物聯(lián)網(wǎng)霧計(jì)算平臺(tái)回顧

　　PaaS 和 SaaS驅(qū)動(dòng)的物聯(lián)網(wǎng)

　　基于平臺(tái)即服務(wù)(PaaS)和軟件即服務(wù)(SaaS)的云技術(shù)已經(jīng)在企業(yè)應(yīng)用中使用多年。最近幾年，在大范圍的產(chǎn)品中，PaaS 和 SaaS 依然是物聯(lián)網(wǎng)市場(chǎng)的主要驅(qū)動(dòng)力量。

　　PaaS 的供應(yīng)商提供隨時(shí)可用的平臺(tái)服務(wù)，像安全、數(shù)據(jù)存儲(chǔ)、設(shè)備管理和大數(shù)據(jù)分析;SaaS的供應(yīng)商交付應(yīng)用層的服務(wù)，像計(jì)費(fèi)、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(tái)的例子。

　　PaaS 和 SaaS 的優(yōu)勢(shì)

　　PaaS或SaaS 平臺(tái)對(duì)很多小型物聯(lián)網(wǎng)創(chuàng)業(yè)公司的成功至關(guān)重要。

　　產(chǎn)品公司能夠快速開發(fā)和配置應(yīng)用程序，之前需要花費(fèi)幾個(gè)月時(shí)間開發(fā)產(chǎn)品，現(xiàn)在可以縮短至幾周。

　　公司可以根據(jù)需要擴(kuò)展規(guī)模，減少創(chuàng)業(yè)成本，同時(shí)他們可以在新興市場(chǎng)中驗(yàn)證新產(chǎn)品。

　　公司不再需要維持他們自己的數(shù)據(jù)中心。與個(gè)別產(chǎn)品公司能夠達(dá)到的效果相比，這些平臺(tái)通常提供更好地可靠性和服務(wù)時(shí)間，同時(shí)減少了企業(yè)的運(yùn)營(yíng)成本。

　　結(jié)果是，物聯(lián)網(wǎng)產(chǎn)品公司能夠?qū)Ｗ⒂谕昝赖脑O(shè)計(jì)、增強(qiáng)用戶體驗(yàn)以及為特定的客戶提供更好的產(chǎn)品。

　　單一云服務(wù)模型的劣勢(shì)

　　在一個(gè)純粹以云為中心的模型中，基于存儲(chǔ)和處理的目的，所有的原始數(shù)據(jù)是聚合的、流向云端的。盡管存在優(yōu)勢(shì)，但這個(gè)模型也存在一些顯而易見的弊端：

　　來自云端服務(wù)器到設(shè)備端之間難以預(yù)測(cè)的響應(yīng)時(shí)間

　　不可靠的云連接會(huì)降低服務(wù)質(zhì)量

　　過量的數(shù)據(jù)讓基礎(chǔ)設(shè)施負(fù)擔(dān)過重

　　涉及敏感客戶數(shù)據(jù)存儲(chǔ)在云端的隱私性問題

　　傳感器和制動(dòng)器數(shù)量不斷增加規(guī)模的困難

　　對(duì)于工業(yè)的關(guān)鍵業(yè)務(wù)或醫(yī)療領(lǐng)域的應(yīng)用來說，以云為中心化的設(shè)計(jì)顯然是存在弊端的、不合適的。

　　霧計(jì)算綜述

　　工業(yè)物聯(lián)網(wǎng)

　　邊緣計(jì)算主要用于工業(yè)物聯(lián)網(wǎng)領(lǐng)域。這項(xiàng)設(shè)計(jì)使用局部的計(jì)算節(jié)點(diǎn)，在設(shè)備端(例如傳感器、攝像機(jī)等)和云數(shù)據(jù)中心之間收集、存儲(chǔ)和處理數(shù)據(jù)，而不是使用遠(yuǎn)程的云數(shù)據(jù)中心。

　　互聯(lián)的設(shè)備從提前安裝好的鄰近節(jié)點(diǎn)往返發(fā)送數(shù)據(jù)和接收指令，這些節(jié)點(diǎn)有可能是網(wǎng)關(guān)設(shè)備，比如一個(gè)有額外的處理和存儲(chǔ)能力的開關(guān)或路由器——它可以對(duì)輸入的數(shù)據(jù)實(shí)時(shí)接收、處理和做出反應(yīng)。

　　標(biāo)準(zhǔn)化

　　隨著霧計(jì)算應(yīng)用程序和供應(yīng)商數(shù)量的增長(zhǎng)，數(shù)據(jù)和界面的兼容性成了難題。行業(yè)內(nèi)的產(chǎn)品之間缺乏互通性，這將阻礙技術(shù)的采納。

　　OpenFog聯(lián)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(dòng)了霧計(jì)算系統(tǒng)設(shè)計(jì)的標(biāo)準(zhǔn)和最佳實(shí)踐(見圖1)，他們的目標(biāo)是促進(jìn)相互適用的行業(yè)標(biāo)準(zhǔn)和架構(gòu)的采用。

　　圖1：OpenFog的關(guān)鍵支柱(來源：OpenFog聯(lián)盟)

　　發(fā)展中的霧計(jì)算應(yīng)用案例

　　關(guān)鍵任務(wù)型應(yīng)用

　　除了工業(yè)物聯(lián)網(wǎng)，面向物聯(lián)網(wǎng)應(yīng)用的消費(fèi)者也變得更精于世故和更挑剔。在消費(fèi)物聯(lián)網(wǎng)應(yīng)用的第一次浪潮中，行業(yè)和消費(fèi)者探索了一些有趣的案例，那時(shí)他們的要求很小(例如僅僅改變燈光的顏色)。

　　然而，隨著物聯(lián)網(wǎng)市場(chǎng)的逐漸成熟，物聯(lián)網(wǎng)將會(huì)在人類的日常生活中成為重要活動(dòng)的基礎(chǔ)設(shè)施支柱。現(xiàn)狀是遠(yuǎn)遠(yuǎn)不夠的，可靠性和實(shí)時(shí)響應(yīng)將會(huì)至關(guān)重要。

　　自動(dòng)化驅(qū)動(dòng)系統(tǒng)(ADS)是一個(gè)典型例子。ADS 使用多種先進(jìn)技術(shù)：多模傳感器、計(jì)算機(jī)視覺、人工智能和機(jī)器學(xué)習(xí)等等，該系統(tǒng)為傳動(dòng)系執(zhí)行數(shù)據(jù)融合、圖像分析、繪圖以及預(yù)測(cè)并判斷最佳行動(dòng)和控制。

　　完成這些都需要精確到毫秒，不能有任何中斷。對(duì)數(shù)據(jù)寬帶和延遲方面的需求需要在汽車當(dāng)中內(nèi)置一個(gè)強(qiáng)大的處理節(jié)點(diǎn)。

　　智能的物聯(lián)網(wǎng)應(yīng)用

　　除了ADS系統(tǒng)外，人工智能和計(jì)算機(jī)視覺的應(yīng)用也會(huì)引起霧計(jì)算需求的增長(zhǎng)。一個(gè)智能的物聯(lián)網(wǎng)系統(tǒng)不僅需要幫助人類收集和分析數(shù)據(jù)，它還需要對(duì)沒有人類干預(yù)的情況做出響應(yīng)。

　　為了做到這一點(diǎn)，它使用從大量傳感器中獲取的數(shù)據(jù)進(jìn)行實(shí)時(shí)人工智能推斷，然后給機(jī)器、無人機(jī)或機(jī)器人里的制動(dòng)器發(fā)送指令，從而執(zhí)行動(dòng)作。在一個(gè)無人監(jiān)督的環(huán)境中，人工智能引擎也能夠收集實(shí)時(shí)的結(jié)果，從而評(píng)估出下一步需要采取的行動(dòng)。

　　我們需要一個(gè)混合的霧或云的模型，可以讓邊緣處理節(jié)點(diǎn)處理時(shí)間敏感的計(jì)算機(jī)視覺和人工智能干擾任務(wù)。除此之外，云節(jié)點(diǎn)能應(yīng)對(duì)非實(shí)時(shí)的或弱實(shí)時(shí)的功能，例如軟件更新、上下流的信息收集和長(zhǎng)期的大數(shù)據(jù)分析。

　　GPU——最主要的機(jī)器學(xué)習(xí)平臺(tái)

　　最先進(jìn)的人工智能系統(tǒng)使用諸如深度神經(jīng)網(wǎng)絡(luò)的技術(shù)(DNN)。大多數(shù)最好的深度神經(jīng)網(wǎng)絡(luò)擁有深度網(wǎng)絡(luò)架構(gòu)(很多非線性處理單元的圖層)以實(shí)現(xiàn)更高的精確度。

　　因此，實(shí)施通常需要一個(gè)高容量的數(shù)據(jù)傳送和大量的計(jì)算單元。機(jī)器學(xué)習(xí)和人工智能研究人員轉(zhuǎn)而尋求圖形處理器(GPU)來建立主要的游戲平臺(tái)。

　　2007年以來，英偉達(dá)已經(jīng)開發(fā)出了統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA) 技術(shù)，用于開發(fā)圖形芯片在計(jì)算問題上的能力。除了3D著色器處理以外，通過設(shè)計(jì)，GPU擁有高數(shù)據(jù)吞吐量和大量的處理核心，這非常適合于計(jì)算密集型問題，例如線性代數(shù)、信號(hào)處理和機(jī)器學(xué)習(xí)。

　　CUDA編程的API允許科學(xué)家在很多領(lǐng)域研究(包括人工智能和機(jī)器學(xué)習(xí))容易的利用GPU 的力量。在消費(fèi)市場(chǎng)，GPU系統(tǒng)可用性的連續(xù)改進(jìn)有利于人工智能研究人員在合理的時(shí)間和預(yù)算范圍內(nèi)進(jìn)行數(shù)據(jù)訓(xùn)練和模型驗(yàn)證。再看現(xiàn)在，英偉達(dá)的CUDA平臺(tái)或多或少地控制著機(jī)器學(xué)習(xí)和人工智能市場(chǎng)。

　　邊緣的嵌入式人工智能

　　無論怎樣，對(duì)于嵌入式或移動(dòng)系統(tǒng)來說，典型的GPU過于昂貴以及功耗大。在過去幾年，像英偉達(dá)、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(tǒng)設(shè)計(jì)方面投入了大量的精力。英偉達(dá)利用CUDA技術(shù)的強(qiáng)大的Tegra處理器，是當(dāng)前市場(chǎng)上的領(lǐng)導(dǎo)者，他們的Jetson平臺(tái)(圖2)已經(jīng)廣泛應(yīng)用于像智能無人機(jī)和自動(dòng)化驅(qū)動(dòng)系統(tǒng)這些領(lǐng)域。

　　圖2：英偉達(dá)的Jetson TX2

　　英特爾也在類似的嵌入式人工智能技術(shù)上積極投資，像他們最近收購了計(jì)算機(jī)視覺芯片公司Movidius一樣，美國(guó)高通、聯(lián)發(fā)科技、華為、AMD以及一些初創(chuàng)公司也都盯上了這個(gè)迅速發(fā)展的市場(chǎng)。他們也正在開發(fā)未來芯片系統(tǒng)的神經(jīng)網(wǎng)絡(luò)能力。

　　這些技術(shù)將會(huì)在接下來的幾年中找到進(jìn)入市場(chǎng)的方式，芯片供應(yīng)商正在和軟件開發(fā)者密切合作，從而優(yōu)化他們的處理器。

　　此外，嵌入式軟件開發(fā)者正在尋求最優(yōu)化的神經(jīng)網(wǎng)絡(luò)架構(gòu)，可以在復(fù)雜性和精確度需求中做到平衡。對(duì)于不同的應(yīng)用和使用案例來說，這些的需求是不相同的。

　　其中一個(gè)例子就是人臉識(shí)別，在這個(gè)情況下，開箱即用的精確度和實(shí)時(shí)需求與訪問控制系統(tǒng)和照片標(biāo)簽應(yīng)用的區(qū)別不同，這種差異可能會(huì)導(dǎo)致處理需求的量級(jí)不同，從而影響系統(tǒng)成本。