物聯(lián)網(wǎng)IoT新時代該怎樣開啟

近年來，霧計算的話題得到大量引用，其概念已經(jīng)處在研究和實驗階段相當長的一段時間，但隨著物聯(lián)網(wǎng)最近的增長，霧計算或稱邊緣計算已經(jīng)開始從“創(chuàng)新觸發(fā)”階段演變到“期望膨脹的頂峰”階段。

霧（邊緣）計算是一種計算數(shù)據(jù)的體系結(jié)構(gòu)，應(yīng)用程序和服務(wù)被從集中云推到網(wǎng)絡(luò)的邏輯終端，即邊緣。這種方法需要利用資源，可能無法連續(xù)連接到網(wǎng)絡(luò)，如筆記本電腦、智能手機、平板電腦、家用電器、制造工業(yè)機器、傳感器等。邊緣計算架構(gòu)還有許多其他名稱，如網(wǎng)格計算、對等計算等。

一、霧計算是去中心化的云計算

在云計算架構(gòu)中，集中式服務(wù)器負責整個應(yīng)用程序或設(shè)備所需的計算。然而，與物聯(lián)網(wǎng)生態(tài)系統(tǒng)遵循同樣的原則變得越來越麻煩。

物聯(lián)網(wǎng)的生態(tài)系統(tǒng)可以分解為四個組成部分：數(shù)據(jù)、東西、人和過程。在數(shù)據(jù)層面，我們意識到，盡管龐大的數(shù)據(jù)量正在從連接的設(shè)備產(chǎn)生，大部分數(shù)據(jù)是暫時性的，即數(shù)據(jù)的價值產(chǎn)生后幾分鐘內(nèi)就消失了。

因此，處理這些數(shù)據(jù)，從數(shù)據(jù)中提取的價值，數(shù)據(jù)的生產(chǎn)和存儲的各種分析需求是完全不同的學科。

處理數(shù)據(jù)并從中提取智能信號需要計算推送到本地節(jié)點設(shè)備。為了進行這個過程，這些設(shè)備配備了最低限度的計算能力和數(shù)據(jù)存儲設(shè)施。在計算之后，只有豐富而簡明的可重用數(shù)據(jù)被傳回云端。

如果我們要在物聯(lián)網(wǎng)生態(tài)系統(tǒng)繼續(xù)利用云計算，縮放的同時保持它的可行，那么解決方案和基礎(chǔ)設(shè)施將成為一個緊迫的瓶頸。此外，隨著云計算架構(gòu)到位，從設(shè)備傳輸如此龐大的數(shù)據(jù)量到云端，然后處理和提取數(shù)據(jù)的所有設(shè)備所需要龐大的存儲和計算資源將使網(wǎng)絡(luò)癱瘓。

云計算顯然不是物聯(lián)網(wǎng)生態(tài)系統(tǒng)的一個可行的選擇，隨著霧計算到位，計算能力被推向極端的邏輯結(jié)束，從而使設(shè)備自我決定維持在一定程度上的智能水平。

由于只有豐富和簡明的數(shù)據(jù)發(fā)送到服務(wù)器，因此集中的服務(wù)器上的存儲和計算負載可以減少到很小，可以更快地實現(xiàn)結(jié)果，且通信速度也很快。

霧（邊緣）計算模型將原有的云計算中心的部分或全部計算任務(wù)遷移到數(shù)據(jù)源的附近執(zhí)行，根據(jù)大數(shù)據(jù)的3V特點，即數(shù)據(jù)量（Volume）、時效性（Velocity）、多樣性（Variety），通過對比云計算模型為代表的集中式大數(shù)據(jù)處理和霧（邊緣）計算為代表的邊緣式大數(shù)據(jù)處理，可以看出霧計算的優(yōu)勢。

邊緣式大數(shù)據(jù)處理時代，數(shù)據(jù)類型更加復雜多樣，數(shù)據(jù)處理的實時性要求更高，數(shù)據(jù)量也超過ZB級，邊緣計算可以提高數(shù)據(jù)傳輸性能，保證處理實時性，降低云計算中心的負載。

二、霧計算可以有效減少負載提升效率

多個設(shè)備聚集在一起，連接到單個計算節(jié)點，形成一個較小的網(wǎng)絡(luò)。在某些情況下，單個設(shè)備分配給單個計算節(jié)點而不是群集。

我們將基于一個假設(shè)的使用情況細節(jié)創(chuàng)造一個霧計算模型，假設(shè)你的手機有一個健身應(yīng)用程序，跟蹤你每天燃燒的卡路里數(shù)量，并與你的目標和歷史表現(xiàn)相比，每天通過你所走的步數(shù)向你報告燃燒的卡路里量。

你的手機配備各種傳感器如計步器、加速度計等。這些傳感器可以捕獲手機的每一個顆粒的運動的數(shù)據(jù);即在微秒級別捕獲電話的X和Y坐標。通過捕獲模式來研究X和Y坐標序列就可以研究你一天中走了多少步。

假設(shè)你的手機在你的口袋里，當你行走時，在X坐標軸向前移動時Y坐標上有輕微的變化。手機傳感器傳來的坐標數(shù)據(jù)能夠形成一個模式來檢測一個完整的步行周期。

使用這些模式，我們可以計算用戶走過的步數(shù)。

現(xiàn)在，如果我們嘗試從一個簡單的云計算的角度，這個過程會一直收集一天中的全部日志數(shù)據(jù)，從計步器上將約50MB發(fā)送到云端。然后服務(wù)器對數(shù)據(jù)進行分析，檢測走的步數(shù)，將其轉(zhuǎn)換為燃燒的卡路里數(shù)，并將結(jié)果發(fā)送回移動電話。

如果有大約500萬用戶，需要通過網(wǎng)絡(luò)將巨大數(shù)據(jù)量發(fā)送到云端并在云端占用網(wǎng)絡(luò)計算和存儲資源。

然而，如果我們使用霧計算架構(gòu)，僅僅利用手機的內(nèi)部計算能力和存儲資源，就可以用來計算每30分鐘的步數(shù)。在一天結(jié)束時，智能手機上的應(yīng)用程序可以發(fā)送用戶累計走過的步數(shù)，數(shù)據(jù)的大小將遠小于1KB。

三、霧計算的應(yīng)用前景廣泛

以一個制造業(yè)案例為例，假設(shè)大型公司在印度建立了工廠生產(chǎn)清潔劑。想象整個流程中一個這樣的機器——攪拌機（垂直或水平攪拌機），它吸收不同的原料，并將它們進行攪拌，在制造過程中生產(chǎn)出合成混合物。攪拌機的運轉(zhuǎn)原理是以預設(shè)的轉(zhuǎn)速定時旋轉(zhuǎn)，攪拌機筒吸收到不同的原材料，其運轉(zhuǎn)會耗費一定量的能源。

如果我們利用物聯(lián)網(wǎng)生態(tài)系統(tǒng)，讓這個設(shè)備成為“智能攪拌機”會怎樣？攪拌機安裝的大量傳感器為各種參數(shù)捕捉數(shù)據(jù)，然后數(shù)據(jù)傳回服務(wù)器（云）進行后續(xù)分析。

如何提供功率消耗的效率？這就是與霧計算的聯(lián)系。以前考慮的物聯(lián)網(wǎng)架構(gòu)是利用云存儲和分析數(shù)據(jù)做出決定，但是為了讓資產(chǎn)/機器成為“智能設(shè)備”，我們需要霧計算架構(gòu)，也就是增加本地實時計算數(shù)據(jù)流的能力，并向歷史信號學習幫助機器做出決策來改善結(jié)果。

這將是一個利用機器學習優(yōu)化機器功耗，搭建霧計算網(wǎng)絡(luò)的場景。

基于這些自主學習規(guī)則，通過增加和降低設(shè)置來保持在最佳能耗模式，機器可以調(diào)整操作參數(shù)。當數(shù)據(jù)傳輸?shù)皆贫?，云端用新?shù)據(jù)組更新機器學習模型，那么數(shù)據(jù)規(guī)則和（自主）學習就可以更新了。一旦更新，它會被推回邊緣，邊緣節(jié)點利用更新模型來更新規(guī)則，進一步改善結(jié)果。

如今我們可以看到在運算設(shè)備上更現(xiàn)實也更個人化的霧計算，例如筆記本、智能手機、智能手表和平板電腦。

最普遍的例子是Windows 10的重啟管理器。在自動下載更新后，系統(tǒng)學習用戶使用模式可以計算出最合適的重啟系統(tǒng)和安裝更新的時間。在產(chǎn)業(yè)應(yīng)用方面，利用邊緣計算架構(gòu)，將計算推向邊緣節(jié)點（網(wǎng)絡(luò)的邏輯極端），這賦予了機器感知實時數(shù)據(jù)的能力，可以立即采取措施減少商業(yè)損失。

在之前的商業(yè)用例中，改善能耗只是可能改善的結(jié)果之一。邊緣計算還可以用于進行各種即時的優(yōu)化處理，例如緩解資產(chǎn)故障或提高產(chǎn)出質(zhì)量;學習一個規(guī)則使機器會自動做出決策來更改操作設(shè)置來避免故障或改善結(jié)果質(zhì)量。簡而言之，通過推動計算邊緣化，我們也將智能推到邊緣，因此讓設(shè)備或資產(chǎn)能夠做出自主決策來改善結(jié)果，并成為智能設(shè)備。

未來霧計算將與云計算相輔相成、有機結(jié)合，為萬物互聯(lián)時代的信息處理提供更完美的軟硬件支撐平臺。