雾计算开启万物互联新时代

　　近年来，雾计算的话题得到大量引用，其概念已经处在研究和实验阶段相当长的一段时间，但随着物联网最近的增长，雾计算或称边缘计算已经开始从“创新触发”阶段演变到“期望膨胀的顶峰”阶段。雾（边缘）计算是一种计算数据的体系结构，应用程序和服务被从集中云推到网络的逻辑终端，即边缘。这种方法需要利用资源，可能无法连续连接到网络，如笔记本电脑、智能手机、平板电脑、家用电器、制造工业机器、传感器等等。有许多其他名称的边缘计算架构，如网格计算、对等计算、网格计算等。

　　一、雾计算是去中心化的云计算

　　在云计算架构中，集中式服务器负责整个应用程序或设备所需的计算。然而，与物联网生态系统遵循同样的原则变得越来越麻烦。物联网的生态系统可以逻辑地分解为四个组成部分：数据、东西、人和过程。在数据层面，我们意识到，尽管庞大的数据量正在从连接的设备产生，大部分数据是暂时性的；即，数据的价值产生后几分钟内就消失了。因此，处理这些数据，从数据中提取的价值，数据的生产和存储的各种分析需求是完全不同的学科。

　　处理数据并从中提取智能信号需要计算推送到本地节点设备。为了进行这个过程，这些设备配备了最低限度的计算能力和数据存储设施。在计算之后，只有丰富而简明的可重用数据被传回云端。如果我们要在物联网生态系统继续利用云计算，缩放的同时保持它的可行，那么解决方案和基础设施将成为一个紧迫的瓶颈。此外，随着云计算架构到位，从设备传输如此庞大的数据量到云端，然后处理和提取数据的所有设备所需要庞大的存储和计算资源将使网络瘫痪。云计算显然不是物联网生态系统的一个可行的选择，随着雾计算到位，计算能力被推向极端逻辑结束，从而使设备自我维持在一定程度上采取智能决定。由于只有丰富和简明的数据发送到服务器，因此集中的服务器上的存储和计算负载可以减少到很小，可以更快地实现结果，且通信速度也很快。

　　雾（边缘）计算模型将原有的云计算中心的部分或全部计算任务迁移到数据源的附近执行，根据大数据的3V特点，即数据量（Volume)、时效性（Velocity),多样性（Variety），通过对比云计算模型为代表的集中式大数据处理和雾（边缘）计算为代表的边缘式大数据处理，可以看出雾计算的优势。边缘式大数据处理时代，数据类型更加复杂多样，数据处理的实时性要求更高，数据量也超过ZB级，边缘计算可以提高数据传输性能，保证处理实时性，降低云计算中心的负载。

　　二、雾计算可以有效减少负载提升效率

　　多个设备聚集在一起，连接到单个计算节点，形成一个较小的网络。在某些情况下，单个设备分配给单个计算节点而不是群集。我们将基于一个假设性的使用情况的细节创造一个雾计算模型，假设你的手机有一个健身应用程序，跟踪你每天燃烧的卡路里数量，并与你的目标和历史表现相比，每天通过你所走的步数向你报告燃烧的卡路里量。你的手机配备各种传感器如计步器、加速度计等。这些传感器可以捕获手机的每一个颗粒的运动的数据；即在微秒级别捕获电话的X和Y坐标。通过捕获模式来研究X和Y坐标序列就可以研究你一天中走了多少步。假设你的手机在你的口袋里，当你行走时，在X坐标轴向前移动时Y坐标上有轻微的变化。手机传感器传来的坐标数据能够形成一个模式来检测一个完整的步行周期。使用这些模式，我们可以计算用户走过的步数。现在，如果我们尝试从一个简单的云计算的角度，这个过程会一直收集一天中的全部日志数据，从计步器上将约50MB发送到云端。然后服务器对数据进行分析，检测走的步数，将其转换为燃烧的卡路里数，并将结果发送回移动电话。如果有大约500万用户，需要通过网络将巨大数据量发送到云端并在云端占用网络计算和存储资源。然而，如果我们使用雾计算架构，仅仅利用手机的内部计算能力和存储资源，就可以用来计算每30分钟的步数。在一天结束时，智能手机上的应用程序可以发送用户累计走过的步数，数据的大小将远小于1kb。

　　三、雾计算的应用前景广泛

　　以一个制造业案例为例，假设大型公司在印度建立了工厂生产清洁剂。想象整个流程中一个这样的机器——搅拌机（垂直或水平搅拌机），它吸收不同的原料，并将它们进行搅拌，在制造过程中生产出合成混合物。搅拌机的运转原理是以预设的转速定时旋转，搅拌机筒吸收到不同的原材料，其运转会耗费一定量的能源。

　　如果我们利用物联网生态系统，让这个设备成为“智能搅拌机”会怎样？搅拌机安装的大量传感器为各种参数捕捉数据，然后数据传回服务器（云）进行后续分析。如何提供功率消耗的效率？这就是与雾计算的联系。以前考虑的物联网架构是利用云存储和分析数据做出决定，但是为了让资产/机器成为“智能设备”，我们需要雾运算架构，也就是增加本地实时计算数据流的能力，并向历史信号学习帮助机器做出决策来改善结果。这将是一个利用机器学习优化机器功耗，搭建雾计算网络的场景。

　　搅拌机接收了用于制造流程的不同原料的投入。然后以预设时间和预设转速旋转机筒，搅拌原料形成统一混合物。能耗一般随着原料增加的数量、操作时间、机器运行的速度等增加。我们可以开发能够预测能耗的机器学习模型作为操作参数功能，例如转矩、振动、机筒每分钟的转数、机器温度、压强等，机器参数、投入原料参数，质量参数和数量参数，以及最后的环境条件。毫无疑问，能耗模式在考虑参数不同的一组数值下可以看出差别。

　　我们可以构造以下算法：能耗=功能（操作参数+机器参数+外界条件+原料参数）。该算法可以通过学习存储在云端的历史数据进行发展。一旦构建了算法，它可以用于边缘网络，基于学习实时运行并做出决策。利用算法计算一系列自主学习等式，然后可以用于做出自主决策。该自主学习类似于以下（一种简化的表示方法）：

　　- 在x1和x2之间的温度，转矩>x3…,那么能耗=y1:=最佳效果；

　　- 温度>x4…，那么能耗=y2:=高于最佳效果30%；

　　- 降低温度到x1和x2。

　　基于这些自主学习规则，通过增加和降低设置来保持在最佳能耗模式，机器可以调整操作参数。当数据传输到云端，云端用新数据组更新机器学习模型，那么数据规则和（自主）学习就可以更新了。一旦更新，它会被推回边缘，边缘节点利用更新模型来更新规则，进一步改善结果。

　　如今我们可以看到在运算设备上更现实也更个人化的雾运算，例如笔记本、智能手机、智能手表和平板电脑。最普遍的例子是Windows 10的重启管理器。在自动下载更新后，系统学习用户使用模式可以计算出最合适的重启系统和安装更新的时间。在产业应用方面，利用边缘计算架构，将计算推向边缘节点（网络的逻辑极端），这赋予了机器感知实时数据的能力，可以立即采取措施减少商业损失。在之前的商业用例中，改善能耗只是可能改善的结果之一。边缘计算还可以用于进行各种即时的优化处理，例如缓解资产故障或提高产出质量；学习一个规则使机器会自动做出决策来更改操作设置来避免故障或改善结果质量。简而言之，通过推动计算边缘化，我们也将智能推到边缘，因此让设备或资产能够做出自主决策来改善结果，并成为智能设备。未来雾计算将与云计算相辅相成、有机结合，为万物互联时代的信息处理提供更完美的软硬件支撑平台。

作者：工业和信息化部国经济经济技术合作中心 张放

　更多精彩内容参见“中国经济网-国际频道-国际IT行业资讯”