揭秘物联网和雾计算:第一部分

您听到的两个最常见的流行语是IoT和FOG计算。我想对此进行一些透视，从现实世界的经验从我当前的角色作为首席技术官Foghorn.。我打算将其分成一系列帖子，因为有许多涵盖主题。

在第一篇文章中，我将介绍一些基本知识和上下文设置。

物联网中的“T”指的是实际的设备-无论是消费型设备，如可穿戴设备，还是工业设备，如风力涡轮机。当人们谈论物联网时，他们通常指的是消费者物联网设备。有很多技术和应用程序来管理和监控这些设备/系统，而且随着移动设备和宽带连接的计算能力不断增强，并没有大量新的突破性技术来解决这些常见问题。但当涉及到工业物联网时，情况就不一样了。传统上，工业部门的所有重型和昂贵的设备——无论是喷气发动机、石油钻井机、制造厂还是风力涡轮机——都配备了大量传感器，测量各种各样的东西——温度、压力、湿度、振动等等。一些现代设备还包括视频和音频传感器。这些数据通常通过SCADA系统和协议服务器收集(MQTT.例如，OPC-UA或MODBUS）并最终在某些存储系统中结束。根据机器的类型，每天产生的每天产生的数据量从Tberabytes到Petabytes。大部分数据都可能是噪音和性质重复的。直到最近，没有被使用或分析数据，以收集任何可能出现问题的任何见解（因此，没有预测分析）。

行业4.0主动权和数字双胞胎概念悬停在数字化所有这些资产并将所有数据传输到云端的想法，可以执行分析和机器学习，以导致智能洞察到这些机器的操作。这种方法有几个问题：缺乏远程位置的连接，带宽成本巨大，更重要的是，当发生故障或即将发生故障时缺乏实时洞察力。Edge Computing或Fog Computing正是解决此问题所需的内容，将计算和数据分析带到数据所在的位置（有点类似于Hadoop概念）。在本文中，我正在使用Edge和Fog互换;虽然有些人不同意那个 - 有些人喜欢在边缘和云之间调用雾层的连续体 - 但出于本文的目的，这种差异不重要。

我知道你们有些人可能会想:“这有什么大不了的?目前市场上已经有成熟的分析和机器学习技术，这些技术被用于数据中心/云环境中。”不幸的是，这些现有的技术并不适合在受限制的环境中运行——低内存(< 256 MB RAM)、更少的计算能力(单核或双核低速处理器)和存储。在许多情况下，该技术可能必须在可编程逻辑控制器(PLC)或现有的嵌入式系统中运行。所以我们需要的是能够做到流分析(来自每个传感器的数据是一个流，基本上是时间序列数据)和机器学习(当故障条件无法轻易表达或不知道时)对流经系统的实时数据进行学习。一台典型的机器或设备可以在任何地方有数十个传感器到数百个传感器以极快的速度产生数据——每几毫秒或有时以微秒的速度产生一个数据包。此外，来自不同类型传感器(视频、音频和离散的)的数据可能需要组合(通常称为传感器融合）相关并找到正确的事件。您还必须考虑到H / W芯片组可以是X86基于X86或ARM的基础，典型的设备（网关，PLC或嵌入式系统）将是覆盆子PI或更小的尺寸。找到一种技术，提供可以在这些约束环境中运行的边缘分析和机器学习技术，这对于在源代码中实现实时智能至关重要，这导致客户节省大量成本。

在我的下一篇文章中，我将讨论一些利用这种技术的用例，并解释这种技术是如何发展的，以及如何快速地进入许多垂直领域。

所有IOT议程网络贡献者负责其帖子的内容和准确性。意见是作者，不一定能够传达物联盟议程的思想。