如今，兩個最常見的流行詞是物聯網和霧計算。我想對這個問題分享一些看法，這些看法從我目前擔任FogHorn首席技術官的現實經驗中來。我打算把這篇文章分成幾篇文章，因為有很多話題要討論。

對于第一篇文章，我想介紹一些基本內容。

物聯網中的“T”是指實際設備——無論是面向消費者的設備，例如可穿戴設備，還是諸如風力發電機的工業設備。當人們談論物聯網時，往往是指消費者物聯網設備。管理和監控這些設備/系統的技術和應用很多，隨著移動設備和寬帶連接的計算能力不斷增強，解決這些常見問題所需的新技術并不多。但是當涉及到工業物聯網時，情況就不同了。傳統上，工業部門所有昂貴的重型設備——無論是噴氣發動機、石油鉆井機、制造廠還是風力發電機——都配備了大量的傳感器來測量各種指標——溫度、壓力、濕度、振動等等。一些現代化的設備還包括視頻和音頻傳感器。這些數據通常通過SCADA系統和協議服務器（例如，MQTT，OPC-UA或Modbus）收集，最終在某些存儲系統中結束。根據機器的類型，每天產生的數據量從tb級到pb級不等。這些數據中的大部分可能是噪音和重復性的。直到最近，這些數據還沒有被利用或分析，以收集任何關于什么可能出錯的信息（因此，沒有預測分析）。

傳統上，工業部門所有的重型設備——無論是噴氣發動機、石油鉆井機、制造廠還是風力渦輪機——都配備了大量的傳感器來測量各種各樣的東西——溫度、壓力、濕度、振動等等。一些現代設備還包括視頻和音頻傳感器。這些數據通常通過SCADA系統和協議服務器(例如MQTT、opc-ua或Modbus)收集，最終在某些存儲系統中結束。直到最近，這些數據還沒有被利用或分析，

行業4.0計劃和數字雙重概念圍繞著將所有這些資產數字化并將所有數據傳輸到云端的理念，在那里，可以執行分析和機器學習，以獲得對這些機器操作的智慧見解。這種方法有幾個問題：遠程位置的連接不足，帶寬費用巨大，更重要的是，在發生故障或即將發生時缺乏實時洞察。邊緣計算或霧計算正是解決這個問題所需要的，將計算和數據分析帶到數據生成的位置（有點類似于Hadoop概念）。在這篇文章中，我可以交替使用邊緣和霧，有些人不同意這一點——有些人喜歡把“霧層”稱為邊緣與云層之間的連續體——但為了本文的目的，這種差異并不重要。

這種方法存在幾個問題:缺乏來自遠程位置的連接，巨大的帶寬成本，更重要的是，當故障發生或即將發生時，缺乏實時的洞察力。邊緣計算或霧計算正是解決這個問題所需要的，將計算和數據分析引入到數據產生的地方(有點類似于Hadoop的概念)。在這篇文章中，我可以邊緣和霧;雖然有些人不同意這種觀點——有些人喜歡把“霧層”稱為“邊緣”和“云”之間的連續體——但為了本文的目的

我知道你們中有些人可能在想，“那有什么大不了的？目前市面上已有成熟的分析和機器學習技術，可用于數據中心/云環境。不幸的是，這些現有技術不太適合在受限的環境中運行——低內存（<256 MB RAM ），較少的計算（單核或雙核低速處理器）和存儲。在許多情況下，該技術可能必須在可編程邏輯控制器（PLC）或現有的嵌入式系統中運行。因此，需要能夠進行流分析（每個傳感器的數據是一個流，從根本上來說是時間序列數據）和機器學習（當故障條件不能容易地表達或不知道時）實時數據流經系統。一個典型的機器或設備可以在任何地方，從幾十個傳感器到數百個傳感器，以快速的速率產生數據—每隔幾毫秒就會有一個數據包，有時甚至是幾微秒。此外，可能需要組合來自不同類型的傳感器（視頻、音頻和離散）的數據（通常稱為傳感器融合的過程）來關聯并找到正確的事件。你還必須考慮到H/W芯片組可以是基于x86或基于ARM的，典型的設備（網關，PLC或嵌入式系統）將是Raspberry Pi或更小的尺寸。尋找能夠在這些受限環境中運行的邊緣分析和機器學習技術的技術對于在源上實現實時智能至關重要，這為客戶節省了巨大的成本。

在我的下一篇文章中，我將討論一些利用這種技術的用例，并解釋該技術是如何發展并迅速地在許多垂直領域中實現的。