这些机制必须在不增加等待时间或损害用户体验的前提下，实现不同层次和等级的计算工作流中无缝集成，原有的基于云计算的机制在边缘计算领域不再适用。
挑战3：分区和拆分任务
对于边缘计算来说，最大的难点在于如何动态、大规模地部署运算和存储能力以及云端和设备端如何高效协同、无缝对接。
不断发展的分布式计算已经催生了许多技术用来促进在多个地理位置分区执行任务。任务分区通常在编程语言或管理工具中明确表示。
然而，利用边缘节点来实现分区计算不仅仅带来了有效分割计算任务的挑战，对于如何能在不需要明确定义边缘节点的能力或位置，以自动化的方式进行计算的问题上，也遇到了瓶颈。因此，需要一种新型的调度方式，以便将分割的任务部署到各个边缘节点上。
挑战4：高水准的服务质量(QoS)和服务体验(QoE)
另一个挑战是需要确保边缘节点实现高吞吐量，并且在承接额外计算工作量时运行可靠。例如，当基站过载时，可能影响连接到基站的其他边缘设备。
因此需要对边缘节点的峰值时间全面了解，以便可以用灵活的方式来分割和调度任务。复杂的算法如何在云端和边缘设备之间合理分解和整合，需要一个对云管端三者都有控制力的技术来实现。
挑战5：开放和安全的使用边缘节点
安全横跨云计算和边缘计算，需要实施端到端的防护。由于更贴近万物互联的设备，网络边缘侧访问控制与威胁防护的广度和难度因此大幅提升。边缘侧安全主要包含设备安全、网络安全、数据安全与应用安全。此外，关键数据的完整性、保密性是安全领域需要重点关注的内容。
如果把终端设备(例如交换机、路由器和基站)当作可共享接入的边缘节点，则需要解决许多问题：首先，需要定义边缘设备使用者和拥有者相关联的风险。其次，当设备用于边缘计算节点时，设备的原有的功能不能被损害。第三，边缘节点上的多重用户都需要将安全性作为首要关注指标。第四，需要向边缘节点的用户保证最低服务水平。最后，需要考虑工作负载、计算能力、数据位置和迁移、维护成本和能源消耗，以便建立合适的定价模型。
边缘计算的潜在机会
边缘计算仍处于起步阶段，有可能为更高效的分布式计算铺平道路。尽管在实现边缘计算时出现了不少挑战，但边缘计算将会催生更多的发展机遇，在此我们明确了5个潜在机会：
机会1：标准、基准和市场
统一数据连接和数据聚合是业务智能的基础，面对当前工业现场存在的多样化与异构的技术和标准，离不开跨厂商、跨领域的数据集成与互操作。网络边缘侧的本地计算服务无疑会在异构环境中迎来IT厂商、IT方案商以及开发者集成融合服务的挑战，标准化亟待形成。
许多组织正在定义各种边缘计算标准，例如美国国家标准和技术协会(NIST)、IEEE标准协会、国际标准化组织(ISO)、云计算标准客户委员会(CSCC)和国际电信联盟(ITU)等。只有当边缘节点的性能可以根据广泛认可的度量指标可靠的进行基准测试时，才能形成标准。
机会2：架构和语言
随着支持通用计算的边缘节点不断增加，开发框架和工具包的需求也会随之增长。边缘分析与现有流程不同，由于边缘分析将在用户驱动的应用程序中实现，现有框架可能不适合表达边缘分析的工作流。
编程模型需要利用边缘节点支持任务和数据的并行，并且同时在多个层级的硬件上执行计算。编程语言需要考虑工作流中硬件的异构性和各种资源的计算能力。这比云计算的现有模型更加复杂。
机会3：轻量级库和算法
与大型服务器不同，由于硬件限制，边缘节点不支持大型软件。例如，Intel T3K并发双模SoC的小型基站具有4核ARM的CPU和有限内存，不足以执行复杂的数据处理工作。再比如APAChe Spark需要至少8核的CPU和8 GB的内存以获得良好的性能。边缘分析需要轻量级算法，可以进行合理的机器学习或数据处理任务。
例如，Apache Quarks是一种轻量级库，可以在小型边缘设备(如智能手机)上使用，以实现实时数据分析。但是Quarks支持的基本数据处理，例如过滤和窗口聚合，不足以满足高级分析任务。消耗更少内存和使用更小磁盘的机器学习资源库有利于实现边缘节点的数据分析。TensorFlow是另一个支持深度学习算法并支持异构分布式系统的示例框架，但其边缘分析的潜力仍有待探索。