從從業者的角度來看，我經常看到計算需要更加可用和分布式。當我開始將物聯網與 OT和 IT系統集成時，我面臨的第一個問題是設備發送到我們服務器的大量數據。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秒發送3個數據點。

數據的頭痛

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

我們有400個傳感器、多個網關、多個進程和多個系統，需要幾乎立即處理這些數據。

當時，大多數數據處理的支持者都在提倡云模型，您應該始終將某些內容發送到云。這也是第一種物聯網計算基礎。

1. 物聯網云計算

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

自從我開始構建物聯網解決方案以來，我們現在擁有許多新產品和服務，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和大數據lambda服務。
• 您也可以利用Azure的生態系統，使構建大數據功能變得非常容易。
• 或者，您可以將Google Cloud產品與Cloud IoT Core等工具結合使用。

我在物聯網中的云計算面臨的一些挑戰是：

• 使用專有平臺和企業對將數據放在谷歌、微軟、亞馬遜的資產上感到不舒服
• 延遲和網絡中斷問題
• 增加的存儲成本、數據安全性和持久性
• 通常，大數據框架不足以創建可滿足數據需求的大型攝取模塊

但是您必須在某處處理您的數據，對嗎?

現在是霧計算!

2. 物聯網霧計算

有了霧計算，我們變得更強大了。我們現在使用本地處理單元或計算機，而不是將您的數據一路發送到云端并等待服務器處理和響應。

4-5年前，當我們實施此功能時，我們沒有像Sigfox和LoraWAN這樣的無線解決方案，BLE也沒有網狀網絡或遠程功能。因此，我們不得不使用更昂貴的網絡解決方案來確保我們可以建立到數據處理單元的安全、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供應商很少。

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TB的數據，我們創建了一個霧網絡，其中有霧節點來計算數據。

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

我從那時起實施霧網絡中學到的東西：

• 這不是很簡單，有很多事情你需要知道和理解。構建軟件，或者說我們在物聯網中所做的事情，更加直接和開放。此外，當您將網絡作為障礙時，它會減慢您的速度。
• 您需要一個非常大的團隊和多個提供者來進行此類實現。通常，您還會面臨供應商鎖定問題。

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，一個由領先從業者開發的霧計算架構的 Open Fog計算框架。它提供：

• 應用
• 試驗臺
• 技術規格
• 還有一個參考架構

3. 物聯網邊緣計算

物聯網是關于捕捉微交互并盡可能快地做出響應。邊緣計算使我們離數據源最近，并允許我們在傳感器區域應用機器學習。如果您對 邊緣計算與霧計算的 討論有所了解，您應該了解邊緣計算完全是關于傳感器節點的智能，而霧計算仍然是關于可以為數據繁重的操作提供計算能力的局域網。

微軟和亞馬遜等行業巨頭已經發布了Azure IoT Edge和AWS Green Gas，以促進具有良好計算能力的物聯網網關和傳感器節點上的機器智能。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者所了解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，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記憶設備上，這些設備可以預裝機器學習算法以服務于單一目的和責任。那會很棒嗎?假設您的倉庫端節點可以在本地執行NLP以生成像“芝麻開門”這樣的密碼的極少數關鍵字符串!

此類邊緣設備通常內部具有類似神經網絡的結構，因此當您加載機器學習算法時，您基本上會在其中燒毀一個神經網絡。但這種燒傷是永久性的，你無法逆轉。

有一個全新的嵌入式設備空間，可促進低功耗傳感器節點上的嵌入式邊緣智能。

現在讓我們看看物聯網的第四種計算類型——MIST計算。

4. 物聯網的MIST計算 

我們看到我們可以做以下事情來促進物聯網的數據處理和智能：

• 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網設備的網絡功能并分配工作負載并利用霧計算和邊緣計算都無法提供的動態智能模型。

建立這種新范式可以從具有256kb內存大小和約100kb/秒數據傳輸速率的設備中實現高速數據處理和智能提取。

我不會說這個技術模型已經足夠成熟，可以幫助我們開發物聯網計算模型。但是對于 Mesh網絡，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是分布式計算模型及其治理。但是，我100%確信在6個月內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。

物聯網既迷人又具有挑戰性，我所寫的內容主要來自我自己的部分經驗。