從物聯(lián)網(wǎng)從業(yè)者的角度來(lái)看，經(jīng)常看到對(duì)計(jì)算更加可用和分布式的需求。當(dāng)開(kāi)始將物聯(lián)網(wǎng)與OT和IT系統(tǒng)整合時(shí)，面臨的第一個(gè)問(wèn)題是設(shè)備發(fā)送到服務(wù)器的龐大數(shù)據(jù)量。 在一個(gè)工廠自動(dòng)化的場(chǎng)景中，可能有數(shù)百個(gè)集成的傳感器，這些傳感器每1秒發(fā)送3個(gè)數(shù)據(jù)點(diǎn)。大部分的傳感器數(shù)據(jù)在5秒鐘之后就完全沒(méi)用了。 數(shù)百個(gè)傳感器，多個(gè)網(wǎng)關(guān)，多個(gè)進(jìn)程，和多個(gè)系統(tǒng)，需要幾乎在瞬間處理這些數(shù)據(jù)。

大多數(shù)數(shù)據(jù)處理的支持者都支持云模型，即總是應(yīng)該向云發(fā)送一些東西。 這也是第一種物聯(lián)網(wǎng)計(jì)算基礎(chǔ)。

1． 物聯(lián)網(wǎng)的云計(jì)算

通過(guò)物聯(lián)網(wǎng)和云計(jì)算模型，基本上推動(dòng)和處理你的感官數(shù)據(jù)在云。 你有一個(gè)攝入模塊，它可以接收數(shù)據(jù)并存儲(chǔ)在一個(gè)數(shù)據(jù)湖（一個(gè)非常大的存儲(chǔ)器） ，然后對(duì)它進(jìn)行并行處理（它可以是 Spark，Azure HD Insight，Hive，等等） ，然后使用快節(jié)奏的信息來(lái)做決定。

自從開(kāi)始構(gòu)建物聯(lián)網(wǎng)解決方案，現(xiàn)在有了許多新的產(chǎn)品和服務(wù)，可以非常容易地做到這一點(diǎn)：

可以使用 AWS Kinesis 和 Big data lambda services

可以利用 Azure 的生態(tài)系統(tǒng)，讓構(gòu)建大數(shù)據(jù)能力變得極其容易

或者，可以使用像 Google Cloud 產(chǎn)品這樣的工具如Cloud IoT Core

在物聯(lián)網(wǎng)中面臨的一些挑戰(zhàn)是：

私有平臺(tái)的使用者和企業(yè)對(duì)于擁有他們的數(shù)據(jù)在谷歌，微軟，亞馬遜等感到不舒服

延遲和網(wǎng)絡(luò)中斷問(wèn)題

增加了存儲(chǔ)成本、數(shù)據(jù)安全性和持久性

通常，大數(shù)據(jù)框架不足以創(chuàng)建一個(gè)能夠滿(mǎn)足數(shù)據(jù)需求的大型攝入模塊

2． 面向物聯(lián)網(wǎng)的霧計(jì)算

通過(guò)霧計(jì)算，可以變得更加強(qiáng)大。 霧計(jì)算使用的是本地處理單元或計(jì)算機(jī)，而不是將數(shù)據(jù)一路發(fā)送到云端并等待服務(wù)器處理和響應(yīng)。

4－5年前，還沒(méi)有像 Sigfox 和 LoraWAN 那樣的無(wú)線解決方案，BLE也沒(méi)有mesh或遠(yuǎn)程功能。因此，必須使用更昂貴的網(wǎng)絡(luò)解決方案，以確保能夠建立一個(gè)安全，持久的連接到數(shù)據(jù)處理單元。 這個(gè)中心單元是解決方案的核心，很少有專(zhuān)業(yè)的解決方案提供商。

從實(shí)施一個(gè)霧網(wǎng)絡(luò)中可以了解到：

這并不是很簡(jiǎn)單，需要知道和理解很多事情。構(gòu)建軟件，或者說(shuō)在物聯(lián)網(wǎng)上所做的，是更直接和開(kāi)放的。 而且，當(dāng)把網(wǎng)絡(luò)當(dāng)成一道屏障時(shí)，它會(huì)降低速度。

對(duì)于這樣的實(shí)現(xiàn)，需要一個(gè)非常大的團(tuán)隊(duì)和多個(gè)供應(yīng)商。 通常也會(huì)面臨供應(yīng)商的鎖定。

OpenFog是一個(gè)由著名業(yè)內(nèi)人士開(kāi)發(fā)的專(zhuān)為霧計(jì)算架構(gòu)而設(shè)計(jì)的開(kāi)放霧計(jì)算框架。 它提供了用例，試驗(yàn)臺(tái)，技術(shù)規(guī)格， 還有一個(gè)參考體系結(jié)構(gòu)。

3． 物聯(lián)網(wǎng)邊緣計(jì)算

物聯(lián)網(wǎng)是關(guān)于捕捉微小的交互作用，并盡可能快地做出反應(yīng)。 邊緣計(jì)算離數(shù)據(jù)源最近，能夠在傳感器區(qū)域應(yīng)用機(jī)器學(xué)習(xí)。 如果陷入了邊緣和霧計(jì)算的討論，應(yīng)該明白，邊緣計(jì)算是所有關(guān)于智能傳感器節(jié)點(diǎn)的應(yīng)用，而霧計(jì)算仍然是關(guān)于局域網(wǎng)絡(luò)，可以為數(shù)據(jù)量大的操作提供計(jì)算能力。

像微軟和亞馬遜這樣的行業(yè)巨頭已經(jīng)發(fā)布了 Azure IoT Edge 和 AWS Green Gas，用于提高物聯(lián)網(wǎng)網(wǎng)關(guān)和傳感器節(jié)點(diǎn)上的機(jī)器智能，這些網(wǎng)關(guān)和傳感器節(jié)點(diǎn)擁有良好的計(jì)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(jiǎn)單，但是它顯著地改變了從業(yè)者所知道和使用的邊緣計(jì)算的含義。

邊緣計(jì)算不應(yīng)該要求機(jī)器學(xué)習(xí)算法在網(wǎng)關(guān)上運(yùn)行來(lái)構(gòu)建智能。 2015年，Alex 在 ECI 會(huì)議上談到了嵌入式人工智能在神經(jīng)記憶處理器上的工作：

真正的邊緣計(jì)算將發(fā)生在這樣的神經(jīng)元裝置上，它們可以預(yù)裝機(jī)器學(xué)習(xí)算法，服務(wù)于單一的目的和責(zé)任。 那會(huì)很棒嗎？ 讓我們假設(shè)倉(cāng)庫(kù)的結(jié)束節(jié)點(diǎn)可以對(duì)很少的幾個(gè)關(guān)鍵字符串執(zhí)行本地 NLP，這些關(guān)鍵字符串構(gòu)成密碼，比如＂芝麻開(kāi)門(mén)＂！

這種邊緣設(shè)備通常有一個(gè)類(lèi)似神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，所以當(dāng)加載一個(gè)機(jī)器學(xué)習(xí)算法的時(shí)候，基本上就是在里面燃燒了一個(gè)神經(jīng)網(wǎng)絡(luò)。 但這種燃燒是永久性的，無(wú)法逆轉(zhuǎn)．

有一個(gè)全新的嵌入式設(shè)備空間，可以在低功率傳感器節(jié)點(diǎn)上促進(jìn)嵌入式邊緣智能。

4． 物聯(lián)網(wǎng)的 MIST 計(jì)算

可以做以下事情來(lái)促進(jìn)物聯(lián)網(wǎng)的數(shù)據(jù)處理和智能化：

基于云計(jì)算的模型

基于霧的計(jì)算模型

邊緣計(jì)算模型

這里有一種計(jì)算機(jī)類(lèi)型，它補(bǔ)充了霧和邊緣計(jì)算，使它們變得更好，而不需要再等上年。 可以簡(jiǎn)單地引入物聯(lián)網(wǎng)設(shè)備的網(wǎng)絡(luò)功能，分配工作負(fù)載，既沒(méi)有霧也沒(méi)有邊緣計(jì)算提供的動(dòng)態(tài)智能模型。

建立這種模式可以帶來(lái)高速的數(shù)據(jù)處理和智能提取的設(shè)備，具有256kb 的內(nèi)存大小和 ～ 100kb ／ 秒的數(shù)據(jù)傳輸速率。 對(duì)于 Mesh 網(wǎng)絡(luò)，肯定會(huì)看到這樣一個(gè)計(jì)算模型的促進(jìn)者，會(huì)有人提出一個(gè)更好的基于 MIST 系統(tǒng)的模型，可以很容易地使用它。