲），同时依靠云进行转码和全局内容交付。 开发人员通常设计系统，其中边缘节点在将数据转发到云之前过滤或预处理数据（例如压缩传感器读数）。 这样可以降低成本，并避免原始数据淹没云系统。
一个实际的例子是自动驾驶汽车：边缘计算处理实时摄像头和激光雷达数据，以做出瞬间驾驶决策，而云更新地图、训练机器学习模型和分析整个车队的性能。 另一个案例是零售，其中店内边缘服务器通过摄像头分析客户行为，以立即调整照明或库存警报，而云则跟踪所有地点的销售模式。 集成边缘和云的开发人员必须考虑数据同步、安全性和容错等因素，例如使用边缘设备在云中断期间脱机运行。 AWS IoT Greengrass 或 Azure Edge Zones 等工具提供了管理此混合工作流程的框架，从而实现本地化处理和基于云的服务之间的无缝交互。