物聯(lián)網(wǎng)的四種計算模式

從物聯(lián)網(wǎng)從業(yè)者的角度來(lái)看，經(jīng)?？吹綄τ嬎愀涌捎煤头植际降男枨?。當開(kāi)始將物聯(lián)網(wǎng)與OT和IT系統整合時(shí)，面臨的第一個(gè)問(wèn)題是設備發(fā)送到服務(wù)器的龐大數據量。 在一個(gè)工廠(chǎng)自動(dòng)化的場(chǎng)景中，可能有數百個(gè)集成的傳感器，這些傳感器每1秒發(fā)送3個(gè)數據點(diǎn)。大部分的傳感器數據在5秒鐘之后就完全沒(méi)用了。 數百個(gè)傳感器，多個(gè)網(wǎng)關(guān)，多個(gè)進(jìn)程，和多個(gè)系統，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云模型，即總是應該向云發(fā)送一些東西。 這也是第一種物聯(lián)網(wǎng)計算基礎。

通過(guò)物聯(lián)網(wǎng)和云計算模型，基本上推動(dòng)和處理你的感官數據在云。 你有一個(gè)攝入模塊，它可以接收數據并存儲在一個(gè)數據湖(一個(gè)非常大的存儲器) ，然后對它進(jìn)行并行處理(它可以是 Spark，Azure HD Insight，Hive，等等) ，然后使用快節奏的信息來(lái)做決定。

自從開(kāi)始構建物聯(lián)網(wǎng)解決方案，現在有了許多新的產(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，讓構建大數據能力變得極其容易

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)中面臨的一些挑戰是:

私有平臺的使用者和企業(yè)對于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(wǎng)絡(luò )中斷問(wèn)題

增加了存儲成本、數據安全性和持久性

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

通過(guò)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計算機，而不是將數據一路發(fā)送到云端并等待服務(wù)器處理和響應。

4-5年前，還沒(méi)有像 Sigfox 和 LoraWAN 那樣的無(wú)線(xiàn)解決方案，BLE也沒(méi)有mesh或遠程功能。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，持久的連接到數據處理單元。 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，當把網(wǎng)絡(luò )當成一道屏障時(shí)，它會(huì )降低速度。

對于這樣的實(shí)現，需要一個(gè)非常大的團隊和多個(gè)供應商。 通常也會(huì )面臨供應商的鎖定。

OpenFog是一個(gè)由著(zhù)名業(yè)內人士開(kāi)發(fā)的專(zhuān)為霧計算架構而設計的開(kāi)放霧計算框架。 它提供了用例，試驗臺，技術(shù)規格， 還有一個(gè)參考體系結構。

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。 邊緣計算離數據源最近，能夠在傳感器區域應用機器學(xué)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(guān)于智能傳感器節點(diǎn)的應用，而霧計算仍然是關(guān)于局域網(wǎng)絡(luò )，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(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)和傳感器節點(diǎn)上的機器智能，這些網(wǎng)關(guān)和傳感器節點(diǎn)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(jiǎn)單，但是它顯著(zhù)地改變了從業(yè)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(xué)習算法在網(wǎng)關(guān)上運行來(lái)構建智能。 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:

真正的邊緣計算將發(fā)生在這樣的神經(jīng)元裝置上，它們可以預裝機器學(xué)習算法，服務(wù)于單一的目的和責任。 那會(huì )很棒嗎？ 讓我們假設倉庫的結束節點(diǎn)可以對很少的幾個(gè)關(guān)鍵字符串執行本地 NLP，這些關(guān)鍵字符串構成密碼，比如"芝麻開(kāi)門(mén)"！

這種邊緣設備通常有一個(gè)類(lèi)似神經(jīng)網(wǎng)絡(luò )的結構，所以當加載一個(gè)機器學(xué)習算法的時(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.

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

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

基于云計算的模型

基于霧的計算模型

邊緣計算模型

這里有一種計算機類(lèi)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(jiǎn)單地引入物聯(lián)網(wǎng)設備的網(wǎng)絡(luò )功能，分配工作負載，既沒(méi)有霧也沒(méi)有邊緣計算提供的動(dòng)態(tài)智能模型。

建立這種模式可以帶來(lái)高速的數據處理和智能提取的設備，具有256kb 的內存大小和 ~ 100kb / 秒的數據傳輸速率。 對于 Mesh 網(wǎng)絡(luò )，肯定會(huì )看到這樣一個(gè)計算模型的促進(jìn)者，會(huì )有人提出一個(gè)更好的基于 MIST 系統的模型，可以很容易地使用它。