如何将雾计算推向物联网计算

　　物联网的最终目标都是未来实现万物互联的局面，我们都知道物联网是由网络构成，网络又是由数据构成，所以大数据加云计算才是物联网的重要铺垫，我们的下一步便是将雾计算推向物联网计算的方向发展。

　　物联网的今天

　　目前物联网产业发展趋势主要围绕三条主线：一是to B的工业和商业物联网，二是政府驱动的与智慧城市、户外基础设施相关的领域，第三是家庭物联网。相对用户来讲，这三条主线受关注度最大的是家庭、个人相关的领域，但短期变现趋势最快的是to B的物联网服务。

　　物联网的发展趋势可以从企业物联网化的趋势看出来，企业物联网融合是阶段性的。第一阶段是没有连接互联网的电子产品，第二阶段是物联网的基础，即把设备连接到互联网，可以远程控制和采集数据，这是机智云过去几年一直在做的事。第三阶段是可服务化，通过数据采集了解客户的需求，同时提供更好的服务。第四阶段是智能化，就是让设备可以通过算法具有判断能力，不再是简单地用手机APP。第五阶段是做到持续优化，因为物联网本身也是一个互联网产品，互联网跟一个企业融合之后就有机会把它的产业上下游（包括上游的供应链、下游的经销渠道）全部打通，让它自己能够更优化的运作。第六阶段是差异化。随着各个细分行业的发展，很多企业的商业模式也在不断发生变化，所以持续优化是物联网能够给企业带来的很重要的机会，基本上持续优化以及形成差异化的商业模式是物联网发展的长期目标。

　　雾计算的前世今生

　　雾计算是终端设备和云端数据中心之间再加一层“雾”，即网络边缘层，比如再加一个带有存储器的小服务器或路由器，把一些并不需要放到云端的数据在这一层直接处理和存储。雾计算在地理上分布更为广泛，而且具有更大范围的移动性，这让它适应如今越来越多不需要进行大量运算的智能设备。对一些对时间延迟敏感的应用如实时和流媒体应用中，雾计算也具有更大的优势。例如温度计每秒的读数是无需上传到云里的。雾计算技术要做的是在实时数据的基础上得到一个平均数，然后每半小时左右将其上传到云里。如果温度出现异常，传感器仍然可以具有相当的智能而迅速做出反应。

　　雾计算扩大了云计算的网络计算模式，将网络计算从网络中心扩展到了网络边缘，从而更加广泛地应用于各种服务。通过运用雾计算可以大大减少云端的计算和存储压力，提高效率，提升传输速率，减低时延。

　　早些年，思科公司提出了“雾计算”，是“云计算”的延伸概念，用于推销其产品和网络发展战略，希望不再拘泥于云计算，研究如何在物联网设备上存储和处理它们自身产生的数据。不过从思科提出雾计算到现在，真正落地的案例并不多，思科的路由器和交换机技术缺乏对终端设备的定义和控制能力，大部分场景无法把雾计算的能力真正体现出来。

　　过去的20年，云计算的兴起把端部的计算和存储挪到了云端，便于数据聚合和统一管理，现在，“雾计算”把聚合的计算和存储在此部分分配到管道和端部，形成更快速响应和超大规模的运算体系。这个新型的计算体系对一个企业对云、管、端的控制力和动态管理能力提出了新的要求。

　　雾计算在物联网应用中的优势

　　雾计算在物联网商业运用方面的优势很大，主要表现在四个方面。

　　1.降低能耗，云计算把大量数据放到“云”里去计算或存储，“云”的核心是装有大量服务器和存储器的“数据中心”。由于目前半导体芯片和其他配套硬件还很耗电，全球数据中心的用电功率，相当于30个核电站的供电功率，其中90%的耗电量都被浪费，因为效率很低。谷歌位于全球数据中心的用电功率就达到3亿瓦特，这一数字超过了3万户美国家庭的用电量。当未来数据传输量进一步成指数式增长，云中心会无法再维持下去。这个数据传输，指大量无线终端和“云”之间的传输。

　　2、提升效率，随着物联网的到来，各行各业包括家庭电器、可穿戴设备、汽车周边、工业农业、商用设备等等各种需要连网的终端设备数量的增长，将产生极其大量的数据发送和接收，可能造成数据中心和终端之间的I/O（输入输出）瓶颈，传输速率大大下降，甚至造成很大的延时，一些需要实时响应的设备将无法保证正常运行，比如：无人机、安防报警、监护设备等。

　　3、数据分析，大量企业对于海量数据采集需求的解决办法是减少数据采集的频率和总量，比如每10分钟采样一次，一天下来可能就采集上百次，精准度和效率会大打折扣，一些需要海量、不间断数据采集的设备就会降低本身的服务价值，而一些需要及时决策的设备在等待全部数据上传云端运算决策后再返回设备端会大大降低服务能力。

　　4、升级安全，在没有成熟技术平台时，大部分设备怎么计算，出厂时就已经定型了，除非用一个很重的办法去远程升级它的整套系统，但这种升级效率低，也很危险，有可能一换操作系统，市面上上百万台设备就永远失联了。

　　机智云的成功案例

　　机智云有超过6年的物联网技术积累和创新经验，目前平台支撑超过700万台物联网设备，在技术创新和应用上一直处于国际领先水平，随着IoT产业的不断发展，连网设备的计算能力也在不断增加，机智云把“雾计算”的应用在IoT领域往前推进一步，以满足客户产品的特定功能需求。机智云作为全栈的物联网技术平台（Full Stack IoT Platform），对云、管、端三者有很强的控制力，这是平台落地雾计算非常特别的优势。

　　机智云对雾计算的落地策略不同于思科等通信设备供应商。思科主要靠路由器和交换机来部署雾计算，但这些“管道型“的设备适合扮演数据搬运的工作，对数据无法解析，也无法影响智能终端和云端的操作，很难把“雾计算”应用起来。而机智云现在的“雾计算”的发力点落在了数量更为庞大的通讯模组DTU（Data Transfer Unit）和网关 （Networking Gateway） 上。这些设备都是机智云直接可控的计算单元， “雾计算”就是从云端向这些边缘设备动态分配计算和存储能力。

　　机智云另外一个创新点是把动态部署运算的能力赋予给低级处理器，就连几块钱的普通单片机（MCU）也可以参与到雾计算。机智云ECE雾计算框架，在DTU或网关上嵌入了一个“微容器”，可以执行以Javascript，Python，Lua等轻量级的脚本语言构成的“微应用”。这些“微应用”可以做数据处理、协议转换、以及实现设备之间的互联互通。开发者可以直接在云端编写各种脚本，可以通过ECE系统方便地推送到微应用容器中，就可以实时把运算能力部署到设备端，设备不用重启，也不需要原先的整个系统OTA固件升级，而是只需要更新它在雾端的算法和微应用。

　　具备“微应用”的设备可以根据业务需求，实现毫秒级数据采集分析，提供更大的可分析数据量，并具备本地判断能力，精确度与效率得到大大提高。但这种设备端的计算并不会取代云端运算，而是设备端经过微应用数据处理，将已经处理好的有用数据发送到云端，云端再去做数据汇总，设备端有效放大了云端的汇总能力。现在，通过雾计算的方式，云端可以快速灵活地更新它在雾端的微应用，有效地把“软件定义硬件”升级到“云端定义硬件”。

　　人工智能的发展前景

　　物联网每时每刻都会产生大量数据，数据越来越多时就需要机器做处理，这就不得不提到人工智能、深度学习，现有的人机交互的公司，像苹果Siri的使用人群还比较少，所以人工智能目前真正能做到有商业价值的不多。未来能够为企业创造价值的才是好的技术，所以人工智能的未来肯定不能够只是抓眼球。

　　人工智能中的算法从时间维度或者包含关系来理解，可以分为三层：一是泛人工智能。各种各样的模拟人类行为作出识别、决策、规划、预测的算法都可以统称为人工智能;二是机器学习。是人工智能的一个分支，它是对一个数据和多维度数据长时间的存储和分析之后，让机器自行归纳并挖掘出数据的内在规律的行为，这是机器学习的领域;三是深度学习。其实是针对机器学习中神经网络的进一步演化。强调的是通过模拟人的大脑神经系统，构造出复杂并且层次较深的神经网络模型。不同于简单的浅层学习，深度学习的网络可以达到几百层甚至上千层，由此而来的模型对数据的归纳理解能力也是大大超越机器学习的。

　　对于做工具的公司来讲，就是把复杂的大道理变成功能模块，所以定义了物联网领域，刚才说的应用场景里面，有哪些算法是比较通用，而且能够实用的，包括调度、异常检测，还有推荐、降维，这些就比较复杂了，就是当你有很多数据，为了能够更快速的得到决策就要降它的维度，这都是做人工智能的方法论，可以把它变成一些标准化的模块。这些算法可以把它工具化，把人工智能定义成做工具的方向，把行业里用得上的算法变成一个一个的工具模块，然后结合。

　　下面用一个案例做具体分析。

　　早些年，谷歌收购Nest，Nest核心的技术优势是通过快速的改造传统的温控器，把家里所有的空调设备跟冷暖设备协同起来，通过了解家里使用能源的特性，能够预测什么时候把家里的温度控制到什么程度，这样的方法就可以让家里节能。

　　如何应用？热水器有三个比较重要的问题，第一是电热水器热水比较慢。第二是不同厂家的加热能耗不太一样。热水器里的处理器不会是像无人机里面的双核、四核的，它只是一个简单的MCU，是一个简单的处理器。现在赋予它通信的能力，能连到机智云上面，结合算法，让它真正更加节能、使用更加方便。

　　如何节能？首先要做一个用户模型，知道什么时候用多少水，一般用的家用热水器没有流水的传感器，不知道它用了多少水，只能用算法根据温度预测它，根据复杂的模型、多个维度的数据聚合之后，得出这家人过去一个月用水的形状长什么样子。

　　下一步就要开始做预测了，目标是通过一个月的学习，可以预测到明天的任何一分钟用水的可能性和用水量。也就是用水的探测，用算法来模拟，通过用户模型的搭建，用推荐引擎和预测引擎做决策，让这个产品可以自动的去跑优化的算法。

　　未来百亿级的物联网的终端设备都是所谓的低等生物，里面的传感器可能是低功耗的，运算单元也是低功耗的，做复杂的深度学习会很麻烦。现在的做法是数据采集用低等生物来做，把一部分的预算在低等生物上做预处理，让预处理跟特征处理在这里处理，在云端上反应更快，未来百亿级的设备会越来越聪明，而且不会因为网络的不稳定而受影响。

　　机智云平台上的机器学习叫做Giga Machine Learning，可以分配到百万、千万甚至是几亿、十几亿的设备上面去。把一些算法放到低地等生物的SKU里，低等生物采集频率很高，如果做预处理可以把特征值扔到云端做聚合处理，算法进行实时更新，把算法推送到端部，数据上了云端再动态的跟其他的数据结合起来。