物聯網的四種計算模式

從物聯網從業者的角度來看，經?？吹綄τ嬎愀涌捎煤头植际降男枨?。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服務器的龐大數據量。 在一個工廠自動化的場景中，可能有數百個集成的傳感器，這些傳感器每1秒發送3個數據點。大部分的傳感器數據在5秒鐘之后就完全沒用了。 數百個傳感器，多個網關，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云模型，即總是應該向云發送一些東西。 這也是第一種物聯網計算基礎。

通過物聯網和云計算模型，基本上推動和處理你的感官數據在云。 你有一個攝入模塊，它可以接收數據并存儲在一個數據湖(一個非常大的存儲器) ，然后對它進行并行處理(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，讓構建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:

私有平臺的使用者和企業對于擁有他們的數據在谷歌，微軟，亞馬遜等感到不舒服

延遲和網絡中斷問題

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建一個能夠滿足數據需求的大型攝入模塊

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計算機，而不是將數據一路發送到云端并等待服務器處理和響應。

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或遠程功能。因此，必須使用更昂貴的網絡解決方案，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。

從實施一個霧網絡中可以了解到:

這并不是很簡單，需要知道和理解很多事情。構建軟件，或者說在物聯網上所做的，是更直接和開放的。 而且，當把網絡當成一道屏障時，它會降低速度。

對于這樣的實現，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。 它提供了用例，試驗臺，技術規格， 還有一個參考體系結構。

物聯網是關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，邊緣計算是所有關于智能傳感器節點的應用，而霧計算仍然是關于局域網絡，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布了 Azure IoT Edge 和 AWS Green Gas，用于提高物聯網網關和傳感器節點上的機器智能，這些網關和傳感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網關上運行來構建智能。 2015年，Alex 在 ECI 會議上談到了嵌入式人工智能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，服務于單一的目的和責任。 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絡的結構，所以當加載一個機器學習算法的時候，基本上就是在里面燃燒了一個神經網絡。 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，可以在低功率傳感器節點上促進嵌入式邊緣智能。

可以做以下事情來促進物聯網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絡功能，分配工作負載，既沒有霧也沒有邊緣計算提供的動態智能模型。

建立這種模式可以帶來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 網絡，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于 MIST 系統的模型，可以很容易地使用它。