從一個實踐者的角度來看，我經常看到計算更加可用和分布的必要性。當我開始將物聯網與OT和IT系統集成時，我面臨的第一個問題是設備發送到我們服務器的數據量太大。我在一個工廠自動化場景中工作，我們集成了400個傳感器，這些傳感器每1秒發送3組數據。

數據問題

大多數產生的傳感數據在產生5秒后就完全沒有用了。

我們有400個傳感器、多個網關、多個進程和多個系統，需要幾乎同時處理這些數據。

大多數數據處理的支持者都支持云模型，在云模型中，您應該始終向云發送一些內容。這也是第一個物聯網計算基礎。

1. 物聯網云計算

使用物聯網和云計算模型，您基本上可以在云中推送和處理感覺數據。您有一個接收模塊，它接收數據并將其存儲在一個數據池(一個非常大的存儲空間)中，然后對其應用并行處理(可能是Spark、Azure HD Insight、Hive等)，然后使用這些信息來做出決策。

自從我開始構建物聯網解決方案以來，我們現在有許多新的產品和服務，可以讓您非常容易地做到這一點：

如果您是AWS的忠實擁護者，則可以利用AWS Kinesis和大數據lambda服務。

你可以利用Azure的生態系統，使構建大數據功能變得非常容易。

或者，您可以將Google Cloud Products與Cloud IoT Core等工具一起使用。

我在物聯網中面臨的一些云計算挑戰是：

企業不愿意將其數據存儲在Google，Microsoft和Amazon的平臺中。

延遲和網絡中斷問題。

不斷增加的存儲成本，數據安全性和持久性。

通常大數據框架不足以創建能夠滿足數據需求的大型接收模塊。

2. 物聯網的霧計算(Fog Computing)

有了霧計算，我們變得更強大了。我們現在使用本地處理單元或計算機，而不是將數據一直發送到云端，等待服務器處理和響應。

實施此功能的4到5年前，我們還沒有Sigfox和LoraWAN等無線解決方案，而BLE都沒有網狀網絡或遠程功能。因此，我們必須使用成本更高的網絡解決方案來確保我們可以與數據處理單元建立安全、持久的連接。這個中央單元是我們解決方案的核心，并且很少有專門的解決方案提供商。

我對霧計算的第一個實現是在石油和天然氣管道項目中。該管道生成了數TB的數據，我們創建了一個霧網絡，該霧網絡具有適當的霧節點來計算數據。

從那時起，我從實施霧網絡中學到的東西：

它不是很簡單，您需要了解和理解很多事情。構建軟件或我們在物聯網中的工作更加直接和開放。此外，當您將網絡作為障礙時，它會減慢你的速度。

這樣的實現需要一個非常大的團隊和多個供應商。

Open Fog及其對霧計算的影響

Open Fog(https://www.openfogconsortium.org/)計算框架用于霧計算體系結構。它提供：

用例

試驗臺

技術規格

以及參考體系結構

3. 物聯網的邊緣計算(Edge Computing)

物聯網捕獲微交互并盡可能快地響應。邊緣計算使我們最接近數據源，并允許我們在傳感器區域應用機器學習。邊緣與霧計算的區別是，邊緣計算完全是傳感器節點的智能，而霧計算仍然是可以為數據繁重的操作提供計算能力的局域網。

微軟和亞馬遜等行業巨頭已經發布了Azure IoT Edge和AWS Green Gas，以促進具有出色計算能力的IoT網關和傳感器節點上的機器智能。這些都是使您的工作變得非常輕松的出色解決方案，但它極大地改變了我們從業人員了解和使用的邊緣計算的含義。

4. 物聯網的MIST計算

我們看到我們可以做以下事情來促進物聯網的數據處理和智能化：

基于云的計算模型

基于霧的計算模型

邊緣計算模型

我們可以簡單地引入IoT設備的網絡功能并分配工作負載，利用霧和邊緣計算都無法提供的動態智能模型。這種計算類型，可補充霧和邊緣計算，并使它們變得更好。

建立這種新的模式可以從內存大小為256kb、每秒數據傳輸速率約為100kb的設備中實現高速數據處理和智能提取。

我不敢說這個技術模型已經足夠成熟，可以幫助我們處理物聯網計算模型。但對于Mesh網絡，我們肯定會看到這樣一個計算模型的促進者。

就個人而言，我已經花了一些時間在實驗室中實施基于MIST的PoC，而我們要解決的挑戰是分布式計算模型及其治理。但是，我100%確信，很快有人會提出一個更好的基于MIST的模型，我們所有人都可以輕松使用和使用。