數據令人頭痛
你之前可能聽說過這個，但大部分產生的感官數據在它產生5秒后完全沒有用處。現在你明白我的觀點了嗎?
我們有400個傳感器，多個網關，多個進程和多個系統(tǒng)，這些系統(tǒng)幾乎可以即時處理這些數據。
那時候，大多數數據處理的支持者都在倡導Cloud模式，在這種模式下你總是應該向云發(fā)送一些東西。這也是第一種類型的物聯(lián)網計算基礎。
1.物聯(lián)網的云計算
借助物聯(lián)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(可以是Spark，Azure HD Insight，Hive等)，然后使用這個快速調節(jié)信息做出決定。
自從我開始構建物聯(lián)網解決方案以來，我們現在有許多新產品和服務可以使您對此非常輕松：
如果您是AWS迷，則可以使用AWS Kinesis和Big data lambda服務。
您可以利用Azure的生態(tài)系統(tǒng)，使構建大數據功能變得非常簡單。
或者，您可以使用Cloud Cloud產品和Cloud IoT Core等工具。
我在物聯(lián)網云計算面臨的一些挑戰(zhàn)是：
使用專有平臺和企業(yè)在谷歌，微軟和亞馬遜物業(yè)上使用他們的數據感到不安
延遲和網絡中斷問題
增加存儲成本，數據安全性和持久性
通常，大數據框架不足以創(chuàng)建可以促進數據需求的大型攝入模塊
但是你必須在某處處理你的數據，對吧?
現在來霧計算!
2.物聯(lián)網霧計算
隨著霧計算，我們變得更加強大。我們現在使用本地處理單元或計算機，而不是一直將數據發(fā)送到云端并等待服務器進行處理和響應。
4-5年前，當我們實現這一點時，我們沒有像Sigfox和LoraWAN這樣的無線解決方案，BLE沒有網狀或遠距離功能。因此，我們必須使用成本較高的網絡解決方案來確保我們能夠建立到數據處理單元的安全，持續(xù)的連接。這個中央單位是我們解決方案的核心，并且很少有這種解決方案的專業(yè)供應商。
我首次實施霧計算是在一個石油和天然氣管道項目。這條管道產生了TB級的數據，我們創(chuàng)建了一個霧網絡，其中有霧節(jié)點來計算數據。
從那時起實施一個霧網絡，我學到了一些東西：
這不是很直接，有很多事情你需要知道和理解。構建軟件或我們在物聯(lián)網中所做的更直接，更開放。另外，當你把網絡作為一個障礙時，它會降低你的速度。
您需要一個非常龐大的團隊和多個提供者來執(zhí)行此類實施。通常你也會面臨供應商鎖定。
開放霧及其對霧計算的影響
一年前，一位同事向我介紹OpenFog，這是由領先的從業(yè)者開發(fā)的霧計算架構的開放式霧計算框架。它提供：
用例
測試床
技術規(guī)格
還有一個參考架構
3.物聯(lián)網邊緣計算
物聯(lián)網是關于捕捉微觀互動并盡可能快地做出反應。邊緣計算使我們最接近數據源，并允許我們在傳感器的區(qū)域應用機器學習。如果您已經 認識到邊緣與霧計算的討論，您應該了解邊緣計算都是關于傳感器節(jié)點的智能，而霧計算仍然是可以為數據大量操作提供計算能力的局域網。
像微軟和亞馬遜這樣的行業(yè)巨頭已經發(fā)布了Azure物聯(lián)網邊緣和AWS綠色天然氣，以促進物聯(lián)網網關和傳感器節(jié)點上具有相當計算能力的機器智能。雖然這些解決方案非常好，可以讓您的工作變得非常簡單，但它顯著改變了我們從業(yè)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以建立智能。2015年，我遇到了Knowm，并看到了他們在Neuromemristive處理器上的令人印象深刻的工作。Knowm的Alex談到ECI會議上關于神經元處理器上嵌入式AI的工作：
真正的邊緣計算將發(fā)生在這種可以預裝載機器學習算法的神經元晶體裝置上，以實現單一目的和責任。那會很棒嗎?假設您的倉庫的終端節(jié)點可以在本地執(zhí)行NLP，以獲得像“Open Sesame”這樣的密碼的少數幾個關鍵字符串!
這樣的邊緣設備通常在其內部具有類似神經網絡的構造，因此當你加載機器學習算法時，基本上在它們內部燒制了神經網絡。但是這種灼傷是永久的，你不能扭轉這種情況。
嵌入式設備有一個全新的空間，可以在低功耗傳感器節(jié)點上實現嵌入式邊緣智能。
現在讓我們來看看IOT - MIST計算的第四種計算類型。
4.物聯(lián)網MIST計算
我們看到我們可以做到以下幾點，以促進物聯(lián)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，它彌補了霧和邊緣計算的不足，并使它們更好，而不需要我們等待另外的十年。我們可以簡單地引入物聯(lián)網設備的網絡功能，并分配工作負載，并利用霧或邊緣計算所提供的動態(tài)智能模型。
建立這種新的范例可以從具有256kb存儲器大小和?100kb /秒數據傳輸速率的設備引入高速數據處理和智能提取。
我不會說這個技術模型足夠成熟，可以幫助我們處理物聯(lián)網計算模型。但是對于Mesh網絡，我們肯定會看到這樣的計算模型的協(xié)調者。
就個人而言，我花了一些時間在實驗室中實施基于MIST的PoC，我們試圖解決的挑戰(zhàn)是分布式計算模型和治理。但是，我有100%的把握，在6個月后，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(lián)網在同一時間是令人著迷和具有挑戰(zhàn)性的，我寫的主要來自我自己經驗的部分內容。如果你有什么要分享，增加或批評的話，我全都是耳朵!
