|
雾计算（Fog Computing）是一种分布式的计算模型，作为云数据中心和物联网（IoT）设备/传感器之间的中间层，它提供了计算、网络和存储设备，让基于云的服务可以离物联网设备和传感器更近。 通俗点说，雾计算拓展了云计算（Cloud Computing）的概念，相对于云来说，它离产生数据的地方更近，数据、数据相关的处理和应用程序都集中于网络边缘的设备中（比如我们平时使用的计算机），而不是几乎全部保存在云端。 通常来说，雾计算环境由传统的网络组件例如：路由器、开关、机顶盒、代理服务器、基站等构成，可以安装在离物联网终端设备和传感器较近的地方。这些组件可以提供不同的计算、存储、网络功能，支持服务应用的执行。所以，雾计算依靠这些组件，可以创建分布于不同地方的云服务。 此外，雾计算促进了位置感知、移动性支持、实时交互、可扩展性和可互操作性。所以，雾计算处理更加高效，能够考虑到服务延时、功耗、网络流量、资本和运营开支、内容发布等等因素。在这个意义上，雾计算相对于单纯使用云计算而言，更好的满足了物联网的应用需求。 与云计算相比，雾计算所采用的架构更呈分布式，更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中，而不像云计算那样将它们几乎全部保存在云中。数据的存储及处理更依赖本地设备，而非服务器。所以，云计算是新一代的集中式计算，而雾计算是新一代的分布式计算，符合互联网的“去中心化”特征。 雾计算不像云计算那样，要求使用者连上远端的大型数据中心才能存取服务。除了架构上的差异，云计算所能提供的应用，雾计算基本上都能提供，只是雾计算所采用的计算平台效能可能不如大型数据中心。 云计算承载着业界的厚望。业界曾普遍认为，未来计算功能将完全放在云端。然而，将数据从云端导入、导出实际上比人们想象的要更为复杂和困难。由于接入设备（尤其是移动设备）越来越多，在传输数据、获取信息时，带宽就显得捉襟见肘。随着物联网和移动互联网的高速发展，人们越来越依赖云计算，联网设备越来越多，设备越来越智能，移动应用成为人们在网络上处理事务的主要方式，数据量和数据节点数不断增加，不仅会占用大量网络带宽，而且会加重数据中心的负担，数据传输和信息获取的情况将越来越糟。 因此，搭配分布式的雾计算，通过智能路由器等设备和技术手段，在不同设备之间组成数据传输带，可以有效减少网络流量，数据中心的计算负荷也相应减轻。雾计算可以作为介于M2M（机器与机器对话）网络与云计算之间的计算处理，以应对M2M网络产生的大量数据——运用处理程序对这些数据进行预处理，以提升其使用价值。 雾计算不仅可以解决联网设备自动化的问题，更关键的是，它对数据传输量的要求更小。雾计算这一“促进云数据中心内部运作的技术”有利于提高本地存储与计算能力，消除数据存储及数据传输的瓶颈，非常值得期待。 云计算有个缺陷，就是当大量数据通过网络移动时容易产生更多的安全漏洞，并产生网络延迟。 雾计算极大地减少了发送到云端和从云端发送的数据量，减少了作为本地计算结果的延迟，同时可以最小化安全风险。 例如，飞机配备有很多重要的传感器用于防止系统故障。飞机每飞行一小时，这些传感器可以产生高达40TB的数据。如果我们乘以每天的飞行小时数，我们就会发现航空业产生的数据量是惊人的。这些传感器在飞行中提供重要的功能，但是这些数据中也有大量的无意义数据在降低传输效率和储存空间。我们可以将目前正在快速发展的自动驾驶汽车想象成飞机，每辆汽车产生的数据都相当于一架飞机，那么当自动驾驶汽车满街跑的时候，产生的数据量已经不是天文数字可以描述的了。如果这些数据都要送到云计算的云端服务器进行分析，那么效率势必大打折扣。而雾计算则避免了这一问题。 再举一个身边常见的例子：目前的城市道路监控系统，从监控探头到本地中心机房的通信跳数一般在3～4跳甚至更高，如果系统需要做出实时决策会面临网络延迟的挑战。 而采用了雾计算的智能交通灯系统，把监控探头作为传感器，把交通灯作为执行器，在监控过程中，雾节点将人为操作的监控视频流直接转发给中心机房；而其他常规监控视频对实时性要求不高，可以在雾节点处缓存若干帧画面，压缩后再传向中心机房。这样从雾节点到机房的网络带宽将得到缓解。 在雾节点处，可自动判断监控画面中是否有救护车头灯闪烁，做出实时决策发送给对应交通灯，协助救护车通过。 「本文仅代表作者个人观点」 转自：奇点数界
|
|
|
