張放

摘 要：霧計算是去中心化的云計算，可以有效減少負載，提升效率。由于只有豐富和簡明的數(shù)據(jù)發(fā)送到服務器，因此集中服務器上的存儲和計算負載大大減少，可以更快地實現(xiàn)結(jié)果，具有廣闊的應用前景。

關(guān)鍵詞：霧計算；去中心化；云計算

近年來，霧計算得到大量引用，其概念已處在研究和實驗階段，但隨著物聯(lián)網(wǎng)的增長，霧計算或稱邊緣計算已經(jīng)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(shù)據(jù)的體系結(jié)構(gòu)，應用程序和服務從集中云推到網(wǎng)絡的邏輯終端，即邊緣。這種方法需要利用資源，可能無法持續(xù)連接到網(wǎng)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。也有許多其他名稱的邊緣計算架構(gòu)，如網(wǎng)格計算、對等計算等。

1 霧計算是去中心化的云計算

在云計算架構(gòu)中，集中式服務器負責整個應用程序或設備所需的計算，但與物聯(lián)網(wǎng)生態(tài)系統(tǒng)遵循同樣的原則會變得越來越麻煩。物聯(lián)網(wǎng)的生態(tài)系統(tǒng)可以分解為四個組成部分，即數(shù)據(jù)、東西、人和過程。在數(shù)據(jù)層我們意識到，盡管龐大的數(shù)據(jù)量正在從連接的設備產(chǎn)生，但大部分數(shù)據(jù)是暫時的，即數(shù)據(jù)的價值在產(chǎn)生后幾分鐘內(nèi)就消失了。因此，處理數(shù)據(jù)，從數(shù)據(jù)中提取價值，數(shù)據(jù)的生產(chǎn)和存儲是完全不同的學科。

處理數(shù)據(jù)并從中提取智能信號需要計算推送到本地節(jié)點設備。為了進行該過程，這些設備配備了最低限度的計算能力和數(shù)據(jù)存儲設施。計算之后，只有豐富而簡明的可重用數(shù)據(jù)被傳回云端。如果我們在物聯(lián)網(wǎng)生態(tài)系統(tǒng)繼續(xù)利用云計算，并且在縮放的同時保持其可行性，那么解決方案和基礎設施將成為緊迫的瓶頸。此外，隨著云計算架構(gòu)的發(fā)展成熟，從設備傳輸龐大的數(shù)據(jù)量到云端，處理和提取數(shù)據(jù)的所有設備所需要的存儲和計算資源將使網(wǎng)絡癱瘓。云計算顯然不是物聯(lián)網(wǎng)生態(tài)系統(tǒng)的最佳選擇。隨著霧計算的到位，計算能力被推向極端邏輯結(jié)束，從而使設備自我維持在一定程度上智能決定。由于只有豐富和簡明的數(shù)據(jù)發(fā)送到服務器，因此集中服務器上的存儲和計算負載可以減少，以便更快地實現(xiàn)結(jié)果，且通信速度很快。霧（邊緣）計算模型將原有云計算中心的部分或全部計算任務遷移到數(shù)據(jù)源附近執(zhí)行，根據(jù)大數(shù)據(jù)的3V特點，即數(shù)據(jù)量（Volume）、時效性（Velocity）、多樣性（Variety），通過對比以云計算模型為代表的集中式大數(shù)據(jù)處理和以霧（邊緣）計算為代表的邊緣式大數(shù)據(jù)處理，可以看出霧計算的優(yōu)勢。邊緣式大數(shù)據(jù)處理時代，數(shù)據(jù)類型更加復雜多樣，數(shù)據(jù)處理的實時性要求更高，數(shù)據(jù)量也超過ZB級，邊緣計算可以提高數(shù)據(jù)傳輸性能，保證處理實時性，降低云計算中心的負載。

2 霧計算可以有效減少負載，提升效率

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(wǎng)絡。在某些情況下，單個設備分配給單個計算節(jié)點而非群集。假設用戶的手機中有一個健身應用程序，跟蹤用戶每天燃燒的卡路里數(shù)量，并與用戶的目標和歷史表現(xiàn)進行比較，每天通過所走的步數(shù)向用戶報告燃燒的卡路里量。手機中配備的傳感器如計步器、加速度計可以捕獲手機每一個顆粒的運動數(shù)據(jù)，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用戶一天中走了多少步。假設手機在用戶的口袋里，當人行走時，即X坐標軸向前移動時Y坐標上有輕微變化。手機傳感器傳來的坐標數(shù)據(jù)能夠形成一個模式來檢測完整的步行周期。使用這些模式可以計算用戶走過的步數(shù)。如果嘗試從簡單的云計算角度考慮，該過程會持續(xù)收集一天中的所有日志數(shù)據(jù)，計步器將上傳約50 MB數(shù)據(jù)發(fā)送到云端。然后服務器對數(shù)據(jù)進行分析，檢測所走的步數(shù)，并將其轉(zhuǎn)換為燃燒的卡路里數(shù)后，將結(jié)果發(fā)送回移動電話。如果有大約500萬用戶，那么需要通過網(wǎng)絡將巨大的數(shù)據(jù)量發(fā)送到云端并將占用云端的網(wǎng)絡計算和存儲資源。但若我們使用霧計算架構(gòu)，那么僅利用手機的內(nèi)部計算能力和存儲資源就可以計算每30分鐘的步數(shù)。一天結(jié)束后，智能手機上的應用程序?qū)l(fā)送用戶累計走過的步數(shù)，數(shù)據(jù)大小遠小于1 kb。

3 霧計算的應用前景廣泛

以制造業(yè)案例為例，假設某大型公司在印度建立了工廠生產(chǎn)清潔劑。在整個流程中的攪拌機（垂直或水平攪拌機）吸收不同的原料，并將它們攪拌，在制造過程中生產(chǎn)出合成混合物。攪拌機的運轉(zhuǎn)原理是以預設的轉(zhuǎn)速定時旋轉(zhuǎn)，攪拌機筒吸收到不同的原材料，其運轉(zhuǎn)會耗費一定量的能源。但如果我們利用物聯(lián)網(wǎng)生態(tài)系統(tǒng)，讓該設備成為“智能攪拌機”會怎樣？攪拌機安裝的大量傳感器為各種參數(shù)捕捉數(shù)據(jù)，然后數(shù)據(jù)傳回服務器（云）進行后續(xù)分析。如何提高功率消耗的效率？這就是與霧計算的聯(lián)系。之前考慮的物聯(lián)網(wǎng)架構(gòu)是利用云存儲和分析數(shù)據(jù)做出決定，但為了讓資產(chǎn)/機器成為“智能設備”，我們需要霧運算架構(gòu)，即增加本地實時計算數(shù)據(jù)流的能力，并向歷史信號學習幫助機器做出決策來改善結(jié)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(wǎng)絡的場景。

攪拌機接收了用于制造的不同原料的投入，然后以預設時間和預設轉(zhuǎn)速旋轉(zhuǎn)機筒，攪拌原料形成統(tǒng)一混合物。能耗一般隨著原料數(shù)量、操作時間、機器運行速度等的增加而增加。我們可以開發(fā)能夠預測能耗的機器學習模型作為操作參數(shù)功能，例如轉(zhuǎn)矩、振動、機筒每分鐘的轉(zhuǎn)數(shù)、機器溫度、壓強等，機器參數(shù)、投入原料參數(shù)，質(zhì)量參數(shù)和數(shù)量參數(shù)，以及最后的環(huán)境條件。毫無疑問，能耗模式在考慮參數(shù)不同的一組數(shù)值下可以看出差別。

我們可以構(gòu)造該算法，即能耗=功能（操作參數(shù)+機器參數(shù)+外界條件+原料參數(shù)）。該算法可以通過學習存儲在云端的歷史數(shù)據(jù)進行發(fā)展。一旦構(gòu)建了算法，它可以用于邊緣網(wǎng)絡，基于學習實時運行并做出決策。利用算法計算一系列自主學習等式，然后做出自主決策。該自主學習類似于一種簡化的表示方法：-在x1和x2之間的溫度，轉(zhuǎn)矩>x3…，那么能耗=y1：=最佳效果；-溫度>x4…，那么能耗=y2：=高于最佳效果30%；-降低溫度到x1和x2。

基于這些自主學習規(guī)則通過增加和降低設置來保持最佳能耗模式，機器可以調(diào)整操作參數(shù)。當數(shù)據(jù)傳輸?shù)皆贫撕?，云端運用新數(shù)據(jù)組更新機器學習模型，而數(shù)據(jù)規(guī)則和（自主）學習也就可以更新了。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(jié)果。

如今我們可以看到在運算設備上更現(xiàn)實也更個人化的霧運算，例如筆記本、智能手機、智能手表和平板電腦。最普遍的是Windows 10的重啟管理器。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)和安裝更新時間。在產(chǎn)業(yè)應用方面，利用邊緣計算架構(gòu)，將計算推向邊緣節(jié)點（網(wǎng)絡的邏輯極端），這賦予了機器感知實時數(shù)據(jù)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(jié)果之一。邊緣計算還可用于進行各種即時的優(yōu)化處理，例如緩解資產(chǎn)故障或提高產(chǎn)出質(zhì)量；學習一個規(guī)則使機器自動做出決策來更改操作設置以避免故障或改善結(jié)果質(zhì)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(chǎn)能夠做出自主決策來改善結(jié)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(jié)合，為萬物互聯(lián)時代的信息處理提供更完美的軟硬件支撐平臺。