What Is Artificial Intelligence? | Artificial Intelligence (AI) In 10 Minutes | Edureka
今日主題 智慧安控\雲端\物聯網\行業應用
|
2019年9月30日 星期一
．5G 網路靈魂所在（ 5分鐘看懂毫米波）
Animating 5G: Millimeter Wave
來源：PChome电脑之家
5G 網路會帶來眾多全新的體驗，對於我們大眾來說，5G最能夠吸引我們的元素，還得說是是超越 4G 數倍的網路速度了。
5G 能夠有著數倍乃至數十倍，4G LTE的網路速度，離不開背後所使用的各種新技術與新標準，毫米波技術的使用，無疑就是其中的最關鍵一環。
毫米波是什麼
毫米波究竟是個什麼東西？其實我們翻翻高中物理課本就能清楚，其本質上就是一種高頻電磁波，它是波長 1-10 毫米的電磁波，通常來說就是頻率在 30GHz - 300GHz 之間的電磁波。是 5G 通訊中所使用的主要頻段之一。
5G通訊中主要使用兩個通訊頻段，Sub-6GHz 為低頻頻段，它主要使用 6GHz 以下頻段進行通訊。毫米波頻段則使用 24GHz-100GHz 的高頻毫米波進行通訊。目前 5G 對於毫米波的利用，大多集中在 24GHz/28GHz/39GHz/60GHz 幾個頻段之中。
毫米波的簡單介紹到此為止。回到最初的問題，網路速度的提升，跟毫米波有什麼關係？這裡我們不需要提及，那些生澀難懂技術，只要舉個例子，幾分鐘就能理解。
網路通訊速度的根本，其實就是單位時間內，所能接收到的數據多少。通訊基地台與手機，就好比兩個物流站點之間，進行貨物的傳輸，貨物就是需要傳輸的數據，連接兩個站點之間的，正是我們通訊所使用的電磁波，它就好比一條高速公路一般；相互之間的數據傳輸，則如同一輛輛卡車中的貨物。
想要將全部的貨物運送到另一端，我們可以加大卡車的容量，讓其可以一次運送更多的貨物，從而在在卡車速度，被固定的情況下(電磁波傳輸速度固定為光速)，在更短的時間內，將貨物運送完畢。簡單來說就是提高通訊電磁波中，可以承載的數據量，來提高通訊效率，來加快網路速率。
比如目前使用的 256-QAM，就是基於這樣的原理，來提高網路速率的，但這種做法具有一定的局限性。它並非能夠無限制的提升效率，這種方法一是會造成射頻信號的功耗增加，另一方面也會讓其更容易受到噪聲的干擾，造成解碼時的錯誤。
換成卡車的概念則更容易理解，一輛卡車的體積有限，你無論如何，也不能將其打造成火車。
換成卡車的概念則更容易理解，一輛卡車的體積有限，你無論如何，也不能將其打造成火車。
另一種方式則是提高車道，讓能夠同行的卡車數量增加，這也就是提高頻寬，來實現更快的網路速率。這其實也不難理解，車道越多，單位時間內通行的卡車數量也就越多，也就是單位時間內，能夠接收到的數據越多，反應在網速上，無疑就是更快的速度了。
好了，接下來就是關於毫米波的問題了。透過以上的分析，我們不難得出結論，提高網路速率最簡單粗暴的方式，就是加強頻寬。根據通訊方面的原理，通訊信號頻率與其最大頻寬是呈正比的，其大概是頻率的5%，以28GHz 毫米波為例，其理論最大頻寬就有 1.4GHz，比起目前 4G LTE 所使用的 800Mhz-2600MHz 信號 100Mhz 左右的頻寬相比，先天性就有著十倍以上的頻寬差距。
毫米波單載波就能達到 100MHz 頻寬
載波聚合技術也能夠提高頻寬，它能夠將多個載波，整合在一起，來實現更高的系統頻寬。但是載波聚合的使用，也是受到頻譜資源的限制的，在目前的 4G LTE 頻譜資源上，頻譜資源十分稀缺，頻譜資源最豐富的對岸中國移動，也只有130MHz的頻譜資源。相比較之下，毫米波的頻譜資源十分豐富，能夠被分配給營運商的頻段極為廣闊，甚至可以分配出諸多連續的優質頻段。
頻寬高、資源好、速度快，這就是毫米波的優勢所在，也是 5G 為何要使用毫米波，作為載體的根本原因所在。目前毫米波技術已經表現得比較成熟了，高通方面就曾經為我們進行了這方面的展示，其透過利用 8 個 100MHz 信道，組成 800 MHz的高頻寬，網路速率上已經接近 5Gbps，比起 Sub-6GHz 的最高速率，還有著成倍的提升。
毫米波使用也有難度
毫米波其實並非是新技術，早在很久之前就出現了，只是沒有被廣泛應用。因為其在通訊中，受到環境因素的很大限制。由於其波長較短，因此衍射能力不強，對於建築物的穿透力幾乎等於沒有，稍有障礙物就會導致信號傳播受阻。
空氣中的水分子也能夠吸收毫米波，造成其能量的衰減，傳播範圍極為有限。甚至是人體本身，也會對毫米波產生致命的干擾，人手就能夠完全阻斷毫米波信號。
空氣中的水分子也能夠吸收毫米波，造成其能量的衰減，傳播範圍極為有限。甚至是人體本身，也會對毫米波產生致命的干擾，人手就能夠完全阻斷毫米波信號。
對於毫米波應用的技術方案，現在的通訊行業有了成熟的解決方案。4G 信號的傳輸，是屬於區域覆蓋，類似於水波紋，沒有十分精准的方向性。
毫米波信號的傳輸，則可以看做是點對點的動態傳輸，它能夠精準的辨識，基地台與手機之間的位置和距離，將毫米波信號集中在一起，形成一道高能量的波束，再運用波束追蹤技術，直接進行定向傳輸。
這種傳輸方式的能量集中，具有較好的抗干擾性，完美的彌補了毫米波先天性的不足之處，使其能夠支持商用環境。
毫米波信號的傳輸，則可以看做是點對點的動態傳輸，它能夠精準的辨識，基地台與手機之間的位置和距離，將毫米波信號集中在一起，形成一道高能量的波束，再運用波束追蹤技術，直接進行定向傳輸。
這種傳輸方式的能量集中，具有較好的抗干擾性，完美的彌補了毫米波先天性的不足之處，使其能夠支持商用環境。
在手機終端中接收與發射毫米波，同樣是需要解決的難題。毫米波的波長短，相應所需要的天線長度也要短，可以減少手機內部的天線佔用空間，這是毫米波的優勢。不過毫米波在手機終端的使用上，也面臨著射頻發射、天線、放大、接收等全方面的設計難題。
好在目前在手機終端的毫米波使用上，也有了完備的解決方案。這其中以高通的方案最具代表性，其所打造的新一代毫米波天線模組 QTM525，整合了毫米波傳輸中的天線、信號收發、放大等一系列功能，將這些功能集合在了一個十分「袖珍」的模組之中。
手機終端只要運用該模組，就能夠直接解決毫米波通訊的問題。QTM525 毫米波天線模組，能夠在一部手機中部署四個，全方位覆蓋手機的四邊，讓用戶無論是橫置還是單手握持，總能夠保證有一組天線的通暢，確保毫米波通訊的可靠。
手機終端只要運用該模組，就能夠直接解決毫米波通訊的問題。QTM525 毫米波天線模組，能夠在一部手機中部署四個，全方位覆蓋手機的四邊，讓用戶無論是橫置還是單手握持，總能夠保證有一組天線的通暢，確保毫米波通訊的可靠。
QTM525 毫米波天線模組的體積控制極佳，搭載該模組的手機，能夠將手機的厚度控制在 8mm，這個厚度與目前的4G手機相當，能夠延續手機設計纖薄特性，它能夠讓 5G 手機有著如同 4G 手機版的精美纖薄設計。
5G手機的纖薄性不是問題
QTM525 實際上已經是高通的第二代 5G 毫米波天線模組。早在去年 7 月，高通就發佈了首代毫米波模組 QTM052，與驍龍 X50 調制解調器，配合為全球首批 5G 手機提供毫米波支持。
鑒於今年上市的 5G 手機，絕大部分都將採用驍龍 855 行動平台 + 驍龍 X50 的組合，對於其中數家廠商推出的支持毫米波的 5G 手機終端而言，毫米波不再是難題，只待電信商的網路建成後，使用者即可體驗到，毫米波所帶來的疾速體驗。
鑒於今年上市的 5G 手機，絕大部分都將採用驍龍 855 行動平台 + 驍龍 X50 的組合，對於其中數家廠商推出的支持毫米波的 5G 手機終端而言，毫米波不再是難題，只待電信商的網路建成後，使用者即可體驗到，毫米波所帶來的疾速體驗。
毫米波是 5G 不可或缺的部分
開頭我們就已經明確了，毫米波是 5G 通訊中的一部分，是 5G 通訊中的兩大主要頻段之一，它所帶給 5G 的不止是極快的網路速度，更是 5G 差異化體驗的重要組成部分。
5G 網路是一個複雜的網路環境，毫米波是最為閉環中，處於圓心周圍的最核心體驗，它所呈現的是極限的速度，但是網路信號的覆蓋範圍有所局限；Sub-6GHz 頻段兼顧了速度與信號覆蓋範圍，有著均衡的表現；
除此之外，千兆級 LTE 網路在 5G 環境中也是不可或缺的，它有著最優秀的信號覆蓋，能夠在 5G 信號覆蓋不到的地方，保證用戶不出現斷崖式的糟糕體驗。
除此之外，千兆級 LTE 網路在 5G 環境中也是不可或缺的，它有著最優秀的信號覆蓋，能夠在 5G 信號覆蓋不到的地方，保證用戶不出現斷崖式的糟糕體驗。
無論是毫米波、Sub-6GHz，都是 5G 不可或缺的一部分。毫米波作為其中技術難度最高的，或許在 5G 初期不太被重視，但缺了毫米波的 5G，借用一句現在的流行用語，那就是沒有靈魂的 5G了。
 |
| AKD 寰楚專業級全系列監控設備 |
．人臉辨識顏值研究綜述篇
How Does Facial Recognition Work?
|
來源：infoq.cn 作者：杨皓博，有三AI 言有三
今天帶來一篇人臉辨識中的顏值打分數技術，所謂「顏值」，基於什麼標準來評判高低呢？既然是個「數值」，那到底能不能「測量」一下？
01 概述
近年來隨著人臉辨識技術的發展，顏值打分數也受到了廣泛的關注與研究。即便可使人來打分數，大家也口味各異，御姐蘿莉各有所愛。電腦又豈能判斷人的美醜呢？實際上科學家研究過人臉的 " 顏值 "，並一直在開發相對應的「顏值算法」。
「平均臉」 的思想，是透過算法檢測特徵點，然後將人臉圖像劃分成不同區域，再做分段放射變換與加權平均，綜合考慮人臉的形狀特徵，和紋理特徵，合成的圖如下:
五官勻稱、輪廓對稱、膚色美觀的臉，更容易受到大眾的喜歡，這一點在顏值中，可算達到臉共識，也就是「醜人多作怪，美人一個胚」。正因如此，顏值算法才有了可行性，很多公司開發了顏值打分數的應用，接著我們就來看看。
同一張圖在不同應用中的測定：
不同的人臉在同一應用中測定 (百度 AI 為例)
不同年齡不同膚色，在顏值打分數系統中，評分測試 (例曠視科技，列出部分測試)：
顏值測定是一項娛樂的應用，我們從下面的數據集中，隨機拿了幾張圖做測試，結果如下：
1. 不同膚色給出分數無明顯差異
2. 評分多在 60 分左右
總的來說表現都差不多，娛樂為主吧。
02人臉顏值數據集與標價指標
2.1 數據集
數據集共 5500 個正面人臉，年齡分布為 15-60，全部都是自然表情。包含不同的性別分布和種族分布（2000 亞洲女性，2000 亞洲男性，750 高加索男性，750 高加索女性），數據分別來自於數據堂，US Adult database 等。
每一張圖由 60 個人進行評分，共評為 5 個等級，這 60 個人的年齡分布為 18～27 歲，均為年輕人。適用於基於 apperance/shape 等的模型研究。同時，每一個圖都提供了 86 個關鍵點的標注。
各類人群的顏值分布如下：
顏值分數都使用包含兩個主成分的混合高斯模型去擬合，紅色和綠色分別是低顏值和高顏值的分布曲線，可見對於這 4 類人群，平均高顏值在 4，低顏值在 2.5 左右。
2.2 評價準則
2.2.1 Pearson correlation coefficient
用來度量數據間是否存在線性關係，也表徵了變量間線性關係的強弱。它透過計算兩個數據集合之間的距離，用來衡量兩個數據集合的線性相關度。
設 N 幅人臉圖像的人工評分值為{ x1，x2，…，xi，…，xN} ，計算得到的分值為 { y1，y2，…，yi，…，yN } ，其中 xi 表示第 i 幅圖像的真值，yi 表示第 i 幅圖像的人臉顏值預測結果。相關係數 r 計算公式如式如下：
2.2 評價準則
2.2.1 Pearson correlation coefficient
用來度量數據間是否存在線性關係，也表徵了變量間線性關係的強弱。它透過計算兩個數據集合之間的距離，用來衡量兩個數據集合的線性相關度。
設 N 幅人臉圖像的人工評分值為{ x1，x2，…，xi，…，xN} ，計算得到的分值為 { y1，y2，…，yi，…，yN } ，其中 xi 表示第 i 幅圖像的真值，yi 表示第 i 幅圖像的人臉顏值預測結果。相關係數 r 計算公式如式如下：
r 值越高，表示人工分類結果，與本文方法預測結果越接近，該方法的性能就越好，反之，則越差，如下圖所示。
2.2.2 Maxumum absolute error 和 root mean square error
Maxumum absolute error 就是真值和預測值的絕對差值，root mean square error 就是誤差平方和的根，比較簡單就不列出公式了。
03傳統方法研究思路
傳統方法研究思路，自然就是手動提取特徵，我們基於參考文獻來做說明。
分為幾何特徵與表觀特徵，幾何特徵包括人臉關鍵特徵點位置、關鍵位置距離資訊，以及人臉各器官面積比例；表觀特徵包括 LBP 紋理特徵。將這兩種特徵，進行串聯得到融合特徵。
下面是具體的步驟。
3.1 圖像預處理
人臉圖像收集時，品質不同且伴有噪聲，明暗灰度也差異較大，對圖像進行預處理，有助於後續對人臉特徵的提取與計算。圖像預處理包括灰度化處理、位置檢測，以及傾斜校正處理。
1. 將圖像轉化為灰度圖
2. 利用 Haar 分類器截取人臉的大致區域
3. 計算傾斜角並矯正
3.2 幾何特徵提取
3.2.1 全局特徵
根據 ASM 算法將 68 個人臉特徵點的橫縱坐標，連接起來構成表徵人臉，幾何特徵關鍵點的特徵向量，這就是全局特徵。但是由於原始圖像角度問題，會導致向量在計算過程中，會出現誤差，所以要對向量進行歸一化處理，具體包括 (1) 平移不變處理 (2) 尺度不變處理 (3) 旋轉不變處理
3.2.2 人臉距離特徵
人到一定年齡以後，臉部的器官位置資訊，將不再隨著年齡的成長而變化 ( 手術或意外情況除外) ，基於 ASM-68 向量定義 18 個距離特徵如下：
2.2.2 Maxumum absolute error 和 root mean square error
Maxumum absolute error 就是真值和預測值的絕對差值，root mean square error 就是誤差平方和的根，比較簡單就不列出公式了。
03傳統方法研究思路
傳統方法研究思路，自然就是手動提取特徵，我們基於參考文獻來做說明。
分為幾何特徵與表觀特徵，幾何特徵包括人臉關鍵特徵點位置、關鍵位置距離資訊，以及人臉各器官面積比例；表觀特徵包括 LBP 紋理特徵。將這兩種特徵，進行串聯得到融合特徵。
下面是具體的步驟。
3.1 圖像預處理
人臉圖像收集時，品質不同且伴有噪聲，明暗灰度也差異較大，對圖像進行預處理，有助於後續對人臉特徵的提取與計算。圖像預處理包括灰度化處理、位置檢測，以及傾斜校正處理。
1. 將圖像轉化為灰度圖
2. 利用 Haar 分類器截取人臉的大致區域
3. 計算傾斜角並矯正
3.2 幾何特徵提取
3.2.1 全局特徵
根據 ASM 算法將 68 個人臉特徵點的橫縱坐標，連接起來構成表徵人臉，幾何特徵關鍵點的特徵向量，這就是全局特徵。但是由於原始圖像角度問題，會導致向量在計算過程中，會出現誤差，所以要對向量進行歸一化處理，具體包括 (1) 平移不變處理 (2) 尺度不變處理 (3) 旋轉不變處理
3.2.2 人臉距離特徵
人到一定年齡以後，臉部的器官位置資訊，將不再隨著年齡的成長而變化 ( 手術或意外情況除外) ，基於 ASM-68 向量定義 18 個距離特徵如下：
3.2.3 面積特徵
根據 ASM 定位的關鍵點，找到表徵各器官面積的三角形，如眼睛、鼻子、下巴、嘴等， 將得到的 54 個三角形面積特徵，歸一化後就可以得到三角形面積特徵。
3.2.3 面積特徵
根據 ASM 定位的關鍵點，找到表徵各器官面積的三角形，如眼睛、鼻子、下巴、嘴等， 將得到的 54 個三角形面積特徵，歸一化後就可以得到三角形面積特徵。
3.3 表觀特徵提取
表觀特徵表徵的，是人臉的整體外貌和人臉的皮膚狀況等資訊。可以反映出如紋理資訊、人臉皮膚的狀態、顏色深淺臉部資訊等。表觀特徵選擇比較成熟的 LBP 特徵。
LBP 特徵，就是在圖像的某個區域內，將中心像素點的像素值作為閾值，相鄰像素點與其進行對比，大於閾值標記為 1，小於或等於則標記為 0，產生 8 位二進制數，該值作為中心像素點的 LBP 值。當然，Gabor 特徵也是經常使用的。
3.4 特徵融合與分類
3.4.1 人臉特徵融合
前面提取的幾何特徵，顯示了人臉關鍵特徵點資訊、人臉各器官間的距離比例資訊，以及面積特徵等，表觀特徵表徵了人臉的全局紋理特性。由於都已經進行了歸一化處理，因此可以直接採用串聯的方式，進行特徵融合。
3.4.2 分類
融合了特徵之後就可以進入分類器了，常用的是 SVM。
採用了 18 維的距離特徵和 Gabor 濾波特徵，使用了 linear regression，gaussian regression 和 support vector regression 方法進行比較。效果如下：
3.3 表觀特徵提取
表觀特徵表徵的，是人臉的整體外貌和人臉的皮膚狀況等資訊。可以反映出如紋理資訊、人臉皮膚的狀態、顏色深淺臉部資訊等。表觀特徵選擇比較成熟的 LBP 特徵。
LBP 特徵，就是在圖像的某個區域內，將中心像素點的像素值作為閾值，相鄰像素點與其進行對比，大於閾值標記為 1，小於或等於則標記為 0，產生 8 位二進制數，該值作為中心像素點的 LBP 值。當然，Gabor 特徵也是經常使用的。
3.4 特徵融合與分類
3.4.1 人臉特徵融合
前面提取的幾何特徵，顯示了人臉關鍵特徵點資訊、人臉各器官間的距離比例資訊，以及面積特徵等，表觀特徵表徵了人臉的全局紋理特性。由於都已經進行了歸一化處理，因此可以直接採用串聯的方式，進行特徵融合。
3.4.2 分類
融合了特徵之後就可以進入分類器了，常用的是 SVM。
採用了 18 維的距離特徵和 Gabor 濾波特徵，使用了 linear regression，gaussian regression 和 support vector regression 方法進行比較。效果如下：
從結果看來，對於幾何特徵，Gaussian Regression 和 Support vector Regression 表現更好均優於 linear regression 方法，而對於紋理特徵，求取關鍵點的方法的不同，使得 Gaussian regression 和 Support vector Regression 各有優劣。
04深度學習方法研究思路
基於深度學習的方法，由於已經沒有了手設特徵的一步，所以就只剩下優化目標的選擇，和網路的選擇。更強大的網路，通常都有更好的性能，我們看看訓練的結果。
實驗結果顯示符合我們的預測，網路最強大的 ResNext-50 取得最優性能，同時，所有的網路都優於最好的傳統方法。基於深度學習的方法，沒有太多可以說的地方，懟數據就是正確答案。
05總結
最後我們做一個總結。人臉顏值打分數算法，雖然是一個比較主觀的問題，但是也可以取得比較統一的結果。它可以是一個分類問題，也可以是一個回歸問題。
基於深度學習的方法 + 更大更高品質的數據集的整理，可以非常完美地解決這個問題。在各大軟體當中目前用於娛樂，但顏值算法同樣在美容等行業有一定價值，還有待應用。
按此回今日3S Market新聞首頁
按此回今日3S Market新聞首頁
 |
|
任何顏色車牌——都拍攝的清清楚楚！
|
．雲端運算未來發展趨勢是怎樣的?
Cloud Computing Trends in 2019
启迪云计算
未來雲端運算不斷加深與各行業領域的融合，依託超大體量的雲端生態系統建構，來支撐傳統企業的轉型，推動行業轉型升級的發展。網路、物聯網在各個行業得到了廣泛應用，行業應用所產生了大量數據，這些數據的儲存和管理，已成了「互聯網＋」企業爭奪的策略高地，雲端運算的市場規模隨之擴大。以下是雲端運算的五大發展趨勢。
1、軟體定義一切
所謂軟體定義，就是用軟體去定義系統的功能，用軟體給硬體賦能，實現系統運行效率和能量效率最大化。軟體定義的本質，就是在硬體資源數位化、標準化的基礎上，透過軟體編程去實現虛擬化、靈活、多樣和客製化的功能，對外提供客戶化的專用智慧化、客製化的服務，實現應用體件與硬件的深度融合。
其核心是 API（Application Programming Interface）。API 解除了軟硬體之間的耦合關係，推動應用軟體向個性化方向發展，硬體資源向標準化方向發展，系統功能向智慧化方向發展。API 之上，一切皆可編程；API 之下，「如無必要、勿增實體」。
OpenStack、VMware、CloudStack 和亞馬遜等，都是透過「雲」，連接創建簡單的方法，運用 API 使得開發人員，無需瞭解源代碼，或者內部工作機制的細節，就可以簡化繁瑣的程序，提高基礎設施水平。
軟體定義有三大特點或者發展趨勢，即：硬體資源虛擬化、系統軟體平台化、應用軟體多樣化。硬體資源虛擬化，是指將各種實體硬體資源抽象化，打破其實物形態的不可分割性，以便透過靈活重組、重用發揮其最大效能。
系統軟體平台化，實現，是指透過基礎軟體對硬體資源，進行統一管控、按需分配按需配置與分配，並透過標準化的編程接口，解除上層應用軟體和底層硬體資源之間的緊耦合關係，使其可以各自獨立演化。
在成熟的平台化系統軟體解決方案的基礎上，應用軟體不受硬體資源約束，將得到可持續地迅猛發展，整個系統將實現更多的功能、，對外提供更為靈活高效的和多樣化的服務。軟體定義的系統，將隨著硬體性能的提升、算法效能的改進、應用數量的增多，逐步向智慧系統演變。
隨著硬體越來越小，功能越來越成熟，成本越來越低，軟體定義一切囊括了在基礎設施，可編程性標準提升下，不斷成長的市場態勢、由雲端運算內，在自動化驅動的數據中心互通性、DevOps 和快速的基礎設施提供等。
2、混合雲
隨著公有雲、私有雲和混合雲的發展，企業現在開始逐漸青睞一種全新的方式：多雲。多雲一般有兩種實現方式，一種是將兩種或三種雲端運算類型一起定義，如公有雲和私有雲串聯使用，這可以視為是混合雲。另一種是使用多個雲端服務提供商提供的服務。
用戶會根據業務的需求，需要多個雲端服務提供商的服務機制，因此會採用多雲或混合雲策略。儘管公有雲在雲端運算市場呼聲最高，也難掩私有雲和混合雲市場，在不斷發展壯大的事實。
在未來的雲端運算平台，幾乎每個人都將採取某種類型的混合雲端平台，這成為大勢所趨。大多數公司正在和雲發生關聯，不管人們處於什麼平台，新的雲管理解決方案的目標是控制雲。混合、公共、私人甚至社區雲都可以控制。未來的雲端運算平台支持混合部署，可輕易實現數據在私有雲與公有雲之間相互轉移。
混合雲融合了公有雲和私有雲，是近年來雲端運算的主要模式和發展方向。事實上部分企業出於安全考慮，他們希望將數據存放在私有雲中，但是同時又希望可以獲得公有雲的運算資源，而在這種情況下混合雲被越來越多的採用，它將公有雲和私有雲進行混合和匹配，以獲得最佳的效果，這種個性化的解決方案，達到了既省錢又安全的目的。
當然部署混合雲端運算雖具有一定優勢，但企業用戶在使用公共雲組建進行混合雲創建時，其可擴展性、應用程序靈活性和資源管理等，可能會受到諸如應用程式遷移、管理，以及 API 支持等初始混合雲實施的限制而難以顯現。在創建的過程中，稍有差池就會給混合雲的部署，造成極大的負面影響，而且企業的雲運行環境也會變得效率低下。
3、安全性
安全性正越來越成為企業考慮平台的重要指標之一，人類的生產生活每天都在產生大量的數據，並且產生的速度越來越快。大數據無所不在的「眼睛」和預測能力，正促進數據隱私保護和安全保護的發展。
未來雲端運算平台，雲端管理員設備和雲端伺服器之間的連接可以加密，也可支持多種認證機制，即基於 VPN 的解決方案、共享密鑰＋用戶名＋密碼、SAML 和其他聯合身份標識、智慧卡身份驗證等等。
雲端運算安全事故難以避免，中小企業可以提供安全備份方案。全球雲端運算安全事故頻發，造成的後果是非常致命的。雲端運算服務的提供商，難以透過特定的機制和程序，徹底避免此類事故，因此做好線下資料備份和線上相關工作，是必然的選擇。對中小企業來說，這也是一個發展機會，可以為此專門提供安全備份的方案。
4、行動化
在後 PC 時代，個人電腦的時代正在逐漸結束，手機等手持設備的發展，催生了行動化的浪潮。圍繞支付等環節的行動程序，正在致力於為使用者提供最好的設備和服務，在未來將有更多行動設備，及隨著相對應的服務誕生。
如支持 iPhone， iPad， Android 和 Windows Phone 的本地應用程序，適用於行動設備的各種功能，包括觸摸感應、攝影機整合、郵件集成等。
此外，雲端運算平台及數據中心，可以將所有企業內容（包括文檔、報表、賬單、網頁、圖片、傳真，甚至多媒體音訊、視訊、等等各資訊載體和模式），集中進行管理和控制，結合其強大的元數據搜索引擎，為各企業提供商務智慧和大數據分析，同時提供網路端訪問存取，支持在線上研發設計功能，真正幫企業實現資訊化。
5G 的來臨，對雲端運算的發展極其有利的。5G 時代，網路速度飛躍式提升，萬物互聯進入智慧新時代，而其背後大量的數據，就需要有強大的運算和儲存能力，而這種能力，改變了整個軟體架構，讓很多企業開始選擇用雲、上雲，是必然趨勢。
因為硬體技術升級空間有限，必須透過網路結構的優化，滿足 5G 時代新應用對網路性能的要求。5G 面向大頻寬、大規模連接、超低時延高可靠三大應用場景，需要提供不同的網路性能。在無線傳輸領域，有大量新技術實現，對不同應用場景的支撐，但傳輸網路領域，硬體技術提升有限的情況下，需要對網路架構進行革新。
舉個簡單的例子，5G 網路中應用的下載速度，可達數百兆每秒，甚至超過了機械硬碟的讀寫速度，這意味著將應用安裝在「雲」上，甚至比安裝在「本地」還要快。
雲端運算明顯提升了網路響應效率、可靠性和單位容量，所以大量的本地運算業務，完全可以遷移到雲端，使雲端運算可以充分發揮自身的優勢。從反過來看，雲端運算對 5G 的發展，也是進一步的促進。沒有雲端運算的強有力支撐，5G 也很難達到全面商用的目標。
5、數據整合和綠色節能
目前傳統數據中心的建設，正面臨異構網路、靜態資源、管理複雜、能耗高等方面問題，雲端運算數據中心，與傳統數據中心有所不同，它既要解決如何在短時間內，快速、高效完成企業級數據中心的擴容部署問題，同時要兼顧綠色節能和高可靠性要求。高利用率、一體化、低功耗、自動化管理，成為雲端運算數據中心建設的關注點，整合、綠色節能成為雲端運算數據中心建構技術的發展特點。
數據中心的整合首先是實體環境的整合，包括供配電和精密制冷等，主要是解決數據中心基礎設施的可靠性和可用性問題。進一步的整合，是建構針對基礎設施的管理系統，引入自動化和智慧化管理軟體，提升管理營運效率。
還有一種整合是儲存設備、伺服器等的優化、升級，以及推出更先進的伺服器和儲存設備。艾默生公司就提出，整合創新決勝雲端運算數據中心。
透過伺服器虛擬化、網路設備智慧化等技術，可以實現數據中心的局部節能，但尚不能真正實現綠色數據中心的要求，因此，以數據中心為整體目標，來實現節能降耗正成為重要的發展方向，圍繞數據中心節能降耗的技術，將不斷創新並取得突破。