物聯網霧計算平臺回顧

　　PaaS 和 SaaS驅動的物聯網

　　基于平臺即服務(PaaS)和軟件即服務(SaaS)的云技術已經在企業應用中使用多年。最近幾年，在大范圍的產品中，PaaS 和 SaaS 依然是物聯網市場的主要驅動力量。

　　PaaS 的供應商提供隨時可用的平臺服務，像安全、數據存儲、設備管理和大數據分析;SaaS的供應商交付應用層的服務，像計費、軟件管理和可視化工具。谷歌的IoT Core、微軟的Azure以及亞馬遜IoT都是PaaS或SaaS 平臺的例子。

　　PaaS 和 SaaS 的優勢

　　PaaS或SaaS 平臺對很多小型物聯網創業公司的成功至關重要。

　　產品公司能夠快速開發和配置應用程序，之前需要花費幾個月時間開發產品，現在可以縮短至幾周。

　　公司可以根據需要擴展規模，減少創業成本，同時他們可以在新興市場中驗證新產品。

　　公司不再需要維持他們自己的數據中心。與個別產品公司能夠達到的效果相比，這些平臺通常提供更好地可靠性和服務時間，同時減少了企業的運營成本。

　　結果是，物聯網產品公司能夠專注于完美的設計、增強用戶體驗以及為特定的客戶提供更好的產品。

　　單一云服務模型的劣勢

　　在一個純粹以云為中心的模型中，基于存儲和處理的目的，所有的原始數據是聚合的、流向云端的。盡管存在優勢，但這個模型也存在一些顯而易見的弊端：

　　來自云端服務器到設備端之間難以預測的響應時間

　　不可靠的云連接會降低服務質量

　　過量的數據讓基礎設施負擔過重

　　涉及敏感客戶數據存儲在云端的隱私性問題

　　傳感器和制動器數量不斷增加規模的困難

　　對于工業的關鍵業務或醫療領域的應用來說，以云為中心化的設計顯然是存在弊端的、不合適的。

　　霧計算綜述

　　工業物聯網

　　邊緣計算主要用于工業物聯網領域。這項設計使用局部的計算節點，在設備端(例如傳感器、攝像機等)和云數據中心之間收集、存儲和處理數據，而不是使用遠程的云數據中心。

　　互聯的設備從提前安裝好的鄰近節點往返發送數據和接收指令，這些節點有可能是網關設備，比如一個有額外的處理和存儲能力的開關或路由器——它可以對輸入的數據實時接收、處理和做出反應。

　　標準化

　　隨著霧計算應用程序和供應商數量的增長，數據和界面的兼容性成了難題。行業內的產品之間缺乏互通性，這將阻礙技術的采納。

　　OpenFog聯盟于2015年成立，它的成立是由像思科、ARM、戴爾和微軟這樣的公司支持的，這些公司推動了霧計算系統設計的標準和最佳實踐(見圖1)，他們的目標是促進相互適用的行業標準和架構的采用。

　　圖1：OpenFog的關鍵支柱(來源：OpenFog聯盟)

　　發展中的霧計算應用案例

　　關鍵任務型應用

　　除了工業物聯網，面向物聯網應用的消費者也變得更精于世故和更挑剔。在消費物聯網應用的第一次浪潮中，行業和消費者探索了一些有趣的案例，那時他們的要求很小(例如僅僅改變燈光的顏色)。

　　然而，隨著物聯網市場的逐漸成熟，物聯網將會在人類的日常生活中成為重要活動的基礎設施支柱。現狀是遠遠不夠的，可靠性和實時響應將會至關重要。

　　自動化驅動系統(ADS)是一個典型例子。ADS 使用多種先進技術：多模傳感器、計算機視覺、人工智能和機器學習等等，該系統為傳動系執行數據融合、圖像分析、繪圖以及預測并判斷最佳行動和控制。

　　完成這些都需要精確到毫秒，不能有任何中斷。對數據寬帶和延遲方面的需求需要在汽車當中內置一個強大的處理節點。

　　智能的物聯網應用

　　除了ADS系統外，人工智能和計算機視覺的應用也會引起霧計算需求的增長。一個智能的物聯網系統不僅需要幫助人類收集和分析數據，它還需要對沒有人類干預的情況做出響應。

　　為了做到這一點，它使用從大量傳感器中獲取的數據進行實時人工智能推斷，然后給機器、無人機或機器人里的制動器發送指令，從而執行動作。在一個無人監督的環境中，人工智能引擎也能夠收集實時的結果，從而評估出下一步需要采取的行動。

　　我們需要一個混合的霧或云的模型，可以讓邊緣處理節點處理時間敏感的計算機視覺和人工智能干擾任務。除此之外，云節點能應對非實時的或弱實時的功能，例如軟件更新、上下流的信息收集和長期的大數據分析。

　　GPU——最主要的機器學習平臺

　　最先進的人工智能系統使用諸如深度神經網絡的技術(DNN)。大多數最好的深度神經網絡擁有深度網絡架構(很多非線性處理單元的圖層)以實現更高的精確度。

　　因此，實施通常需要一個高容量的數據傳送和大量的計算單元。機器學習和人工智能研究人員轉而尋求圖形處理器(GPU)來建立主要的游戲平臺。

　　2007年以來，英偉達已經開發出了統一計算設備架構(CUDA) 技術，用于開發圖形芯片在計算問題上的能力。除了3D著色器處理以外，通過設計，GPU擁有高數據吞吐量和大量的處理核心，這非常適合于計算密集型問題，例如線性代數、信號處理和機器學習。

　　CUDA編程的API允許科學家在很多領域研究(包括人工智能和機器學習)容易的利用GPU 的力量。在消費市場，GPU系統可用性的連續改進有利于人工智能研究人員在合理的時間和預算范圍內進行數據訓練和模型驗證。再看現在，英偉達的CUDA平臺或多或少地控制著機器學習和人工智能市場。

　　邊緣的嵌入式人工智能

　　無論怎樣，對于嵌入式或移動系統來說，典型的GPU過于昂貴以及功耗大。在過去幾年，像英偉達、英特爾、ARM以及蘋果這樣的公司，一直在嵌入式人工智能系統設計方面投入了大量的精力。英偉達利用CUDA技術的強大的Tegra處理器，是當前市場上的領導者，他們的Jetson平臺(圖2)已經廣泛應用于像智能無人機和自動化驅動系統這些領域。

　　圖2：英偉達的Jetson TX2

　　英特爾也在類似的嵌入式人工智能技術上積極投資，像他們最近收購了計算機視覺芯片公司Movidius一樣，美國高通、聯發科技、華為、AMD以及一些初創公司也都盯上了這個迅速發展的市場。他們也正在開發未來芯片系統的神經網絡能力。

　　這些技術將會在接下來的幾年中找到進入市場的方式，芯片供應商正在和軟件開發者密切合作，從而優化他們的處理器。

　　此外，嵌入式軟件開發者正在尋求最優化的神經網絡架構，可以在復雜性和精確度需求中做到平衡。對于不同的應用和使用案例來說，這些的需求是不相同的。

　　其中一個例子就是人臉識別，在這個情況下，開箱即用的精確度和實時需求與訪問控制系統和照片標簽應用的區別不同，這種差異可能會導致處理需求的量級不同，從而影響系統成本。