今天有话说云计算、雾计算、霾计算、边缘计算及认知计算

今日头条
佚名
提起人工智能和云计算大多数人可能不陌生了,但不知不觉又来了个 雾计算我,还有什么边缘 计算、认知计算,可谓是变化多端,让人摸不着头脑,那也不要紧,今天,我希望通过深入介绍雾计算的概念,理清雾计算和云计算...

提起人工智能和云计算大多数人可能不陌生了,但不知不觉又来了个 雾计算我,还有什么边缘 计算、认知计算,可谓是变化多端,让人摸不着头脑,那也不要紧,今天,我希望通过深入介绍雾计算的概念,理清雾计算和云计算、边缘计算、移动云计算、移动边缘计算等技术模型之间的区别和联系,再次拉近我们和几个“计算”之间的距离。我给你一一解释,不能说让你完全懂,但肯定让你能知其一也能知其二,搞个差不多,下面就一一解释。

一、概念浅析

云计算

云计算(cloud computing)是基于互联网的相关服务的增加、使用和交付模式,通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网,后来也用来表示互联网和底层基础设施的抽象。因此,云计算甚至可以让你体验每秒10万亿次的运算能力,拥有这么强大的计算能力可以模拟核爆炸、预测气候变化和市场发展趋势。用户通过电脑、笔记本、手机等方式接入数据中心,按自己的需求进行运算。云计算是一种按使用量付费的模式,这种模式提供可用的、便捷的、按需的网络访问, 进入可配置的计算资源共享池(资源包括网络,服务器,存储,应用软件,服务),这些资源能够被快速提供,只需投入很少的管理工作,或与服务供应商进行很少的交互。

云计算系统由云平台、云存储、云终端、云安全四个基本部分组成。云平台作为提供云计算服务的基础,管理着数量巨大的CPU、存储器、交换机等大量硬件资源,以虚拟化的技术来来整合一个数据中心或多个数据中心的资源,屏蔽不同底层设备的差异性,以一种透明的方式向用户提供计算环境、开发平台、软件应用等在内的多种服务。

通常情况下,云平台从用户的角度可分为公有云、私有云、混合云等。

公有云:第三方提供商为用户提供服务的云平台,用户可通过互联网访问公有云。

私有云:为一个用户单独使用而组建的,对数据存储量、处理量、安全性要求高。

混合云:是结合了公有云和私有云的优点而组建的。

再者,通过从提供服务的层次可分为基础设施即服务(Iaas)、平台即服务(Paas)和软件即服务(Saas)。

雾计算

雾计算(Fog Computing),在该模式中数据、(数据)处理和应用程序集中在网络边缘的设备中,而不是几乎全部保存在云中,是云计算(Cloud Computing)的延伸概念,由思科(Cisco)首创。这个因"云"而"雾"的命名源自"雾是更贴近地面的云"这一名句。雾计算和云计算一样,十分形象。云在天空飘浮,高高在上,遥不可及,刻意抽象;而雾却现实可及,贴近地面,就在你我身边。雾计算并非由性能强大的服务器组成,而是由性能较弱、更为分散的各类功能计算机组成,渗入工厂、汽车、电器、街灯及人们物质生活中的各类用品。

相比于云计算的高高在上和遥不可及,雾计算更为贴近地面,就在你我身边。我们知道,将数据从云端导入和导出实际上比人们想象的要更为复杂,由于接入设备越来越多,在传输数据、获取信息时,带宽就显得不够用了,这就为雾计算的产生提供了空间。

雾计算的概念在2011年被人提出,并非是些性能强大的服务器,而是由性能较弱、更为分散的各种功能计算机组成,渗入电器、工厂、汽车、街灯及人们生活中的各种物品。雾计算是介于云计算和个人计算之间的,是半虚拟化的服务计算架构模型,强调数量,不管单个计算节点能力多么弱都要发挥作用。

雾计算有几个明显特征:低延时、位置感知、广泛的地理分布、适应移动性的应用,支持更多的边缘节点。这些特征使得移动业务部署更加方便,满足更广泛的节点接入。

与云计算相比,雾计算所采用的架构更呈分布式,更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中,而不像云计算那样将它们几乎全部保存在云中。数据的存储及处理更依赖本地设备,而非服务器。所以,云计算是新一代的集中式计算,而雾计算是新一代的分布式计算,符合互联网的“去中心化”特征。

霾计算

霾计算,可以简单理解为垃圾云或雾计算,是对云计算和雾计算的补充。

当然,无论是“云”还是“雾”,都不想成为“霾”,但是这个问题却事实存在着,如果得不到慎重的预防以及妥善的解决,那么“霾计算”就来了。霾计算的概念可以很好地形容比较差的云计算或者雾计算,如果"云"或"雾"提供的服务,存在着丢失泄露、传输不稳定、费用严重超支等问题,其优势则可能远不如对用户的伤害,恰如"霾"对人体健康的危害。

霾计算指的是什么呢?这里你可以理解为比较差劲的云计算或雾计算,因为这两者虽然概念先进,但也不是没有缺点。第一,隐私与安全。现在的互联网世界,遭黑客攻击简直就是家常便饭的事,因此客户的隐私数据很容易泄漏。第二,网络延迟或者中断。云计算都是通过互联网远程访问的,虽然现在网速提高很快,但和局域网相比,速度还是有所延迟的,虽然在延时方面雾计算稍微好点,但如果网络中断,无论云计算或者是雾计算,服务都无法访问。第三,带宽会耗费预算,厂商按流量收费有时会超出预算、应用软件性能不够稳定,数据可能不值得放在云上,规模过大难以扩展,缺乏人力资本等都是造成霾计算的根源所在。

边缘计算

边缘计算指在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的开放平台,就近提供边缘智能服务,满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

一般而言,雾计算和边缘计算的区别在于,雾计算更具有层次性和平坦的架构,其中几个层次形成网络,而边缘计算依赖于不构成网络的单独节点。雾计算在节点之间具有广泛的对等互连能力,边缘计算在孤岛中运行其节点,需要通过云实现对等流量传输。

那么,边缘计算和云计算又有何区别?这两者都是处理大数据的计算运行方式。但不同的是,这一次,数据不用再传到遥远的云端,在边缘侧就能解决,更适合实时的数据分析和智能化处理,也更加高效而且安全。

如果说物联网的核心是让每个物体智能连接、运行,那么边缘计算就是通过数据分析处理,实现物与物之间传感、交互和控制。“边缘计算”作为一种将计算、网络、存储能力从云延伸到物联网网络边缘的架构,遵循“业务应用在边缘,管理在云端”的模式。

认知计算

认知计算 代表一种全新的计算模式,它包含信息分析,自然语言处理和机器学习领域的大量技术创新,能够助力决策者从大量非结构化数据中揭示非凡的洞察。认知系统能够以对人类而言更加自然的方式与人类交互;认知系统专门获取海量的不同类型的数据,根据信息进行推论;从自身与数据、与人们的交互中学习。

认知计算包含了信息分析、自然语言处理和机器学习领域的大量技术创新,能够助力决策者从大量非结构化数据中揭示非凡的洞察。认知系统能够以对人类而言更加自然的方式与人类交互,专门获取海量的不同类型的数据,根据信息进行推论。

认知计算的一个目标是让计算机系统能够像人的大脑一样学习、思考,并做出正确的决策。人脑与电脑各有所长,认知计算系统可以成为一个很好的辅助性工具,配合人类进行工作,解决人脑所不擅长解决的一些问题。

传统的计算技术是定量的,并着重于精度和序列等级,而认知计算则试图解决生物系统中的不精确、不确定和部分真实的问题,以实现不同程度的感知、记忆、学习、语言、思维和问题解决等过程。

二、云计算、雾计算、边缘计算及认知计算的关系详解

1、“从云到雾”的开始

雾计算(Fog Computing),这个概念由思科首创。简单点说,拓展了云计算(Cloud Computing)的概念,相对于云来说,它离产生数据的地方更近,数据、数据相关的处理和应用程序都集中于网络边缘的设备中,而不是几乎全部保存在云端。通俗一点讲:“雾计算”的名字源自“雾是比云更贴近地面(数据产生的地方)”。

物联网设备和传感器,高度分布在网络的边缘,同时又具有实时性和延时敏感的需求。然而,云数据中心在分布上是集中化的,通常难以应对四处分布的数十亿物联网设备和传感器的数据存储和处理的需求。所以,网络阻塞、高延时、低服务质量等现象就会出现。

雾计算,是一种分布式的计算模型,作为云数据中心和物联网(IoT)设备/传感器之间的中间层,它提供了计算、网络和存储设备,让基于云的服务可以离物联网设备和传感器更近。雾计算的概念的引入,也是为了应对传统云计算在物联网应用时所面临的挑战。

2、雾计算的构成和优势

通常来说,雾计算环境由传统的网络组件例如:路由器、开关、机顶盒、代理服务器、基站等构成,可以安装在离物联网终端设备和传感器较近的地方。这些组件可以提供不同的计算、存储、网络功能,支持服务应用的执行。所以,雾计算依靠这些组件,可以创建分布于不同地方的云服务。

此外,雾计算促进了位置感知、移动性支持、实时交互、可扩展性和可互操作性。所以,雾计算处理更加高效,能够考虑到服务延时、功耗、网络流量、资本和运营开支、内容发布等等因素。在这个意义上,雾计算相对于单纯使用云计算而言,更好的满足了物联网的应用需求。

3、和其他几种计算模式的联系和区别

雾计算和现有的几种计算模式概念上有点相近,所以接下来重点介绍一下这几个计算模式,通过这些更加深入的理解雾计算概念及其在物联网中的地位。

4、首先,我们自然先从云计算谈起。

由于云计算的出现,计算技术进入了一个新时代。许多计算服务提供商例如谷歌、亚马逊、微软、IBM等等,将这种计算模式作为一种工具。他们通过基础架构即服务 (IaaS)、平台即服务(PaaS)、软件即服务 (SaaS),同时处理企业和教育相关的问题。然而,大多数的云数据中心是集中化的,离终端的设备和用户较远。所以,实时性要求高的计算服务,需要远端的云数据中心的反馈,通常这样会引起长距离往返延时、网络拥塞、服务质量下降等问题。

边缘计算的初衷是为了将计算能力带向离数据源更近的地方。更准确一点说,边缘计算让数据在边缘网络处处理。边缘网络基本上由终端设备(例如移动手机、智能物品等等)、边缘设备(例如边界路由器、机顶盒、网桥、基站、无线接入点等等)、边缘服务器等构成。这些组件可以具有必要的性能,支持边缘计算。作为一种本地化的计算模式,边缘计算提供了对于计算服务需求更快的响应速度,通常情况下不将大量的原始数据发回核心网。然而,总体来说,边缘计算不需要会主动协助 IaaS,、PaaS、 SaaS和其他云服务,更多地专注于终端设备端。

综合“边缘”计算和“云”计算的概念,又会新引入几种计算模式,其中包括移动边缘计算(MEC)和移动云计算(MCC),作为云计算和边缘计算的扩充。

作为,边缘-中央计算模式,MEC已经在研究领域早有名声。MEC 被认为蜂窝基站模型的现代化演变的关键因素。它让边缘服务器和蜂窝基站相结合,可以和远程云数据中心连接或者断开。MEC 配合终端移动设备,支持网络中2或3级分层应用部署。另外,MEC旨在为用户带来自适应和更快初始化的蜂窝网络服务,提高网络效率。最近,MEC的一项显着应用就是支持5G通信。更加长远地说,它旨在灵活访问无线电网络信息,进行内容发布和应用部署。

MCC是计算领域另外一项趋势。由于智能移动设备的不断增多,如今的最终用户更喜欢在手持移动设备上运行相关服务,而不再是在传统的电脑上。然而,大多数的智能移动设备都受到能量、存储和计算资源的限制。所以在关键场景中,在移动设备以外的地方运行加强的应用,比在本地执行这些应用要更加的灵活。MCC提供必要的计算资源,支撑这些靠近终端用户的移动应用程序在远程执行。通常这些轻量级的云服务器,被称为(cloudlet)“小云片”,它处于边缘网络中。“小云片”和移动设备以及数据中心一起,为丰富的应用程序,搭建了三层应用部署平台。总体来说,MCC结合云计算、移动计算和无线应用通信技术,为移动用户提高服务质量,为网络运营商和云服务提供者,提供新业务机会。

5、回到雾计算

类似MEC和MCC,雾计算也可以进行边缘计算。然而,除了边缘网络,雾计算也可以拓展到核心网络。更准确一点说,边缘和核心网络(例如核心路由器、区域服务器、广域网路开关等等)的组件都可以作为雾计算基础设施。相应地,多层应用程序部署和服务,需要通过雾计算能够轻易地观测数量巨大的物联网设备和传感器。另外,相对于“小云片”蜂窝网络边缘服务器来说,位于边缘网络的雾计算组件,离物联网终端设备和传感器更近。物联网设备和传感器分布密度很高,需要对于服务请求实时响应,所以要在物联网传设备和传感器附近,存储和处理物联网数据。服务延时对于实时物联网应用来说,需要尽可能最小化。和边缘计算不同的是,雾计算可以将基于云的服务例如IaaS、PaaS,、SaaS等等,拓展到网络边缘。

综合上述几个计算模式,雾计算相对于其他计算模型来说,是适应物联网结构的最佳选择。

三,优缺点解析

云计算优点

(1) 超大规模

“云”具有相当的规模,Google云计算已经拥有100多万台服务器, Amazon、IBM、微软、Yahoo等的“云”均拥有几十万台服务器。企业私有云一般拥有数百上千台服务器。“云”能赋予用户前所未有的计算能力。

(2) 虚拟化

云计算支持用户在任意位置、使用各种终端获取应用服务。所请求的资源来自“云”,而不是固定的有形的实体。应用在“云”中某处运行,但实际上用户无需了解、也不用担心应用运行的具体位置。只需要一台笔记本或者一个手机,就可以通过网络服务来实现我们需要的一切,甚至包括超级计算这样的任务。

(3) 高可靠性

“云”使用了数据多副本容错、计算节点同构可互换等措施来保障服务的高可靠性,使用云计算比使用本地计算机可靠。

(4) 通用性

云计算不针对特定的应用,在“云”的支撑下可以构造出千变万化的应用,同一个“云”可以同时支撑不同的应用运行。

(5) 高可扩展性

“云”的规模可以动态伸缩,满足应用和用户规模增长的需要。

(6) 按需服务

“云”是一个庞大的资源池,你按需购买;云可以像自来水,电,煤气那样计费。

(7) 极其廉价

由于“云”的特殊容错措施可以采用极其廉价的节点来构成云,“云”的自动化集中式管理使大量企业无需负担日益高昂的数据中心管理成本,“云”的通用性使资源的利用率较之传统系统大幅提升,因此用户可以充分享受“云”的低成本优势,经常只要花费几百美元、几天时间就能完成以前需要数万美元、数月时间才能完成的任务。

云计算缺点

数据隐私问题:如何保证存放在云服务提供商的数据隐私不被非法利用,不仅需要技术的改进,也需要法律的进一步完善

数据安全性:有些数据是企业的商业机密,数据的安全性关系到企业的生存和发展。云计算数据的安全性问题解决不了会影响云计算在企业中的应用。

用户的使用习惯:如何改变用户的使用习惯,使用户适应网络化的软硬件应用是长期而且艰巨的挑战。

网络传输问题:云计算服务依赖网络,2013年网速低且不稳定,使云应用的性能不高。云计算的普及依赖网络技术的发展。

缺乏统一的技术标准:云计算的美好前景让传统IT厂商纷纷向云计算方向转型。但是由于缺乏统一的技术标准,尤其是接口标准,各厂商在开发各自产品和服务的过程中各自为政,这为将来不同服务之间的互连互通带来严峻挑战。

雾计算优缺点

与云计算相比,雾计算所采用的架构更呈分布式,更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中,而不像云计算那样将它们几乎全部保存在云中。数据的存储及处理更依赖本地设备,而非服务器。所以,云计算是新一代的集中式计算,而雾计算是新一代的分布式计算,符合互联网的"去中心化"特征。

雾计算不像云计算那样,要求使用者连上远端的大型数据中心才能存取服务。除了架构上的差异,云计算所能提供的应用,雾计算基本上都能提供,只是雾计算所采用的计算平台效能可能不如大型数据中心。

云计算承载着业界的厚望。业界曾普遍认为,未来计算功能将完全放在云端。然而,将数据从云端导入、导出实际上比人们想象的要更为复杂和困难。由于接入设备(尤其是移动设备)越来越多,在传输数据、获取信息时,带宽就显得捉襟见肘。随着物联网和移动互联网的高速发展,人们越来越依赖云计算,联网设备越来越多,设备越来越智能,移动应用成为人们在网络上处理事务的主要方式,数据量和数据节点数不断增加,不仅会占用大量网络带宽,而且会加重数据中心的负担,数据传输和信息获取的情况将越来越糟。雾计算不仅可以解决联网设备自动化的问题,更关键的是,它对数据传输量的要求更小。雾计算这一"促进云数据中心内部运作的技术"有利于提高本地存储与计算能力,消除数据存储及数据传输的瓶颈,非常值得期待。

霾计算优缺点

雾计算是以个人云,私有云,企业云等小型云为主,它有几个明显特征:低延时和位置感知,更为广泛的地理分布,适应移动性的应用,支持更多的边缘节点。这些特征使得移动业务部署更加方便,满足更广泛的节点接入。

"云计算"可以简单地理解为网络计算,因为云的概念即是指网络。而"雾计算"则可以简单地理解为局域网计算,雾的概念可以代指分布式的局域网络。云计算与雾计算各有优缺点,可以相辅相成,同时又有竞争。

霾计算,可以简单理解为垃圾云或雾计算,因为云计算或者雾计算虽然概念先进,但也不是没有缺点。

霾计算的概念可以很好地形容比较差的云计算或者雾计算,如果"云"或"雾"提供的服务,存在着丢失泄露、传输不稳定、费用严重超支等问题,其优势则可能远不如对用户的伤害,恰如"霾"对人体健康的危害。

1.隐私与安全,因为云计算计算能力和数据都在云里,如何保证客户数据的安全就是比较重要的了。当别人掌握了你的资料时,隐私和安全都是你必须要考虑的问题,现在的互联网世界,遭黑客攻击简直就是家常便饭的事。安全有两个方面,一个是数据不会丢失,这个一般服务商都会有备份能力解决,但是也是偶尔会发生丢失的;另外一个就是你的数据不会泄漏,这个虽然服务商也会采取一些措施,不让外部人员,例如黑客等攻击获取数据,但是服务商内部人员的问题也是很大的,例如前一阶段暴露的某国有大型移动运营商内部员工非法销售客户通话列表一事。当然服务商都会说数据放在他们那里是安全的,但是都是他们自说自的,没有一个第三方的权威机构统一认证和评判。

目前比较热的云计算厂商亚马逊、谷歌、IBM、微软、甲骨文、思科、惠普、Salesforce、VMware、阿里等都没有完全解决这个问题,所以很多企业了解到所用数据的类型和分类后,他们还是会决定通过内部监管来控制这些数据。而绝不会将具备竞争优势或包含用户敏感信息的应用软件放在公共云上,这个也是众多企业保持观望的一个原因。

2.网络延迟或者中断。云计算一般都是远程通过网络访问的,虽然现在网速提高很快(目前远不能达到理想水平),但是和局域网相比,速度还是有所延迟的,虽然在延时方面雾计算有着相对优势,但如果一旦网络中断(原因如地震、洪水、战争等),无论是云还是雾,服务都无法访问。

其它的缺点也有很多,如带宽会耗费预算,厂商按流量收费有时会超出预算、企业的自**降低、应用软件性能不够稳定,数据可能不值得放在云上,规模过大难以扩展,缺乏人力资本等等。

认知计算

有5大突出的优势:

· 个性化连接:通过了解用户的背景和个性,认知商业可以帮助企业和用户形成智能的连接,为用户提供更加个性化的服务。

· 提升专业度:通过向企业引入将最前端领先的知识,认知商业能够提升企业的专业程度。

· 持续学习完善的产品与服务:在不断与用户沟通的过程中,认知商务可以开发出持续自主学习和完善的产品与服务。

· 加速产品研发与上市:通过洞察传统数据与非结构化数据中的模式,认知商务能够加速高风险的研发,并缩短产品上市时间。

· 缩短企业决策时间:利用传统和非结构化数据提炼洞察,认知商务可以缩短企业决策时间与成本,提升决策质量。

随着认知技术不断发展并不断演化出新应用,它们往往被用来配合工作,帮助工人提高生产效率并得到更好的结果。领袖们应当想办法让人类参与其中,而不是想当然地认为最好的认知技术应用是完全消除人类劳动力。他们也应当发掘一些能弥补技能短缺的认知技术能力。

边缘计算:

巨大价值:

美国部署了3000余万个监控摄像头,每周生成超过40亿小时的海量视频数据。物联网领域拥有海量的终端设备,如果这些设备产生的数据聚在一起,会是个天文数字。

海量数据的分析与储存对网络带宽提出了巨大的挑战,而边缘计算的诞生,就是为了解决这一问题。

(1)分布式和低延迟计算

云计算往往并不是最佳策略,计算需要在更加靠近数据源的地方执行。这个优点可以扩展到任何基于Web的应用程序上:包括 Foursqure和Google Now在内的APP能更快的做出响应,所以在移动用户中变得越来越受欢迎。这说明在更靠近用户的边缘节点上,边缘计算可以用于改进服务。

许多数据流由边缘设备生成,但是通过“远处”的云计算处理和分析,不可能做出实时决策。例如使用可穿戴式摄像头的视觉服务,响应时间需要在25ms至50ms之间,使用云计算会造成严重的延迟;再比如工业系统检测、控制、执行的实时性高,部分场景实时性要求在10ms以内,如果数据分析和控制逻辑全部在云端实现,则难以满足业务要求;还有那些会生成庞大数据流的多媒体应用,如视频或是基于云平台的网络游戏,依赖云计算也会为玩家造成类似于等待时间过长的问题,无法满足用户的需求。

作为云计算的有益补充,可以利用边缘节点(例如,路由器或离边缘设备最近的基站),用以减少网络等待时间。

(2)超越终端设备的资源限制

与数据中心的服务器相比,用户终端(例如智能手机)的硬件条件相对受限。这些终端设备以文本、音频、视频、手势或运动的形式获得数据输入,但由于中间件和硬件的限制,终端设备无法执行复杂的分析,而且执行过程也极为耗电。因此,通常需要将数据发送到云端,进行处理和运算,然后再把有意义的信息通过中继返回终端。

然而,并非来自终端设备的所有数据都需要由云计算执行,数据可以利用适合数据管理任务的空闲计算资源,在边缘节点处过滤或者分析。

(3)可持续的能源消耗

大量研究显示,云计算会消耗庞大的能源,未来十年数据中心所消耗的能源量可能是如今消耗量的3倍。随着越来越多的应用转移到云,能量需求会日益增长,甚至无法满足。因此,采用能量效率最大化的计算策略显得尤为迫切。

一些嵌入式小型设备的基础信息采集处理完全可以在端完成,即手机传感器把数据传送到网关后,就通过边缘计算进行数据过滤和处理,没必要每条原始数据都传送到云,这省去了大量的能源成本。

(4)应对数据爆炸和网络流量压力

边缘设备的数量正在超速增长——到2018年,世界上三分之一的人口将拥有智能手机或者可穿戴设备,到2020年,这些设备将生成43万亿GB的数据。处理这些数据需要进一步扩展数据中心,这再次引起了人们对网络流量压力的广泛关注。

通过在边缘设备上执行数据分析,可有效应对数据爆炸,减轻网络的流量压力。边缘计算能够缩短设备的响应时间,减少从设备到云数据中心的数据流量,以便在网络中更有效的分配资源。

(5)智能计算

不仅是消费级的物联网终端,边缘计算还将在工业应用中发挥重要作用。计算可以分层执行,利用网络远端的资源完成。例如,典型的生产流水线可以过滤设备上生成的数据,在传输数据的边缘节点上执行部分分析工作,之后再通过云端执行更加复杂的计算任务。边缘节点可以通过分担云计算的部分任务,增强数据中心的计算能力。

业务流程优化、运维自动化与业务创新驱动业务走向智能,边缘侧智能能够带来显着的效率提升与成本优势。事实上,对于从事工业自动化工作的人而言,边缘计算并不陌生。比如,在目前普遍采用的基于PLC、DCS、工控机和工业网络的控制系统中,位于底层、嵌于设备中的计算资源,或多或少都是边缘计算的资源。

目前规模以上冶金企业,其信息化已经做得颇具成效,但缺少的恰恰是末端智能。冶金方面的数据经常会出现完整性和一致性的问题,俗称“脏”数据。解决不好这方面的问题,会给能源管理和智能管理环节造成很大的困扰。边缘计算在其中发挥着重要作用,成为工业物联网技术的有效补充。

折叠编辑本段面临挑战

边缘计算仍处于起步阶段,当前的云计算服务(如Amazon Web Service,Microsoft Azure和Google App Engine)可以支持数据密集型的应用程序,但在网络边缘进行实时的数据处理仍是一个有待开拓的领域。

此外,若想更好的在边缘节点上部署应用程序的工作负载,需要考虑以下几个方面:

部署策略:如何部署工作负载

连接策略:何时使用边缘节点

异构性:如何处理不同类型的节点

为了实现边缘计算,我们认为在硬件、中间件和软件层面,有以下5个挑战需要解决。

挑战1:边缘节点上的通用计算能力

理论上,可以在位于边缘设备和云平台之间的某几个节点上完成边缘计算,包括接入点、基站、网关、业务节点、路由器、交换机等。例如,基站可以根据工作负载能力,执行数字信号处理(DSP)。但是在实践中,基站可能并不适合处理分析工作,因为DSP并不是为通用计算设计的。此外,这些节点是否可以执行除了现有工作之外的计算还不太清楚。

由CAVIUM提供的OCTEON Fusion? Family是一个小型“芯片上基站”单元,可扩展从6个到14个的内核,以支持32到300+的用户。这种基站可在非高峰时间使用多个计算核心的运算能力。

许多供应商也已经迈出了使用软件解决方案实现边缘计算的第一步。例如,诺基亚针对移动边缘计算(MEC)的软件解决方案旨在为基站站点提供边缘计算能力。同样,思科的IOx为其集成的服务路由器提供了一个边缘计算环境。这些解决方案应用于特定硬件,因此不适合部署在异构环境中。

软件解决方案面临的一个挑战是如何开发跨越不同环境的可移植的解决方案。某些公司正在研究升级边缘节点,以支持通用计算需求。例如,可以升级无线家庭路由器以支持额外的计算任务。英特尔的Smart Cell Platform使用虚拟化技术,支持额外的计算任务。通用CPU替换专用DSP提供了另一种解决方案,但却需要巨大的投资。

挑战2:发现边缘节点

到2020年将有500亿的终端和设备联网,除了边缘设备与终端联网最大的“异构”特征之外,产品生命周期越来越短、个性化需求越来越高、全生命周期管理和服务化的趋势越来越明显,这些新趋势都需要边缘计算提供强大的技术支撑。

如何在分布式计算环境中发现资源和服务是一个有待拓展的领域。为了充分利用网络的边缘设备,需要建立某种发现机制,找到可以分散式部署的适当节点。因为可用设备的数量庞大,这些机制不能依靠人工手动。此外,还需要使用多种异构设备满足最新的计算需求,比如大规模的机器学习任务。

这些机制必须在不增加等待时间或损害用户体验的前提下,实现不同层次和等级的计算工作流中无缝集成,原有的基于云计算的机制在边缘计算领域不再适用。

挑战3:分区和拆分任务

对于边缘计算来说,最大的难点在于如何动态、大规模地部署运算和存储能力以及云端和设备端如何高效协同、无缝对接。

不断发展的分布式计算已经催生了许多技术用来促进在多个地理位置分区执行任务。任务分区通常在编程语言或管理工具中明确表示。

然而,利用边缘节点来实现分区计算不仅仅带来了有效分割计算任务的挑战,对于如何能在不需要明确定义边缘节点的能力或位置,以自动化的方式进行计算的问题上,也遇到了瓶颈。因此,需要一种新型的调度方式,以便将分割的任务部署到各个边缘节点上。

挑战4:高水准的服务质量(QoS)和服务体验(QoE)

另一个挑战是需要确保边缘节点实现高吞吐量,并且在承接额外计算工作量时运行可靠。例如,当基站过载时,可能影响连接到基站的其他边缘设备。

因此需要对边缘节点的峰值时间全面了解,以便可以用灵活的方式来分割和调度任务。复杂的算法如何在云端和边缘设备之间合理分解和整合,需要一个对云管端三者都有控制力的技术来实现。

挑战5:开放和安全的使用边缘节点

安全横跨云计算和边缘计算,需要实施端到端的防护。由于更贴近万物互联的设备,网络边缘侧访问控制与威胁防护的广度和难度因此大幅提升。边缘侧安全主要包含设备安全、网络安全、数据安全与应用安全。此外,关键数据的完整性、保密性是安全领域需要重点关注的内容。

如果把终端设备(例如交换机、路由器和基站)当作可共享接入的边缘节点,则需要解决许多问题:

首先,需要定义边缘设备使用者和拥有者相关联的风险。

其次,当设备用于边缘计算节点时,设备的原有的功能不能被损害。

第三,边缘节点上的多重用户都需要将安全性作为首要关注指标。

第四,需要向边缘节点的用户保证最低服务水平。

最后,需要考虑工作负载、计算能力、数据位置和迁移、维护成本和能源消耗,以便建立合适的定价模型。

折叠编辑本段潜在机会

边缘计算仍处于起步阶段,有可能为更高效的分布式计算铺平道路。尽管在实现边缘计算时出现了不少挑战,但边缘计算将会催生更多的发展机遇,在此我们明确了5个潜在机会:

机会1:标准、基准和市场

统一数据连接和数据聚合是业务智能的基础,面对当前工业现场存在的多样化与异构的技术和标准,离不开跨厂商、跨领域的数据集成与互操作。网络边缘侧的本地计算服务无疑会在异构环境中迎来IT厂商、IT方案商以及开发者集成融合服务的挑战,标准化亟待形成。

许多组织正在定义各种边缘计算标准,例如美国国家标准和技术协会(NIST)、IEEE标准协会、国际标准化组织(ISO)、云计算标准客户委员会(CSCC)和国际电信联盟(ITU)等。只有当边缘节点的性能可以根据广泛认可的度量指标可靠的进行基准测试时,才能形成标准。

机会2:架构和语言

随着支持通用计算的边缘节点不断增加,开发框架和工具包的需求也会随之增长。边缘分析与现有流程不同,由于边缘分析将在用户驱动的应用程序中实现,现有框架可能不适合表达边缘分析的工作流。

编程模型需要利用边缘节点支持任务和数据的并行,并且同时在多个层级的硬件上执行计算。编程语言需要考虑工作流中硬件的异构性和各种资源的计算能力。这比云计算的现有模型更加复杂。

机会3:轻量级库和算法

与大型服务器不同,由于硬件限制,边缘节点不支持大型软件。例如,Intel T3K并发双模SoC的小型基站具有4核ARM的CPU和有限内存,不足以执行复杂的数据处理工作。再比如Apache Spark需要至少8核的CPU和8 GB的内存以获得良好的性能。边缘分析需要轻量级算法,可以进行合理的机器学习或数据处理任务。

例如,Apache Quarks是一种轻量级库,可以在小型边缘设备(如智能手机)上使用,以实现实时数据分析。但是Quarks支持的基本数据处理,例如过滤和窗口聚合,不足以满足高级分析任务。消耗更少内存和使用更小磁盘的机器学习资源库有利于实现边缘节点的数据分析。TensorFlow是另一个支持深度学习算法并支持异构分布式系统的示例框架,但其边缘分析的潜力仍有待探索。

机会4:微型操作系统和虚拟化

基于微型操作系统或微型内核的研究可以解决在异构边缘节点上部署应用的挑战。

有研究表明,跨越多个虚拟设备复用设备硬件的移动容器可以提供与本地硬件接近的性能。容器技术(如Docker)正在成熟,并且能够在异构平台上快速部署应用程序。[3]

机会5:产学研合作

边缘计算为产业界和学术界提供了独特的发展机会。边缘计算领域的研究可以由行业合作伙伴(例如移动运营商和开发人员、软件工具开发商和云服务提供商等)以及感兴趣的学术合作伙伴共同驱动,以实现双方的共同利益。

总结

就像“云”“雾”和“霾”的关系,物联网和大数据也是如影随形,相信通过业界人士的共同努力,定能找到更为先进的计算方式。物联网对于数据的处理能力要求很高,怎么能够从庞大的数据海中挖掘一些有价值的信息对于物联网的发展至关重要,因此云计算,雾计算,边缘计算等等都将发挥其左右。

未来的世界将是一个万物互联的时代,随着物联网行业技术标准的完善以及关键技术上的不断突破,数据大爆炸时代将越走越近。在物联网时代来临时,我们定能合理、安全地让大数据技术为我们服务,因此不必太过恐慌,也不必杞人忧天。

THEEND

最新评论(评论仅代表用户观点)

更多
暂无评论