如今，两个最常见的流行词是物联网和雾计算。我想对这个问题分享一些看法，这些看法从我目前担任FogHorn首席技术官的现实经验中来。我打算把这篇文章分成几篇文章，因为有很多话题要讨论。

对于第一篇文章，我想介绍一些基本内容。

物联网中的“T”是指实际设备——无论是面向消费者的设备，例如可穿戴设备，还是诸如风力发电机的工业设备。当人们谈论物联网时，往往是指消费者物联网设备。管理和监控这些设备/系统的技术和应用很多，随着移动设备和宽带连接的计算能力不断增强，解决这些常见问题所需的新技术并不多。但是当涉及到工业物联网时，情况就不同了。传统上，工业部门所有昂贵的重型设备——无论是喷气发动机、石油钻井机、制造厂还是风力发电机——都配备了大量的传感器来测量各种指标——温度、压力、湿度、振动等等。一些现代化的设备还包括视频和音频传感器。这些数据通常通过SCADA系统和协议服务器（例如，MQTT，OPC-UA或Modbus）收集，最终在某些存储系统中结束。根据机器的类型，每天产生的数据量从tb级到pb级不等。这些数据中的大部分可能是噪音和重复性的。直到最近，这些数据还没有被利用或分析，以收集任何关于什么可能出错的信息（因此，没有预测分析）。

传统上，工业部门所有的重型设备——无论是喷气发动机、石油钻井机、制造厂还是风力涡轮机——都配备了大量的传感器来测量各种各样的东西——温度、压力、湿度、振动等等。一些现代设备还包括视频和音频传感器。这些数据通常通过SCADA系统和协议服务器(例如MQTT、opc-ua或Modbus)收集，最终在某些存储系统中结束。直到最近，这些数据还没有被利用或分析，

行业4.0计划和数字双重概念围绕着将所有这些资产数字化并将所有数据传输到云端的理念，在那里，可以执行分析和机器学习，以获得对这些机器操作的智慧见解。这种方法有几个问题：远程位置的连接不足，带宽费用巨大，更重要的是，在发生故障或即将发生时缺乏实时洞察。边缘计算或雾计算正是解决这个问题所需要的，将计算和数据分析带到数据生成的位置（有点类似于Hadoop概念）。在这篇文章中，我可以交替使用边缘和雾，有些人不同意这一点——有些人喜欢把“雾层”称为边缘与云层之间的连续体——但为了本文的目的，这种差异并不重要。

这种方法存在几个问题:缺乏来自远程位置的连接，巨大的带宽成本，更重要的是，当故障发生或即将发生时，缺乏实时的洞察力。边缘计算或雾计算正是解决这个问题所需要的，将计算和数据分析引入到数据产生的地方(有点类似于Hadoop的概念)。在这篇文章中，我可以边缘和雾;虽然有些人不同意这种观点——有些人喜欢把“雾层”称为“边缘”和“云”之间的连续体——但为了本文的目的

我知道你们中有些人可能在想，“那有什么大不了的？目前市面上已有成熟的分析和机器学习技术，可用于数据中心/云环境。不幸的是，这些现有技术不太适合在受限的环境中运行——低内存（<256 MB RAM ），较少的计算（单核或双核低速处理器）和存储。在许多情况下，该技术可能必须在可编程逻辑控制器（PLC）或现有的嵌入式系统中运行。因此，需要能够进行流分析（每个传感器的数据是一个流，从根本上来说是时间序列数据）和机器学习（当故障条件不能容易地表达或不知道时）实时数据流经系统。一个典型的机器或设备可以在任何地方，从几十个传感器到数百个传感器，以快速的速率产生数据—每隔几毫秒就会有一个数据包，有时甚至是几微秒。此外，可能需要组合来自不同类型的传感器（视频、音频和离散）的数据（通常称为传感器融合的过程）来关联并找到正确的事件。你还必须考虑到H/W芯片组可以是基于x86或基于ARM的，典型的设备（网关，PLC或嵌入式系统）将是Raspberry Pi或更小的尺寸。寻找能够在这些受限环境中运行的边缘分析和机器学习技术的技术对于在源上实现实时智能至关重要，这为客户节省了巨大的成本。

在我的下一篇文章中，我将讨论一些利用这种技术的用例，并解释该技术是如何发展并迅速地在许多垂直领域中实现的。