物联网雾计算平台回顾

　　PaaS 和 SaaS驱动的物联网

　　基于平台即服务(PaaS)和软件即服务(SaaS)的云技术已经在企业应用中使用多年。最近几年，在大范围的产品中，PaaS 和 SaaS 依然是物联网市场的主要驱动力量。

　　PaaS 的供应商提供随时可用的平台服务，像安全、数据存储、设备管理和大数据分析;SaaS的供应商交付应用层的服务，像计费、软件管理和可视化工具。谷歌的IoT Core、微软的Azure以及亚马逊IoT都是PaaS或SaaS 平台的例子。

　　PaaS 和 SaaS 的优势

　　PaaS或SaaS 平台对很多小型物联网创业公司的成功至关重要。

　　产品公司能够快速开发和配置应用程序，之前需要花费几个月时间开发产品，现在可以缩短至几周。

　　公司可以根据需要扩展规模，减少创业成本，同时他们可以在新兴市场中验证新产品。

　　公司不再需要维持他们自己的数据中心。与个别产品公司能够达到的效果相比，这些平台通常提供更好地可靠性和服务时间，同时减少了企业的运营成本。

　　结果是，物联网产品公司能够专注于完美的设计、增强用户体验以及为特定的客户提供更好的产品。

　　单一云服务模型的劣势

　　在一个纯粹以云为中心的模型中，基于存储和处理的目的，所有的原始数据是聚合的、流向云端的。尽管存在优势，但这个模型也存在一些显而易见的弊端：

　　来自云端服务器到设备端之间难以预测的响应时间

　　不可靠的云连接会降低服务质量

　　过量的数据让基础设施负担过重

　　涉及敏感客户数据存储在云端的隐私性问题

　　传感器和制动器数量不断增加规模的困难

　　对于工业的关键业务或医疗领域的应用来说，以云为中心化的设计显然是存在弊端的、不合适的。

　　雾计算综述

　　工业物联网

　　边缘计算主要用于工业物联网领域。这项设计使用局部的计算节点，在设备端(例如传感器、摄像机等)和云数据中心之间收集、存储和处理数据，而不是使用远程的云数据中心。

　　互联的设备从提前安装好的邻近节点往返发送数据和接收指令，这些节点有可能是网关设备，比如一个有额外的处理和存储能力的开关或路由器——它可以对输入的数据实时接收、处理和做出反应。

　　标准化

　　随着雾计算应用程序和供应商数量的增长，数据和界面的兼容性成了难题。行业内的产品之间缺乏互通性，这将阻碍技术的采纳。

　　OpenFog联盟于2015年成立，它的成立是由像思科、ARM、戴尔和微软这样的公司支持的，这些公司推动了雾计算系统设计的标准和最佳实践(见图1)，他们的目标是促进相互适用的行业标准和架构的采用。

　　图1：OpenFog的关键支柱(来源：OpenFog联盟)

　　发展中的雾计算应用案例

　　关键任务型应用

　　除了工业物联网，面向物联网应用的消费者也变得更精于世故和更挑剔。在消费物联网应用的第一次浪潮中，行业和消费者探索了一些有趣的案例，那时他们的要求很小(例如仅仅改变灯光的颜色)。

　　然而，随着物联网市场的逐渐成熟，物联网将会在人类的日常生活中成为重要活动的基础设施支柱。现状是远远不够的，可靠性和实时响应将会至关重要。

　　自动化驱动系统(ADS)是一个典型例子。ADS 使用多种先进技术：多模传感器、计算机视觉、人工智能和机器学习等等，该系统为传动系执行数据融合、图像分析、绘图以及预测并判断最佳行动和控制。

　　完成这些都需要精确到毫秒，不能有任何中断。对数据宽带和延迟方面的需求需要在汽车当中内置一个强大的处理节点。

　　智能的物联网应用

　　除了ADS系统外，人工智能和计算机视觉的应用也会引起雾计算需求的增长。一个智能的物联网系统不仅需要帮助人类收集和分析数据，它还需要对没有人类干预的情况做出响应。

　　为了做到这一点，它使用从大量传感器中获取的数据进行实时人工智能推断，然后给机器、无人机或机器人里的制动器发送指令，从而执行动作。在一个无人监督的环境中，人工智能引擎也能够收集实时的结果，从而评估出下一步需要采取的行动。

　　我们需要一个混合的雾或云的模型，可以让边缘处理节点处理时间敏感的计算机视觉和人工智能干扰任务。除此之外，云节点能应对非实时的或弱实时的功能，例如软件更新、上下流的信息收集和长期的大数据分析。

　　GPU——最主要的机器学习平台

　　最先进的人工智能系统使用诸如深度神经网络的技术(DNN)。大多数最好的深度神经网络拥有深度网络架构(很多非线性处理单元的图层)以实现更高的精确度。

　　因此，实施通常需要一个高容量的数据传送和大量的计算单元。机器学习和人工智能研究人员转而寻求图形处理器(GPU)来建立主要的游戏平台。

　　2007年以来，英伟达已经开发出了统一计算设备架构(CUDA) 技术，用于开发图形芯片在计算问题上的能力。除了3D着色器处理以外，通过设计，GPU拥有高数据吞吐量和大量的处理核心，这非常适合于计算密集型问题，例如线性代数、信号处理和机器学习。

　　CUDA编程的API允许科学家在很多领域研究(包括人工智能和机器学习)容易的利用GPU 的力量。在消费市场，GPU系统可用性的连续改进有利于人工智能研究人员在合理的时间和预算范围内进行数据训练和模型验证。再看现在，英伟达的CUDA平台或多或少地控制着机器学习和人工智能市场。

　　边缘的嵌入式人工智能

　　无论怎样，对于嵌入式或移动系统来说，典型的GPU过于昂贵以及功耗大。在过去几年，像英伟达、英特尔、ARM以及苹果这样的公司，一直在嵌入式人工智能系统设计方面投入了大量的精力。英伟达利用CUDA技术的强大的Tegra处理器，是当前市场上的领导者，他们的Jetson平台(图2)已经广泛应用于像智能无人机和自动化驱动系统这些领域。

　　图2：英伟达的Jetson TX2

　　英特尔也在类似的嵌入式人工智能技术上积极投资，像他们最近收购了计算机视觉芯片公司Movidius一样，美国高通、联发科技、华为、AMD以及一些初创公司也都盯上了这个迅速发展的市场。他们也正在开发未来芯片系统的神经网络能力。

　　这些技术将会在接下来的几年中找到进入市场的方式，芯片供应商正在和软件开发者密切合作，从而优化他们的处理器。

　　此外，嵌入式软件开发者正在寻求最优化的神经网络架构，可以在复杂性和精确度需求中做到平衡。对于不同的应用和使用案例来说，这些的需求是不相同的。

　　其中一个例子就是人脸识别，在这个情况下，开箱即用的精确度和实时需求与访问控制系统和照片标签应用的区别不同，这种差异可能会导致处理需求的量级不同，从而影响系统成本。