雲計算？霧計算？霧裡看花——IIoT

版權聲明：本文為半吊子子全棧工匠（wireless_com，同公衆号)原創文章，未經允許不得轉載。 https://blog.csdn.net/wireless_com/article/details/79544018

工業物聯網(IIoT)正在從概念逐漸變成現實。廉價傳感器, 從資料到雲端, 以及在浏覽器上的儀表盤可以看到更細緻和更現實的模型，仿若無處不在。 一些文章通過對霧或邊緣計算的讨論也探讨了這一趨勢[1]。 這是一個很好的開始，但并不完整。 成熟的 IIoT 系統也将包括霧計算，這是一種接近傳感器的計算方法, 超出了通常認為的霧計算。 在任何給定的應用程式中, IIoT的部署可能包括這些概念的混合, 包括霧雲、霧霧和霧霧雲等等。 随着在微控制器、晶片系統和低成本通信能力的不斷提高, 薄霧計算将成為數百萬解決方案的重要組成部分。

丢失的遙控器

有一則電視廣告顯示, 一家人争先恐後地尋找電視遙控器。 在這一情景下, 一個家人使用亞馬遜的 Alexa 選擇了正确的頻道。 處理請求并将指令發送到 Dish TV Hopper。 沒過多久, 這家人就安頓下來看電視了, 遙控器仿佛被遺忘了。

處理電視控制所花的時間可能比找到錯誤的遙控器所需要的時間要快(特别是如果狗把遙控器帶到另一個房間的話)。 這是好事, 但是如果核電站以這種方式控制呢？ 化工廠的空中交通管制系統或緊急警報系統會是這樣嗎？

這個例子說明了物聯網至少分裂成兩個主要模型: 消費者模型和工業模型。 消費者模式通常包括資料集中化, 然後在雲中進行決策。 這是一個完美的模式, 提供免費或低成本的功能或服務, 在這些服務中收集的大量資料可以通過其他方式實作貨币化。 典型的例子是谷歌, 搜尋或電子郵件是免費提供的, 但所收集的資料在廣告服務中被貨币化呈現。 還有些不太明顯的例子, 比如智能電表。 計價器在你的房間裡, 但是資料是集中收集的, 使用者隻能通過一個經過精心設計的公用網站才能通路。 多數資料被公用事業用于其他目的, 主要是降低成本、需求響應、故障診斷和系統規劃(圖1)。

圖1 | 工業物聯網與消費者物聯網的對比

IIoT的不同點

在 IIoT 應用中還有其他的考量: 控制循環中的延遲, 決策過程中涉及的一系列元素, 資料傳輸和存儲成本, 以及敏感操作資料的安全性等等。

為了緩解這些沖突, ARM、 Cisco、 Intel、 Microsoft 和其他公司已經提出了将邊緣計算作為一種替代方案。 在這裡, 一個邊緣裝置或一組邊緣裝置包含業務邏輯, 可以在本地或區域内作出決策, 而不需要參考或與中心核心合作。 這個概念通常被稱為霧計算, 它注意到了分散的性質, 并将它與集中的雲服務區分開來。 霧計算可能涉及一個單邊裝置或多個邊緣裝置一起操作。 有許多組合, 大多數示例将與雲資源一起工作(圖2)。

圖2 | IIoT 架構中霧、薄霧和雲計算之間的關系。最常見的無線連接配接與手持和網絡人機界面(HMI)一起被識别出來。

然而, 還有另一個重要的因素。 通過收集所有的傳感器資料, 有可能以相關和不相關的資料混合來壓垮系統。 系統收到了如此多的資料, 以至于很難弄清楚該如何處理。 這與飛行員在飛機駕駛艙或者醫院重症監護室的醫務人員所遭受的"驚恐疲勞"問題相似。

更好的方法是從傳感器資料中擷取智能, 隻将情報傳送到決策系統(霧或雲)。 在理想情況下, 智能是靠近傳感器的, 而不是在邊緣或雲計算的位置。 這個概念被稱為薄霧（mist）計算(圖3)。

圖3 | 資料, 智能 和洞察力。 傳感器資料與霧計算資源共享，派生的智能傳遞給薄霧計算資源。 隻有基本的智能和 / 或資料被發送到雲端。

這一想法是使用低成本的微控制器來做更多的事情, 而不僅僅是資料轉換和簡單的通信。 處理能力被用來觀察來自多個傳感器的資料流, 并得出結論或複雜的見解。 同時，也可以觀察傳感器本身的狀況。 這種方法可能會使系統進一步了解該地點正在發生的情況或協助維修周期。

傳感器平台進行助力

幸運的是, 像 cratus / fujitsu BlueBrain 系統這樣的傳感器平台, 以及像 ARM Cortex 系列這樣強大的微控制器家族, 使得這種方法經濟而直接。 這樣的平台包含了傳感器、 i / o、計算資源、通信和開發資源的組合, 使得為個别問題或應用解決方案的原型變得更加容易。 如果所需的體積很小, 傳感器平台可以作為最終的解決方案。 如果體積很大, 則可以通過降低平台硬體和軟體的成本來精心設計一個自定義設計(圖4)。

圖4 | cratus/fujitsu BlueBrain傳感器平台包含了一系列傳感器和執行器, 以及 MCU、通信和固件架構，被用來為物聯網應用程式建立一個快速的概念驗證。

在去年（(2017年6月)的傳感器博覽會上 , CRATUS 和富士通通過将兩個BlueBrian傳感器平台和 Microsoft HoloLens 耳機, 展示了一個薄霧計算的例子。 這種擴增實境(AR)的應用使用了來自 BlueBrain 平台的傳感器資料, 直接覆寫在透過全息透鏡所看到的視覺上, 并在 Cortex M4處理器上實作, 沒有額外的邊緣、手持或雲計算。 這個例子說明了在工業環境中如何提供回報和控制。在這種環境中, 視野的複雜性使得很難區分因果關系。 這種系統直接支援人與機器的合作, 并減少危險環境中的不安因素。

自尋煩惱麼？

雲平台随處可見, 是以人們可能會問:"何苦自尋煩惱呢?" 。 最近的研究提供了一些佐證: 在通訊、電力以及隐式存儲成本等方面都有節約。 在 IEEE 最近的一篇文章[5]中, Markakis 等人比較了從純雲到純邊緣的三種不同方法, 證明了這一方式可以節省大量的資金。

使用靠近傳感器的計算資源可以獲得類似的好處。 在這種情況下, 通信通常是無線的, 是以除了帶寬的好處之外, 還将減少預計部署的數十億裝置的無線電頻率噪聲和幹擾。

為什麼不隻是雲？

主要原因如下:

• Latency 網絡延遲
• Privacy 隐私
• Security 安全
• Reliability 可靠性
• Critical infrastructure 關鍵的基礎設施
• Persistent connection 持久的連接配接
• Storage and retrieval cost 存儲和檢索成本

網絡延遲是從傳感器到雲的往返時間。 由于通信系統存在着不确定性，那麼資料中心離雲伺服器多遠合适？ 雲伺服器是否負載過多？ 對于時間緊迫的情況來說, 純粹的雲服務或許并不是最理想的。

資料隐私是另一個很大的問題。 敏感的商業資訊可能嵌入到資料中, 競争者可以通過通路這些資料獲得優勢。 如果一個掠奪者在股票市場上獲得洞察力并使用它會是怎樣情形？

任何時候, 安全都是永恒的話題。 如果資料被發送到一個遠端位置進行分析和存儲, 那麼系統輸入就會比邊緣設定多得多。 如果資料涉及關鍵的操作資訊, 操作或企業的整體安全性可能會受到影響。

雲解決方案的可靠性較低。 在外界條件相同的情況下, 更多的裝置意味着更低的可靠性。

目前需要評估關鍵行業基礎設施的脆弱性，這可能是政府必須做的事情, 并且應該有相應的罰款和其他的處罰措施。

持久連接配接可能并不總是可用的。 當雲在某段時間100%不可用時會發生什麼？

發送到雲端的不必要資料和資訊在電力和通信方面有成本, 而且存儲和檢索(通信及通路)也是需要成本的。

薄霧計算

目前多數的 IoT 和 IIoT 解決方案是一維的, 通常用于處理一個需求或使用者用例。 物聯網技術的真正好處在于多個系統的合作（要點是互操作性）, 以獲得更大的前景。 對于全部的使用場景而言, 難以在雲中全部完成。 霧技術和薄霧計算裝置需要更多的靈活性，必須對在初始部署後很長時間内提供對附加功能的開放。

微控制器的能力日益強大, 以及在軟體定義傳感器方面的最新進展[6]，可能暫時難以把握目前市場上的薄霧計算能力, 就像在早期的手機市場上很難把握智能手機一樣。

了解未來體系結構的一個較好例子是目前推出的車對車和車對基礎設施(V2I)系統。 這個基礎設施看起來像雲, 但是車輛之間會互相通信, 并且在沒有基礎設施參與的情況下做出決策，這些都是霧計算裝置。 進一步，如果汽車中的單個 ECU 也能在不考慮整個汽車系統的情況下做出決策，決定它們自己的子系統動作，這就是薄霧計算了。

References

1. “Internet of Things Leaders Create Open Fog Consortium to Help Enable End-to-End Technology Scenarios for the Internet of Things.” (2015, November 19). https://iotbusinessnews.com/2015/11/19/80306-internet-of-things-leaders-create-openfog-consortium-to-help-enable-end-to-end-technology-scenarios-for-the-internet-of-things/.
2. McMillin, Bruce et al. (2017, February). “Fog Computing for Smart Living.” IEEE Computer Magazine, Vol 50, No 2, page 5.
3. Wald, Matthew L. (2010, July 31). “For No Signs of Trouble, Kill the Alarm.” New York Times. http://www.nytimes.com/2010/08/01/weekinreview/01wald.html.
4. “FUJITSU Component Sensor-Based System BlueBrain(r) Interface Board.” (2017, August 2). http://www.fujitsu.com/downloads/MICRO/fcai/wireless-modules/bluebrain-interface-board.pdf.
5. Markakis, Evangelos K. et al. (2017, July). “EXEGESIS: Extreme Edge Resource Harvesting for a Virtualized Fog Environment.” IEEE Communications Magazine, pp 173-179.
6. Gunay, Z. (2017, October, 31) “Software Defined Sensors for Industrial IoT and Industrie 4.0.” www.cratustech.com/downloads/.

編譯自 http://www.embedded-computing.com/automotive/getting-misty-eyed-over-industrial-iot