Caligoo - Fog Computing and IoT
來源：喔家archiself
從物聯網從業者的角度來看，經常看到對計算更加可用和分布式的需求。當開始將物聯網與OT和IT系統整合時，面臨的第一個問題是，設備發送到伺服器的龐大數據量。
在一個工廠自動化的場景中，可能有數百個整合的感測器，這些感測器每1秒發送3個數據點。大部分的感測器數據在5秒鐘之後就完全沒用了。 數百個感測器，多個網路 Gateway，多個進程，和多個系統，需要幾乎在瞬間處理這些數據。
大多數數據處理的支持者都支持雲模型，即總是應該向雲發送一些東西。 這也是第一種物聯網計算基礎。
1． 物聯網的雲計算
透過物聯網和雲計算模型，基本上推動和處理你的感官數據在雲。 你有一個攝入模組，它可以接收數據並儲存在一個數據湖（一個非常大的儲存器） ，然後對它進行並行處理（它可以是 Spark、Azure HD Insight、Hive ⋯⋯，等等） ，然後使用快節奏的資訊來做決定。
自從開始構建物聯網解決方案，現在有了許多新的產品和服務，可以非常容易地做到這一點：
可以使用 AWS Kinesis 和 Big data lambda services；
可以利用 Azure 的生態系統，讓建構大數據能力，變得極其容易；
或者，可以使用像 Google Cloud 產品這樣的工具，如Cloud IoT Core；
在物聯網中面臨的一些挑戰是：
私有平台的使用者和企業，對於擁有他們的數據，在谷歌、微軟、亞馬遜等感到不舒服；
延遲和網路中斷問題；
增加了儲存成本、數據安全性和持久性；
通常，大數據框架不足以創建一個，能夠滿足數據需求的大型攝入模組
2． 面向物聯網的霧計算
通過霧計算，可以變得更加強大。 霧計算使用的是本地處理單元或電腦，而不是將數據一路發送到雲端，並等待伺服器處理和響應。
4－5年前，還沒有像 Sigfox 和 LoraWAN 那樣的無線解決方案，BLE也沒有mesh或遠端功能。因此，必須使用更昂貴的網路解決方案，以確保能夠建立一個安全，持久的連接到數據處理單元。 這個中心單元是解決方案的核心，很少有專業的解決方案提供商。
從實施一個霧網路中可以瞭解到：
這並不是很簡單，需要知道和理解很多事情。建構軟體，或者說在物聯網上所做的，是更直接和開放的。 而且，當把網路當成一道屏障時，它會降低速度。
對於這樣的實現，需要一個非常大的團隊和多個供應商。 通常也會面臨供應商的鎖定。
OpenFog是一個由著名業內人士，開發的專為霧計算架構而設計的開放霧計算框架。 它提供了案例、試驗台、技術規格， 還有一個參考體系結構。
3． 物聯網邊緣計算
物聯網是關於捕捉微小的交互作用，並盡可能快地做出反應。 邊緣計算離數據源最近，能夠在感測器區域應用機器學習。 如果陷入了邊緣和霧計算的討論，應該明白，邊緣計算是所有關於智慧感測器節點的應用，而霧計算仍然是關於局域網路，可以為數據量大的操作，提供計算能力。
像微軟和亞馬遜這樣的行業巨頭，已經發佈了 Azure IoT Edge 和 AWS Green Gas，用於提高物聯網 Gateway和感測器節點上的機器智慧，這些 Gateway和感測器節點擁有良好的計算能力。 雖然這些都是非常好的解決方案，可以讓工作變得非常簡單，但是它顯著地改變了從業者所知道，和使用的邊緣計算的含義。
邊緣計算不應該要求機器學習算法，在 Gateway上運行，來建構智慧。 2015年，Alex 在 ECI 會議上談到了嵌入式人工智慧在神經記憶處理器上的工作：
真正的邊緣計算，將發生在這樣的神經元裝置上，它們可以預裝機器學習算法，服務於單一的目的和責任。 那會很棒嗎？ 讓我們假設倉庫的結束節點，可以對很少的幾個關鍵字符串執行本地 NLP，這些關鍵字符串構成密碼，比如＂芝麻開門＂！
這種邊緣設，備通常有一個類似神經網路的結構，所以當加載一個機器學習算法的時候，基本上就是在裡面燃燒了一個神經網路。 但這種燃燒是永久性的，無法逆轉。
有一個全新的嵌入式設備空間，可以在低功率感測器節點上，促進嵌入式邊緣智慧。
4． 物聯網的 MIST 計算
可以做以下事情來促進物聯網的數據處理和智慧化：
基於雲計算的模型；
基於霧的計算模型；
邊緣計算模型；
這裡有一種電腦類型，它補充了霧和邊緣計算，使它們變得更好，而不需要再等上年。 可以簡單地引入物聯網設備的網路功能，分配工作負載，既沒有霧，也沒有邊緣計算，所提供的動態智慧模型。
建立這種模式可以帶來高速的數據處理，和智慧提取的設備，具有256kb 的內存大小和 ～ 100kb /的數據傳輸速率。對於 Mesh 網路，肯定會看到這樣一個計算模型的促進者，會有人提出一個更好的基於 MIST 系統的模型，可以很容易地使用它。252181210
沒有留言:
張貼留言