物聯網的計算模式有哪些

從物聯網從業(yè)者的角度來看，經?？吹綄τ嬎愀涌捎煤头植际降男枨蟆．旈_始將物聯網與OT和IT系統(tǒng)整合時，面臨的第一個問題是設備發(fā)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(fā)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(tǒng)，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(jié)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(tài)系統(tǒng)，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(zhàn)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(chuàng)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(fā)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(yè)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(yè)內人士開發(fā)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(guī)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(qū)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(jié)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(yè)巨頭已經發(fā)布了 Azure IoT Edge 和 AWS Green Gas，用于提高物聯網網關和傳感器節(jié)點上的機器智能，這些網關和傳感器節(jié)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(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(fā)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(jié)點可以對很少的幾個關鍵字符串執(zhí)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(jié)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(tài)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(tǒng)的模型，可以很容易地使用它。