雾计算开启万物互联新时代

张放

摘 要：雾计算是去中心化的云计算，可以有效减少负载，提升效率。由于只有丰富和简明的数据发送到服务器，因此集中服务器上的存储和计算负载大大减少，可以更快地实现结果，具有广阔的应用前景。

关键词：雾计算；去中心化；云计算

近年来，雾计算得到大量引用，其概念已处在研究和实验阶段，但随着物联网的增长，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，可能无法持续连接到网络，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。也有许多其他名称的边缘计算架构，如网格计算、对等计算等。

1 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，但与物联网生态系统遵循同样的原则会变得越来越麻烦。物联网的生态系统可以分解为四个组成部分，即数据、东西、人和过程。在数据层我们意识到，尽管庞大的数据量正在从连接的设备产生，但大部分数据是暂时的，即数据的价值在产生后几分钟内就消失了。因此，处理数据，从数据中提取价值，数据的生产和存储是完全不同的学科。

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。为了进行该过程，这些设备配备了最低限度的计算能力和数据存储设施。计算之后，只有丰富而简明的可重用数据被传回云端。如果我们在物联网生态系统继续利用云计算，并且在缩放的同时保持其可行性，那么解决方案和基础设施将成为紧迫的瓶颈。此外，随着云计算架构的发展成熟，从设备传输庞大的数据量到云端，处理和提取数据的所有设备所需要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最佳选择。随着雾计算的到位，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智能决定。由于只有丰富和简明的數据发送到服务器，因此集中服务器上的存储和计算负载可以减少，以便更快地实现结果，且通信速度很快。雾（边缘）计算模型将原有云计算中心的部分或全部计算任务迁移到数据源附近执行，根据大数据的3V特点，即数据量（Volume）、时效性（Velocity）、多样性（Variety），通过对比以云计算模型为代表的集中式大数据处理和以雾（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。

2 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非群集。假设用户的手机中有一个健身应用程序，跟踪用户每天燃烧的卡路里数量，并与用户的目标和历史表现进行比较，每天通过所走的步数向用户报告燃烧的卡路里量。手机中配备的传感器如计步器、加速度计可以捕获手机每一个颗粒的运动数据，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用户一天中走了多少步。假设手机在用户的口袋里，当人行走时，即X坐标轴向前移动时Y坐标上有轻微变化。手机传感器传来的坐标数据能够形成一个模式来检测完整的步行周期。使用这些模式可以计算用户走过的步数。如果尝试从简单的云计算角度考虑，该过程会持续收集一天中的所有日志数据，计步器将上传约50 MB数据发送到云端。然后服务器对数据进行分析，检测所走的步数，并将其转换为燃烧的卡路里数后，将结果发送回移动电话。如果有大约500万用户，那么需要通过网络将巨大的数据量发送到云端并将占用云端的网络计算和存储资源。但若我们使用雾计算架构，那么仅利用手机的内部计算能力和存储资源就可以计算每30分钟的步数。一天结束后，智能手机上的应用程序将发送用户累计走过的步数，数据大小远小于1 kb。

3 雾计算的应用前景广泛

以制造业案例为例，假设某大型公司在印度建立了工厂生产清洁剂。在整个流程中的搅拌机（垂直或水平搅拌机）吸收不同的原料，并将它们搅拌，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。但如果我们利用物联网生态系统，让该设备成为“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。如何提高功率消耗的效率？这就是与雾计算的联系。之前考虑的物联网架构是利用云存储和分析数据做出决定，但为了让资产/机器成为“智能设备”，我们需要雾运算架构，即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。能耗一般随着原料数量、操作时间、机器运行速度等的增加而增加。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。

我们可以构造该算法，即能耗=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，然后做出自主决策。该自主学习类似于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最佳能耗模式，机器可以调整操作参数。当数据传输到云端后，云端运用新数据组更新机器学习模型，而数据规则和（自主）学习也就可以更新了。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。最普遍的是Windows 10的重启管理器。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自动做出决策来更改操作设置以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。