流动计算与机器学习将全面释放物联网潜能

物联网（IoT）最初是脱胎于机对机（M2M）技术，如今不仅已被各行各业的企业机构列为头等大事，而且已经好几年了。尽管如此，这个概念距离达到成熟期还有很长的路要走。这条道路将技术、经济和社会等诸多因素汇聚起来，共同创造新的数字化舞台，服务于我们的生活、工作和娱乐。这是一个长远的愿景，我们目前仅仅只是走在旅程的起步阶段。

网络化、智能化、自主化

大多数企业机构都把物联网看作是由多个阶段构成的整体。大致的思路都是先把设备连接起来，然后使它们智能化，最后使它们自主化。例如，自动驾驶汽车就是典型的自主化。早期人们首先关注的是把各种设备通过网络互连起来。但是，当你注意到它是一个整体系统之后，就会发现其背后所潜藏的其他组成部分，也就是更多的技术需求和业务需求。

目前的现状是，所有这些组成部分都还不那么成熟，甚至还有些技术尚未找到适当的方式，使其能够有效地支持物联网愿景中的智能化和自主化的需求。例如，计算资源的布局方法就是一个值得讨论的方面。

流动计算

计算资源究竟应该部署在整个物联网的哪些部位，这是一个十分重要的议题。计算能力在过去的四十年中一直在集中式于分布式之间摇摆，而最新的趋势是云计算——这也是一种集中化的方法。市场上有一种观念，认为我们正在回到分布式计算模式，但我不认为这种情况必然会发生。是的，我们需要把更多的计算能力部署到网络边缘，但为了充分发挥物联网的应有潜力，真正需要实现的是流动计算（Fluid Computing）。

为了让物联网充分发挥其潜力，系统需要能够以流动为基础来获取和使用计算资源。在云端，企业级的虚拟化能力推动了弹性计算，于是企业可以让应用软件运行在任何可利用的计算资源之上，而不论这些资源位于何处。

让计算能力在边缘、雾和云之间流动起来

我们风河公司一直在与客户一起规划他们的未来，并向他们展示如何接受流动计算的概念并加以扩展，目标就是在物联网的边缘、雾和云之间实现工作负载的最佳均衡。创建一个拓扑结构，允许企业以流动的方式使用任何层次的计算资源，这样就可以按照需要将工作负载部署到最佳的计算资源之上。

最终，这将创造一种环境，其中的计算资源可以满足各种应用需求，并且实现资源利用效率的最大化。然而，这是很复杂的工程，对于许多人来说，它代表了一个全新的IT愿景。

一段时期以来，嵌入式系统开发人员已经在左右横向坐标轴上实现了工作负载的综合化。他们已经能够实现嵌入式虚拟化技术在联合制系统中的综合运用，从而降低了整体成本。下一个挑战就是，如何实现纵向上下坐标上（边缘、雾和云之间）实现工作负载的和协调和综合。

其中一个关键是云架构的利用，而不是继续构建客户定制的嵌入式解决方案。要做到这一点并不容易，而更大的挑战在于如何有效地做到这一点，同时保持关键基础设施所必须达到的系统完整性、性能和确定性。

以软件定义推动商业模式转型

风河公司一直专注于帮助客户应对计算资源方面的挑战，努力实现物联网的愿景，同时也关注着未来市场将会创造出的商业模式。随着我们在物联网完整体系上的加速推进，必须考虑到实质上的商业模式转型。推动云计算和电信数据中心向软件定义网络（SDN）和网络功能虚拟化（NFV）的转型，这已经对传统设备供应商的商业模式产生了深远的影响。他们以往的盈利策略都是与专用解决方案紧紧捆绑在一起的。

最终用户正在推动计算平台、软件基础设施、应用软件和业务流程的解耦（Decoupling），这将对供应链造成颠覆性的重大变化，迫使企业解决方案的供应商重新思考他们将如何创造和获取价值。例如，我们现在看到，思科的转型就是这种演变的典型例子。

这种趋势同样也发生在传统的嵌入式领域，如工业控制市场。生产制造和流程加工企业的拥有者正在努力让原有的设备在新的物联网环境中继续发挥作用，并且以创新的方式来应对新的市场变化，同时还必须进一步降低成本。他们正在探索如何利用虚拟化和拓扑结构来实现解耦，以便能够灵活地部署创新的技术。

跨越异构网络，实现联合体系

创新的技术应用肯定不能运行在传统的IT基础架构之上，必然要求新型的流动计算架构，包括新型的边缘计算平台，从而实现超低延迟的性能、贯穿边缘与云端的综合性安全机制、电信运营商级的正常运行时间，并且支持最小规模的资源配置。典型的边缘计算平台与运行在云端数据中心的企业级核心基础架构存在显著差异，同时还需要在分布式的云计算平台与边缘计算资源之间建立经济有效的联合体系（Federated Systems），并确保其云无关（Cloud-Agnostic）抽象。

最近在巴塞罗那举行的世界移动通信大会（2018 MWC）上，VMware与风河公司联合展示采用ONAP联合计算体系，实现了跨越多种云平台的多租户业务。这是在ONAP Multi-VIM/Cloud Project之下展开合作的成果，因为VMware和风河都是其中的领先贡献者。这个项目的目标是推动ONAP的设计以及云无关基础架构环境的部署，包括OpenStack及其不同版本、共有和私有云、微服务容器等实例。在这项演示系统中，Wind River Titanium Cloud处于边缘部位，而VMware vCloud NFV OpenStack Edition处于核心部位。应用情景则是虚拟CPE和虚拟IMS。在这两种情境中，边缘部件都运行在Wind River Titanium Cloud之上，而核心部件运行在VMware VIO. ONAP编排器之上，在边缘和核心云之间实现了数据流动的自动化，控制着整体的服务交付和生命周期管理。

这种跨越异构网络（VMware VIO和Wind River Titanium Cloud）的联合体系正式服务提供商所需要的高增值边缘服务，既可以用于拓展其现有网络，又可以用于增加新的网络。

工业系统正在向电信系统学习

在过去的50年里，工业自动化系统的服务方式可以概括为“插上插头之后只能祷告（Plug and Pray）”。也就是说，每当人们在系统中添加一件新的设备，就只能向上帝祷告祈求它正常工作，不要出现任何问题。因为一旦发生问题，维修和更换的成本是不可估量的。例如，安装在核反应堆之中的发电机组就属于这种情况。在物联网时代，我们既有可能也应该获得新的方法来解决这类问题。

当今的技术创新发展迅速，工业企业如果不了解如何运用这些新技术来加快应变速度、降低运营成本，必将在竞争中处于劣势。我们在这里探讨就是，工业企业已经感受到压力，发现自己可以了解评估一下，在云计算和电信数据中心已经发生的拓扑结构变迁，以便确定哪些新技术可以应用在自己所在的领域。

这些方法在工业市场传统供应商的商业模式之下有可能让人感到迷惑，与我们在云计算和电信市场出现的情况十分类似，不必恐慌。我们已经看到，工业控制企业正在积极尝试从相邻行业中学习，调整转变自己的价值主张，同时重新思考伴随着这种转变应该采取的盈利策略。他们开始认识到，自己的价值将越来越多地在应用程序和业务流程的层级产生，而不是在计算平台、软件基础设施这两个层级。

转变流程才是数字化革命

我们做为技术服务提供商，正在迅速解决的技术挑战主要包括：1）把不同的设备连接起来；2）使其智能化；3）接着就是使这些设备能够自主地学习和采取行动。要真正实现物联网愿景所承诺的目标，同样也需要商业模式的快速发展，以便消费者的需求和供应商的能力相互匹配起来。对于很多企业来说，这是非常不同以往并且非常巨大的转变，而且很多企业和很多管理人士都担心在此过程中破坏了他们原有的营业收入引擎。

当然，计算资源只是物联网道路向前推进的一个方面。另一个显而易见的方面是数据。数据等同于新时代的石油。虽然我们已经在捕捉和利用数据方面取得了一些进展，但还没有真正体验到物联网所承诺的诱人成果。

我最近阅读了大量的资料都是有关工业革命的到来，其中历史上最大的突破是利用蒸汽来推动工厂里的传送带和齿轮。不久之后，大型直流电机取代了蒸汽机。然而，电力并没有从根本上改变制造业，它只是提供了一种更有效的动力来驱动传送带和齿轮。真正的转变直到大量小型电动机的分布式应用出现之后才得以发声，这表明人类真正开始理解和改变传统的生产制造流程，从而在根本上改变了生产模式。

我们对数据的处理思路基本上是一样的。数据不是新现象，它一直都存在。关键是我们要找到访问、存储和分析数的更有效方法。如果我们不能在物联网的边缘部署计算资源，就代表我们没有做任何新的完全不同的事情，正如我们刚刚开始部署大型电动机，而尚未改变生产流程。

机器学习是物联网的关键

作为一项具备转型意义的关键技术而被广泛讨论的是机器学习，这是实现物联网崇高愿景的关键。

机器学习在20世纪40年代以及艾伦图灵之后就已经存在了。早期的方法是使用符号编程，依靠机器规则作为学习的基础。如今，算法的发展已经转向了模式识别，应用精细化的学习技术。随着机器学习朝着这个方向发展，我们已经看到应用效率的巨大提升。当然它还处于新生阶段，但发展速度是惊人的，其影响将是具备转型意义的。

然而，支持机器学习必然会需要更大的计算资源。我们遇到的主要挑战是将计算资源远远地推到产生数据的网络边缘，这样就可以让设备自身在更短的时间内做出关键性的决策，而不会因为要将数据传送到云端而产生时间延误。最终，企业会希望实现流动计算的模式，以便为在任何需要的地方和需要的时间为设备赋予智能。于是，我们将真正能够充分利用机器学习的力量。

下决心主动转型，因为竞争者随时会到来

做好物联网转型这件事必须抱有强烈的意愿。决心有多大，这是一个非常重要的问题。任何企业机构，如果他们把物联网和机器学习视为一个新的陌生领域，那就必须去学习。对于学习意愿和学习能力，无论怎么强调都不会过分。

如果企业机构认为仅仅依靠他们原有领域的知识就可以阻止来自邻近市场的新竞争者，那么他们肯定就打错算盘了！只要能够获得正确的数据集，同时拥有足够的计算资源，程序员即便只有有限领域专门知识，也可以开发出能够取得显著成果的算法。所以，企业机构必须认识到，必须加快自己发展机器学习技术应用的速度，否则他们将看到来自临近市场的新竞争对手，在他们的后视镜里迅速追赶上来。

机器学习的应用不是今天即可到手的奖品，但却是近期容易到手的目标，基本上用不了一年时间。但在下一个十年里，机器学习和流动计算的发展将大大加速。流动计算、IT可扩展性和机器学习是迷人的技术，从战略的角度来看，风河正在研究如何包容所有这一切。