從從業(yè)者的角度來看，我經(jīng)常看到計算需要更加可用和分布式。當(dāng)我開始將物聯(lián)網(wǎng)與 OT和 IT系統(tǒng)集成時，我面臨的第一個問題是設(shè)備發(fā)送到我們服務(wù)器的大量數(shù)據(jù)。我在工廠自動化場景中工作，我們集成了400個傳感器，這些傳感器每1秒發(fā)送3個數(shù)據(jù)點。

數(shù)據(jù)的頭痛

您之前可能聽說過這一點，但是生成的大部分感官數(shù)據(jù)在生成5秒后就完全沒有用了。現(xiàn)在你明白我的意思了嗎?

我們有400個傳感器、多個網(wǎng)關(guān)、多個進(jìn)程和多個系統(tǒng)，需要幾乎立即處理這些數(shù)據(jù)。

當(dāng)時，大多數(shù)數(shù)據(jù)處理的支持者都在提倡云模型，您應(yīng)該始終將某些內(nèi)容發(fā)送到云。這也是第一種物聯(lián)網(wǎng)計算基礎(chǔ)。

1. 物聯(lián)網(wǎng)云計算

借助物聯(lián)網(wǎng)和云計算模型，您基本上可以在云中推送和處理您的感官數(shù)據(jù)。您有一個攝取模塊，它接收數(shù)據(jù)并將其存儲在數(shù)據(jù)湖(一個非常大的存儲)中，然后對其應(yīng)用并行處理(可能是 Spark、Azure HD Insight、Hive 等)，然后以如此快的速度消耗調(diào)整信息以做出決策。

自從我開始構(gòu)建物聯(lián)網(wǎng)解決方案以來，我們現(xiàn)在擁有許多新產(chǎn)品和服務(wù)，可以讓您輕松完成這項工作：

• 如果您是AWS粉絲，則可以使用AWS Kinesis和大數(shù)據(jù)lambda服務(wù)。
• 您也可以利用Azure的生態(tài)系統(tǒng)，使構(gòu)建大數(shù)據(jù)功能變得非常容易。
• 或者，您可以將Google Cloud產(chǎn)品與Cloud IoT Core等工具結(jié)合使用。

我在物聯(lián)網(wǎng)中的云計算面臨的一些挑戰(zhàn)是：

• 使用專有平臺和企業(yè)對將數(shù)據(jù)放在谷歌、微軟、亞馬遜的資產(chǎn)上感到不舒服
• 延遲和網(wǎng)絡(luò)中斷問題
• 增加的存儲成本、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)建可滿足數(shù)據(jù)需求的大型攝取模塊

但是您必須在某處處理您的數(shù)據(jù)，對嗎?

現(xiàn)在是霧計算!

2. 物聯(lián)網(wǎng)霧計算

有了霧計算，我們變得更強(qiáng)大了。我們現(xiàn)在使用本地處理單元或計算機(jī)，而不是將您的數(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，當(dāng)我們實施此功能時，我們沒有像Sigfox和LoraWAN這樣的無線解決方案，BLE也沒有網(wǎng)狀網(wǎng)絡(luò)或遠(yuǎn)程功能。因此，我們不得不使用更昂貴的網(wǎng)絡(luò)解決方案來確保我們可以建立到數(shù)據(jù)處理單元的安全、持久的連接。這個中央單元是我們解決方案的核心，并且此類解決方案的專業(yè)供應(yīng)商很少。

我第一次使用霧計算是在一個石油和天然氣管道項目上。該管道生成了數(shù)TB的數(shù)據(jù)，我們創(chuàng)建了一個霧網(wǎng)絡(luò)，其中有霧節(jié)點來計算數(shù)據(jù)。

[bctt tweet=”有了霧計算，我們變得更強(qiáng)大了。“用戶名=”iotforall”]

我從那時起實施霧網(wǎng)絡(luò)中學(xué)到的東西：

• 這不是很簡單，有很多事情你需要知道和理解。構(gòu)建軟件，或者說我們在物聯(lián)網(wǎng)中所做的事情，更加直接和開放。此外，當(dāng)您將網(wǎng)絡(luò)作為障礙時，它會減慢您的速度。
• 您需要一個非常大的團(tuán)隊和多個提供者來進(jìn)行此類實現(xiàn)。通常，您還會面臨供應(yīng)商鎖定問題。

開放霧及其對霧計算的影響

一年前，一位同事向我介紹了OpenFog，一個由領(lǐng)先從業(yè)者開發(fā)的霧計算架構(gòu)的 Open Fog計算框架。它提供：

• 應(yīng)用
• 試驗臺
• 技術(shù)規(guī)格
• 還有一個參考架構(gòu)

3. 物聯(lián)網(wǎng)邊緣計算

物聯(lián)網(wǎng)是關(guān)于捕捉微交互并盡可能快地做出響應(yīng)。邊緣計算使我們離數(shù)據(jù)源最近，并允許我們在傳感器區(qū)域應(yīng)用機(jī)器學(xué)習(xí)。如果您對 邊緣計算與霧計算的 討論有所了解，您應(yīng)該了解邊緣計算完全是關(guān)于傳感器節(jié)點的智能，而霧計算仍然是關(guān)于可以為數(shù)據(jù)繁重的操作提供計算能力的局域網(wǎng)。

微軟和亞馬遜等行業(yè)巨頭已經(jīng)發(fā)布了Azure IoT Edge和AWS Green Gas，以促進(jìn)具有良好計算能力的物聯(lián)網(wǎng)網(wǎng)關(guān)和傳感器節(jié)點上的機(jī)器智能。雖然這些出色的解決方案可以讓您的工作變得非常輕松，但它顯著改變了我們從業(yè)者所了解和使用的邊緣計算的含義。

邊緣計算不應(yīng)該要求機(jī)器學(xué)習(xí)算法在網(wǎng)關(guān)上運行來構(gòu)建智能。2015年，我遇到了Knowm，并看到了他們在Neuromemristive處理器方面令人印象深刻的工作。Knowm的Alex在ECI會議上談到了嵌入式AI在神經(jīng)記憶處理器上的工作：

真正的邊緣計算將發(fā)生在這樣的神經(jīng)記憶設(shè)備上，這些設(shè)備可以預(yù)裝機(jī)器學(xué)習(xí)算法以服務(wù)于單一目的和責(zé)任。那會很棒嗎?假設(shè)您的倉庫端節(jié)點可以在本地執(zhí)行NLP以生成像“芝麻開門”這樣的密碼的極少數(shù)關(guān)鍵字符串!

此類邊緣設(shè)備通常內(nèi)部具有類似神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因此當(dāng)您加載機(jī)器學(xué)習(xí)算法時，您基本上會在其中燒毀一個神經(jīng)網(wǎng)絡(luò)。但這種燒傷是永久性的，你無法逆轉(zhuǎn)。

有一個全新的嵌入式設(shè)備空間，可促進(jìn)低功耗傳感器節(jié)點上的嵌入式邊緣智能。

現(xiàn)在讓我們看看物聯(lián)網(wǎng)的第四種計算類型——MIST計算。

4. 物聯(lián)網(wǎng)的MIST計算 

我們看到我們可以做以下事情來促進(jìn)物聯(lián)網(wǎng)的數(shù)據(jù)處理和智能：

• 基于云的計算模型
• 基于霧的計算模型
• 邊緣計算模型

這是一種計算類型，它補(bǔ)充了霧計算和邊緣計算，并使它們變得更好，而無需我們再等待十年。我們可以簡單地引入物聯(lián)網(wǎng)設(shè)備的網(wǎng)絡(luò)功能并分配工作負(fù)載并利用霧計算和邊緣計算都無法提供的動態(tài)智能模型。

建立這種新范式可以從具有256kb內(nèi)存大小和約100kb/秒數(shù)據(jù)傳輸速率的設(shè)備中實現(xiàn)高速數(shù)據(jù)處理和智能提取。

我不會說這個技術(shù)模型已經(jīng)足夠成熟，可以幫助我們開發(fā)物聯(lián)網(wǎng)計算模型。但是對于 Mesh網(wǎng)絡(luò)，我們肯定會看到這種計算模型的推動者。

就個人而言，我花了一些時間在我們的實驗室中實施基于MIST的PoC，我們試圖解決的挑戰(zhàn)是分布式計算模型及其治理。但是，我100%確信在6個月內(nèi)有人會提出一個更好的基于MIST的模型，我們都可以輕松使用和消費。

物聯(lián)網(wǎng)既迷人又具有挑戰(zhàn)性，我所寫的內(nèi)容主要來自我自己的部分經(jīng)驗。