感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！

对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。

最初“雾计算”这个名字还是由美国纽约哥伦比亚大学的斯特尔佛教授(Prof. Stolfo)起的，不过他当时的目的是利用“雾”来阻挡黑客入侵。显然，这与我们现在所讲的“雾计算”有着巨大的差距。

现在大多人认为的“雾计算”，是由思科定义的：“雾计算”是一种面向物联网（IoT）的分布式计算基础设施，可将计算能力和数据分析应用扩展至网络“边缘”，它使客户能够在本地分析和管理数据，从而通过联接获得即时的见解。

“雾计算”是一种对“云计算”概念的延伸，而它主要使用的是边缘网络中的设备，这些设备可以是传统网络设备（早已部署在网络中的路由器、交换机、网关等等），也可以是专门部署的本地服务器。

对于“云计算”与“雾计算”的本质区别，有一句话形容的非常贴切：云在天空飘浮，高高在上，遥不可及，刻意抽象；而雾却现实可及，贴近地面，就在你我身边。

“雾计算”的优势

说到“雾计算”的优势，那就不得不先提一下“云计算”的缺陷。集中式的“云计算”允许人们高效、廉价地分享昂贵服务器资源，减轻企业用户的负担。但对那些需要在本地实时发生并实时处理的应用，云端的延时将成为一个很大的障碍，比如自动驾驶，一定是在本地进行计算，判断路径规划。

“雾计算”在地理上分布更为广泛，而且具有更大范围的移动性，这些能够让它适应如今越来越多不需要进行大量运算的智能设备，在数据传输速度上远胜“云计算”。

而具体来讲，“雾计算”主要有以下几个优势：

极低时延。这对于目前正在蓬勃发展中的物联网有着十分重要的意义，除此之外，网上游戏、视频传输、增强现实等也都需要极低的时延。

辽阔的地理分布。这正好与集中在某个地点的云计算(数据中心)形成强烈的对比。例如，如果需把信息和视频发送到高速移动的汽车时，可以沿着高速公路一路上设置无线接入点。此外，一旦某一区域的服务发生异常，用户也可快速的转移到另一个邻近区域。

带有大量网络节点的大规模传感器网络，用来监控环境。智能电网本身就是一种带有计算和存储资源的大规模分布式网络，可以作为“雾计算”很好的应用例子。

支持高移动性。对于雾计算来说，手机和其他移动设备可以互相之间直接通信，信号不必到云端甚至基站去绕一圈，因此可以支持很高的移动性。

“雾计算”并不是炒作

在“雾计算”这个概念出来的时候，许多人都说这是一种炒作，但事实并不是如此。“雾计算”只是对“云计算”的一种延伸，并不是对“云计算”的一个取代。

在功能上面，“雾计算”相当于一个可以频繁使用的“数据库”，而“云计算”就是一个用于长期存储文件的“文件室”。在搜寻信息方面，不管是速度，还是利用率，数据库明显比文件室具有更大的优势。而在数据丰富方面，“雾计算”也可以从“云计算”平台进行获取，相信在数据分享终端减少之后，“云计算”平台的数据传输速度相比于之前应该快乐许多。基于此，“云”与“雾”可以说是一种相辅相成的关系。

此外，云计算的使用需要大量带宽，而无线网络带宽有限。相比之下“雾计算”所需的带宽量就少得多了，它在原则上可使传输的数据“旁路”，即从互联网边上绕过去，使这些数据尽可能本地化。最有价值的数据仍然可以通过“云计算”平台来传输，但是大部分的数据流量可以从这些网络中分流出去，从而大大减轻了云网络的流量负担。另外，对本地数据的使用也可节省大量成本。

雾计算的概念在2011年被人提出，并非是些性能强大的服务器，而是由性能较弱、更为分散的各种功能计算机组成，渗入电器、工厂、汽车、街灯及人们生活中的各种物品。雾计算是介于云计算和个人计算之间的，是半虚拟化的服务计算架构模型，强调数量，不管单个计算节点能力多么弱都要发挥作用。

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，所以也有人把雾计算理解成边缘计算。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。

以智能交通灯为例。智能交通灯需要对车流量信息进行采集、并与一些传感器不断交互，进行计算并实时做出判断，改变信号灯变换周期和时序，从而实现自动指挥交通。如果将信息传到云计算中心计算后再回传，显然不及时且可能出错，而雾计算则可为智能交通灯提供就近的实时计算。相关数据聚合之后再发送到云计算中心做进一步的全景和长期的数据分析。

对于“雾计算”也有质疑的声音。认为这是一种炒作，还有人提出了“霾计算”。但是不可否认雾计算在产业界和学术界都受到了重视。

Business Insider的优质搜索服务“BI智能”预测，在2020年，企业和政府将有58亿个物联网设备会使用雾计算。安谋国际、思科、戴尔、英特尔、微软及普林斯顿大学边缘实验室共同成立雾计算联盟，该联盟探索建立雾计算框架和架构，研究分散式运算、网络和存储及物联网等相关技术，加速雾计算应用。

显然，物联网生态系统只有云计算是不够的，随着雾计算到位，计算能力被推向极端的逻辑结束，从而使设备自我决定维持在一定程度上的智能水平。由于只有丰富和简明的数据发送到服务器，因此集中的服务器上的存储和计算负载可以减少到很小，可以更快地实现结果，且通信速度也很快。

雾（边缘）计算模型将原有的云计算中心的部分或全部计算任务迁移到数据源的附近执行，根据大数据的3V特点，即数据量（Volume）、时效性（Velocity）、多样性（Variety），通过对比云计算模型为代表的集中式大数据处理和雾（边缘）计算为代表的边缘式大数据处理，可以看出雾计算的优势。边缘式大数据处理时代，数据类型更加复杂多样，数据处理的实时性要求更高，数据量也超过ZB级，边缘计算可以提高数据传输性能，保证处理实时性，降低云计算中心的负载。

雾计算的应用前景广泛

以一个制造业案例为例，假设大型公司在印度建立了工厂生产清洁剂。想象整个流程中一个这样的机器——搅拌机（垂直或水平搅拌机），它吸收不同的原料，并将它们进行搅拌，在制造过程中生产出合成混合物。搅拌机的运转原理是以预设的转速定时旋转，搅拌机筒吸收到不同的原材料，其运转会耗费一定量的能源。

如果我们利用物联网生态系统，让这个设备成为“智能搅拌机”会怎样？搅拌机安装的大量传感器为各种参数捕捉数据，然后数据传回服务器（云）进行后续分析。如何提供功率消耗的效率？这就是与雾计算的联系。以前考虑的物联网架构是利用云存储和分析数据做出决定，但是为了让资产/机器成为“智能设备”，我们需要雾计算架构，也就是增加本地实时计算数据流的能力，并向历史信号学习帮助机器做出决策来改善结果。这将是一个利用机器学习优化机器功耗，搭建雾计算网络的场景。

基于这些自主学习规则，通过增加和降低设置来保持在最佳能耗模式，机器可以调整操作参数。当数据传输到云端，云端用新数据组更新机器学习模型，那么数据规则和（自主）学习就可以更新了。一旦更新，它会被推回边缘，边缘节点利用更新模型来更新规则，进一步改善结果。

如今我们可以看到在运算设备上更现实也更个人化的雾计算，例如笔记本、智能手机、智能手表和平板电脑。最普遍的例子是Windows 10的重启管理器。在自动下载更新后，系统学习用户使用模式可以计算出最合适的重启系统和安装更新的时间。在产业应用方面，利用边缘计算架构，将计算推向边缘节点（网络的逻辑极端），这赋予了机器感知实时数据的能力，可以立即采取措施减少商业损失。在之前的商业用例中，改善能耗只是可能改善的结果之一。边缘计算还可以用于进行各种即时的优化处理，例如缓解资产故障或提高产出质量；学习一个规则使机器会自动做出决策来更改操作设置来避免故障或改善结果质量。

简而言之，通过推动计算边缘化，我们也将智能推到边缘，因此让设备或资产能够做出自主决策来改善结果，并成为智能设备。未来雾计算将与云计算相辅相成、有机结合，为万物互联时代的信息处理提供更完美的软硬件支撑平台。

本文来源：云计算的那点事 Python爱好者社区