雲霧結合，智能物聯網的未來趨勢！

最新 11-18

作者：Frank Lee

來源：IoT for All

物聯網智庫整理髮布

轉載請註明來源和出處

------【導讀】------

在一個純粹以云為中心的模型中，基於存儲和處理的目的，所有的原始數據是聚合的、流向雲端的。儘管有優勢，但也存在一些顯而易見的弊端，尤其是對於工業和醫療領域來說。

物聯網霧計算平台回顧

PaaS 和 SaaS驅動的物聯網

基於平台即服務(PaaS)和軟體即服務(SaaS)的雲技術已經在企業應用中使用多年。最近幾年，在大範圍的產品中，PaaS 和 SaaS 依然是物聯網市場的主要驅動力量。

PaaS 的供應商提供隨時可用的平台服務，像安全、數據存儲、設備管理和大數據分析；SaaS的供應商交付應用層的服務，像計費、軟體管理和可視化工具。谷歌的IoT Core、微軟的Azure以及亞馬遜IoT都是PaaS或SaaS 平台的例子。

PaaS 和 SaaS 的優勢

PaaS或SaaS 平台對很多小型物聯網創業公司的成功至關重要。

產品公司能夠快速開發和配置應用程序，之前需要花費幾個月時間開發產品，現在可以縮短至幾周。

公司可以根據需要擴展規模，減少創業成本，同時他們可以在新興市場中驗證新產品。

公司不再需要維持他們自己的數據中心。與個別產品公司能夠達到的效果相比，這些平台通常提供更好地可靠性和服務時間，同時減少了企業的運營成本。

結果是，物聯網產品公司能夠專註於完美的設計、增強用戶體驗以及為特定的客戶提供更好的產品。

單一雲服務模型的劣勢

在一個純粹以云為中心的模型中，基於存儲和處理的目的，所有的原始數據是聚合的、流向雲端的。儘管存在優勢，但這個模型也存在一些顯而易見的弊端：

來自雲端伺服器到設備端之間難以預測的響應時間

不可靠的雲連接會降低服務質量

過量的數據讓基礎設施負擔過重

涉及敏感客戶數據存儲在雲端的隱私性問題

感測器和制動器數量不斷增加規模的困難

對於工業的關鍵業務或醫療領域的應用來說，以云為中心化的設計顯然是存在弊端的、不合適的。

霧計算綜述

工業物聯網

邊緣計算主要用於工業物聯網領域。這項設計使用局部的計算節點，在設備端（例如感測器、攝像機等）和雲數據中心之間收集、存儲和處理數據，而不是使用遠程的雲數據中心。

互聯的設備從提前安裝好的鄰近節點往返發送數據和接收指令，這些節點有可能是網關設備，比如一個有額外的處理和存儲能力的開關或路由器——它可以對輸入的數據實時接收、處理和做出反應。

標準化

隨著霧計算應用程序和供應商數量的增長，數據和界面的兼容性成了難題。行業內的產品之間缺乏互通性，這將阻礙技術的採納。

OpenFog聯盟於2015年成立，它的成立是由像思科、ARM、戴爾和微軟這樣的公司支持的，這些公司推動了霧計算系統設計的標準和最佳實踐（見圖1），他們的目標是促進相互適用的行業標準和架構的採用。

圖1：OpenFog的關鍵支柱（來源：OpenFog聯盟）

發展中的霧計算應用案例

關鍵任務型應用

除了工業物聯網，面向物聯網應用的消費者也變得更精於世故和更挑剔。在消費物聯網應用的第一次浪潮中，行業和消費者探索了一些有趣的案例，那時他們的要求很小（例如僅僅改變燈光的顏色）。

然而，隨著物聯網市場的逐漸成熟，物聯網將會在人類的日常生活中成為重要活動的基礎設施支柱。現狀是遠遠不夠的，可靠性和實時響應將會至關重要。

自動化驅動系統(ADS)是一個典型例子。ADS 使用多種先進技術：多模感測器、計算機視覺、人工智慧和機器學習等等，該系統為傳動系執行數據融合、圖像分析、繪圖以及預測並判斷最佳行動和控制。

完成這些都需要精確到毫秒，不能有任何中斷。對數據寬頻和延遲方面的需求需要在汽車當中內置一個強大的處理節點。

智能的物聯網應用

除了ADS系統外，人工智慧和計算機視覺的應用也會引起霧計算需求的增長。一個智能的物聯網系統不僅需要幫助人類收集和分析數據，它還需要對沒有人類干預的情況做出響應。

為了做到這一點，它使用從大量感測器中獲取的數據進行實時人工智慧推斷，然後給機器、無人機或機器人里的制動器發送指令，從而執行動作。在一個無人監督的環境中，人工智慧引擎也能夠收集實時的結果，從而評估出下一步需要採取的行動。

我們需要一個混合的霧或雲的模型，可以讓邊緣處理節點處理時間敏感的計算機視覺和人工智慧干擾任務。除此之外，雲節點能應對非實時的或弱實時的功能，例如軟體更新、上下流的信息收集和長期的大數據分析。

GPU——最主要的機器學習平台

最先進的人工智慧系統使用諸如深度神經網路的技術（DNN）。大多數最好的深度神經網路擁有深度網路架構（很多非線性處理單元的圖層）以實現更高的精確度。

因此，實施通常需要一個高容量的數據傳送和大量的計算單元。機器學習和人工智慧研究人員轉而尋求圖形處理器（GPU）來建立主要的遊戲平台。

2007年以來，英偉達已經開發出了統一計算設備架構(CUDA) 技術，用於開發圖形晶元在計算問題上的能力。除了3D著色器處理以外，通過設計，GPU擁有高數據吞吐量和大量的處理核心，這非常適合於計算密集型問題，例如線性代數、信號處理和機器學習。

CUDA編程的API允許科學家在很多領域研究（包括人工智慧和機器學習）容易的利用GPU 的力量。在消費市場，GPU系統可用性的連續改進有利於人工智慧研究人員在合理的時間和預算範圍內進行數據訓練和模型驗證。再看現在，英偉達的CUDA平台或多或少地控制著機器學習和人工智慧市場。

邊緣的嵌入式人工智慧

無論怎樣，對於嵌入式或移動系統來說，典型的GPU過於昂貴以及功耗大。在過去幾年，像英偉達、英特爾、ARM以及蘋果這樣的公司，一直在嵌入式人工智慧系統設計方面投入了大量的精力。英偉達利用CUDA技術的強大的Tegra處理器，是當前市場上的領導者，他們的Jetson平台（圖2）已經廣泛應用於像智能無人機和自動化驅動系統這些領域。