近年來，霧計算的話題得到大量引用，其概念已經處在研究和實驗階段相當長的一段時間，但隨著物聯網最近的增長，霧計算或稱邊緣計算已經開始從“創(chuàng)新觸發(fā)”階段演變到“期望膨脹的頂峰”階段。

霧（邊緣）計算是一種計算數據的體系結構，應用程序和服務被從集中云推到網絡的邏輯終端，即邊緣。這種方法需要利用資源，可能無法連續(xù)連接到網絡，如筆記本電腦、智能手機、平板電腦、家用電器、制造工業(yè)機器、傳感器等。邊緣計算架構還有許多其他名稱，如網格計算、對等計算等。

在云計算架構中，集中式服務器負責整個應用程序或設備所需的計算。然而，與物聯網生態(tài)系統(tǒng)遵循同樣的原則變得越來越麻煩。

物聯網的生態(tài)系統(tǒng)可以分解為四個組成部分：數據、東西、人和過程。在數據層面，我們意識到，盡管龐大的數據量正在從連接的設備產生，大部分數據是暫時性的，即數據的價值產生后幾分鐘內就消失了。

因此，處理這些數據，從數據中提取的價值，數據的生產和存儲的各種分析需求是完全不同的學科。

處理數據并從中提取智能信號需要計算推送到本地節(jié)點設備。為了進行這個過程，這些設備配備了最低限度的計算能力和數據存儲設施。在計算之后，只有豐富而簡明的可重用數據被傳回云端。

如果我們要在物聯網生態(tài)系統(tǒng)繼續(xù)利用云計算，縮放的同時保持它的可行，那么解決方案和基礎設施將成為一個緊迫的瓶頸。此外，隨著云計算架構到位，從設備傳輸如此龐大的數據量到云端，然后處理和提取數據的所有設備所需要龐大的存儲和計算資源將使網絡癱瘓。

云計算顯然不是物聯網生態(tài)系統(tǒng)的一個可行的選擇，隨著霧計算到位，計算能力被推向極端的邏輯結束，從而使設備自我決定維持在一定程度上的智能水平。

由于只有豐富和簡明的數據發(fā)送到服務器，因此集中的服務器上的存儲和計算負載可以減少到很小，可以更快地實現結果，且通信速度也很快。

霧（邊緣）計算模型將原有的云計算中心的部分或全部計算任務遷移到數據源的附近執(zhí)行，根據大數據的3V特點，即數據量（Volume）、時效性（Velocity）、多樣性（Variety），通過對比云計算模型為代表的集中式大數據處理和霧（邊緣）計算為代表的邊緣式大數據處理，可以看出霧計算的優(yōu)勢。

邊緣式大數據處理時代，數據類型更加復雜多樣，數據處理的實時性要求更高，數據量也超過ZB級，邊緣計算可以提高數據傳輸性能，保證處理實時性，降低云計算中心的負載。

多個設備聚集在一起，連接到單個計算節(jié)點，形成一個較小的網絡。在某些情況下，單個設備分配給單個計算節(jié)點而不是群集。

我們將基于一個假設的使用情況細節(jié)創(chuàng)造一個霧計算模型，假設你的手機有一個健身應用程序，跟蹤你每天燃燒的卡路里數量，并與你的目標和歷史表現相比，每天通過你所走的步數向你報告燃燒的卡路里量。

你的手機配備各種傳感器如計步器、加速度計等。這些傳感器可以捕獲手機的每一個顆粒的運動的數據;即在微秒級別捕獲電話的X和Y坐標。通過捕獲模式來研究X和Y坐標序列就可以研究你一天中走了多少步。

假設你的手機在你的口袋里，當你行走時，在X坐標軸向前移動時Y坐標上有輕微的變化。手機傳感器傳來的坐標數據能夠形成一個模式來檢測一個完整的步行周期。

使用這些模式，我們可以計算用戶走過的步數。

現在，如果我們嘗試從一個簡單的云計算的角度，這個過程會一直收集一天中的全部日志數據，從計步器上將約50MB發(fā)送到云端。然后服務器對數據進行分析，檢測走的步數，將其轉換為燃燒的卡路里數，并將結果發(fā)送回移動電話。

如果有大約500萬用戶，需要通過網絡將巨大數據量發(fā)送到云端并在云端占用網絡計算和存儲資源。

然而，如果我們使用霧計算架構，僅僅利用手機的內部計算能力和存儲資源，就可以用來計算每30分鐘的步數。在一天結束時，智能手機上的應用程序可以發(fā)送用戶累計走過的步數，數據的大小將遠小于1KB。

以一個制造業(yè)案例為例，假設大型公司在印度建立了工廠生產清潔劑。想象整個流程中一個這樣的機器——攪拌機（垂直或水平攪拌機），它吸收不同的原料，并將它們進行攪拌，在制造過程中生產出合成混合物。攪拌機的運轉原理是以預設的轉速定時旋轉，攪拌機筒吸收到不同的原材料，其運轉會耗費一定量的能源。

如果我們利用物聯網生態(tài)系統(tǒng)，讓這個設備成為“智能攪拌機”會怎樣？攪拌機安裝的大量傳感器為各種參數捕捉數據，然后數據傳回服務器（云）進行后續(xù)分析。

如何提供功率消耗的效率？這就是與霧計算的聯系。以前考慮的物聯網架構是利用云存儲和分析數據做出決定，但是為了讓資產/機器成為“智能設備”，我們需要霧計算架構，也就是增加本地實時計算數據流的能力，并向歷史信號學習幫助機器做出決策來改善結果。

這將是一個利用機器學習優(yōu)化機器功耗，搭建霧計算網絡的場景。

基于這些自主學習規(guī)則，通過增加和降低設置來保持在最佳能耗模式，機器可以調整操作參數。當數據傳輸到云端，云端用新數據組更新機器學習模型，那么數據規(guī)則和（自主）學習就可以更新了。一旦更新，它會被推回邊緣，邊緣節(jié)點利用更新模型來更新規(guī)則，進一步改善結果。

如今我們可以看到在運算設備上更現實也更個人化的霧計算，例如筆記本、智能手機、智能手表和平板電腦。

最普遍的例子是Windows 10的重啟管理器。在自動下載更新后，系統(tǒng)學習用戶使用模式可以計算出最合適的重啟系統(tǒng)和安裝更新的時間。在產業(yè)應用方面，利用邊緣計算架構，將計算推向邊緣節(jié)點（網絡的邏輯極端），這賦予了機器感知實時數據的能力，可以立即采取措施減少商業(yè)損失。

在之前的商業(yè)用例中，改善能耗只是可能改善的結果之一。邊緣計算還可以用于進行各種即時的優(yōu)化處理，例如緩解資產故障或提高產出質量;學習一個規(guī)則使機器會自動做出決策來更改操作設置來避免故障或改善結果質量。簡而言之，通過推動計算邊緣化，我們也將智能推到邊緣，因此讓設備或資產能夠做出自主決策來改善結果，并成為智能設備。

未來霧計算將與云計算相輔相成、有機結合，為萬物互聯時代的信息處理提供更完美的軟硬件支撐平臺。