随着传感器和可穿戴设备等物联网设备的数据激增，传统方法将数据传输到云端，导致延迟和网络拥塞。尽管边缘计算使计算更接近数据源，但它仍面临着计算限制，特别是对于机器学习任务。雾计算作为一种变革性解决方案出现，将云功能扩展到网络边缘。
本文探讨了雾计算的复杂性，涵盖关键原理、架构考虑因素和潜在应用。它揭示了去中心化，阐明了雾计算如何彻底改变数据处理、存储和通信。这种范式转变有望提高效率、减少延迟和无与伦比的可扩展性。当我们探索雾计算的变革潜力时，踏上这一对去中心化计算未来的深刻见解之旅。
雾计算简介
雾计算是思科创造的术语，是数据处理和网络架构领域引人注目的范例。它充当边缘设备和云之间的桥梁，通过使计算更接近数据源来分散数据处理。这种接近性减少了延迟，节省了带宽，并提高了数据处理效率，从而提供实时洞察和更快的决策能力。
雾计算在需要立即采取行动的场景中特别有用，例如自动驾驶汽车、医疗保健监控系统和工业自动化。通过在本地处理数据，这些系统可以在几毫秒内响应事件，这是传统云计算无法实现的壮举，因为与云之间传输数据存在固有的延迟。
然而，雾计算的实施并非没有挑战。安全性、可扩展性和标准化等问题构成了重大障碍。在以下部分中，我们将更深入地研究雾计算的工作原理、其应用程序以及应对这些挑战的潜在解决方案。
雾计算实施细节
雾计算和边缘计算虽然经常互换使用，但表现出细微的差异。边缘计算专注于物联网设备附近的节点，而雾计算则涵盖位于终端设备和云之间任何位置的资源。雾计算引入了一个独特的计算层，该层采用M2M网关和无线路由器等设备，称为雾计算节点(FCN)。这些节点在本地计算和存储来自终端设备的数据并将其传输到云之前发挥着至关重要的作用。
实施架构
雾计算架构由以下三层组成：
事物层：最底层，也称为边缘层，构成传感器、手机、智能汽车和其他物联网设备等设备。该层中的设备生成多种数据类型，涵盖环境因素(例如温度或湿度)、机械参数(例如压力或振动)和数字内容(例如视频源或系统日志)。网络连接是通过一系列无线技术建立的，包括Wi-Fi、蓝牙、Zigbee或蜂窝网络。此外，一些设备可能使用有线连接。
雾层：雾计算架构的核心是雾节点，是不可或缺的核心组件。雾节点可以采用物理组件的形式，包括网关、交换机、路由器、服务器等，也可以采用虚拟组件的形式，如虚拟化交换机、虚拟机和云。这些节点与智能终端设备或接入网络错综复杂地连接在一起，在提供必要的计算资源以增强这些设备的能力方面发挥着关键作用。无论是物理的还是虚拟的，FCN都表现出异构性。FCN内的这种多样性为支持在不同协议层运行的设备开辟了途径，并促进了与用于FCN和终端设备之间通信的非基于IP的接入技术的兼容性。
云层：这是最顶层，由提供大存储和高性能服务器的设备组成。该层执行计算分析并永久存储数据。
请求处理：
雾计算的去中心化基础设施利用雾计算节点(FCN)的异构性质，容纳在不同协议层运行的设备并支持不同的访问技术。服务编排层根据用户指定的需求动态分配资源，确保雾计算资源的最佳利用，以响应不断变化的需求。
这种动态的请求处理方法可以优化资源利用率、减少延迟并增强网络的整体性能。雾计算基础设施凭借其本地化处理和智能编排，为网络运营的前沿带来了效率和响应能力。
数据预处理和情境化：
数据预处理涉及在网络边缘、生成数据的设备附近收集、分析和解释数据。根据设备类型和用例，数据可能会经历标准化过程，并且可以在应用或不应用滑动窗口的情况下继续处理。在数据缩减以将数据发送到云层之后，考虑边缘的两类数据缩减、可逆和不可逆。
可逆：这种方法减少了数据，并能够从减少的表示中再现原始数据。通过这些方法，数据缩减发生在边缘，缩减后的数据通过网络发送，在云端，可以直接对缩减后的数据执行机器学习(ML)，或者可以先再现原始数据。
不可逆：不可逆方法包括在数据减少后无法再现原始数据的方法。
雾计算中的情境化是指理解和利用数据情境的过程，例如数据来源的时间、位置和设备。通过了解上下文，雾计算可以提供个性化和自适应的服务。例如，在智能家居场景中，雾节点可以根据一天中的时间、屋内有人以及室外温度来调节供暖。
为了探索医疗物联网(IoMT)应用领域中雾计算的复杂操作动态，让我们深入研究智能手表的示例，例如AppleWatch。AppleWatch配备了加速计、陀螺仪、磁力计和光电体积描记器等传感器，不断收集各种身体活动的大量数据。值得注意的是，这些数据直接在手表本身上进行实时处理，展示了边缘计算的一个典型例子。当心率监测器发现异常情况时，手表会在本地自主处理数据以立即向用户发出警报，而无需将其传输到远程服务器。
现在，让我们引入雾计算的概念，数据存储和处理发生在中间层，这里以用户的iPhone为例，位于云数据中心和其他网络元素之间。该手表与iPhone同步数据，从而实现更复杂的处理任务和对活动数据的详细分析。然后该信息被传输回手表。例如，最近的手表型号允许用户使用AppleWatch进行心电图检查，并在连接的iPhone上执行处理以生成图形表示。
iPhone还可以将数据进一步传输到云端(即苹果的服务器)进行深入分析、长期存储或在其他设备上访问。总而言之，利用AppleWatch进行活动跟踪涉及边缘计算和雾计算的双重参与。手表(Edge)进行初始数据收集和处理，随后与iPhone(Fog)协作进行额外处理并与云同步。
雾计算的好处：
雾计算作为分布式范式发挥着关键作用，战略性地定位在云计算和物联网之间。它充当连接云计算、边缘计算和物联网的无缝桥梁。除了作为一个决定性的功能之外，这种战略布局还带来了许多值得认可的好处。以下是一些主要优点：
减少延迟：通过处理更靠近源的数据，雾计算可以显着减少延迟，使其成为自动驾驶汽车、远程医疗和远程手术等实时应用的理想选择。
高效的网络利用：雾计算可以减少需要传输到云端的数据量，缓解网络拥塞，提高整体网络效率。
情境意识：雾基础设施的设计充分考虑了客户的需求和目标。这使得计算、通信、控制和存储能力能够沿着云到物的连续体进行精确分配。其结果是创建了专门为满足客户的特定需求而定制的应用程序。
操作弹性：雾架构支持跨云和物联网之间的池化计算、存储、通信和控制功能。雾节点能够独立于中央云层自主运行，从而增强操作弹性和容错能力。
提高隐私和安全性：数据可以在雾节点内本地处理，减少通过网络传输敏感信息的需要，从而增强隐私和安全性。
雾计算面临的挑战：
虽然雾计算提供了许多好处，但它也提出了一些需要解决的开放挑战：
资源管理：由于雾节点的异构性和地理分布，雾环境中资源的有效管理是一项复杂的任务。例如，视频流应用可能需要高带宽和处理能力，而温度监控应用可能只需要最少的资源。
标准化：目前，雾计算还没有普遍接受的标准。缺乏标准化可能会导致不同雾系统和服务之间的兼容性问题。例如，一家企业制造的物联网设备可能无法与另一家企业提供的雾基础设施无缝协作。
安全和隐私：雾计算带来了新的安全挑战。例如，如果节点没有得到充分的保护，存储在雾节点上的数据可能会被物理篡改。此外，如果通信通道未正确加密，雾节点之间传输的数据可能会被拦截。现实生活中的例子可能是智能家居系统，其中需要保护家庭安全录像等敏感数据。
服务质量(QoS)：确保分布式异构雾环境中一致的QoS具有挑战性。例如，依靠雾计算基础设施进行实时决策的自动驾驶汽车需要高水平的可靠性和低延迟。服务中的任何不一致都可能造成严重后果。
能源效率：雾节点，特别是部署在网络边缘的节点，通常具有有限的电力资源。因此，节能运行是雾计算的关键挑战。
总结
雾计算是去中心化计算的基石，它将重塑我们的数字格局。通过使计算和存储更接近数据源，它改变了我们处理物联网生成数据的方式。通过雾计算探索未来，揭示了减少延迟、增强隐私和高效网络利用等好处。
然而，挑战依然存在。资源管理、安全性、标准化、服务质量、可扩展性和能源效率构成了障碍。应对这些挑战需要持续的研究和创新。随着我们深入研究去中心化计算，雾计算的作用变得越来越关键。这是一个发现、创新和解决问题的旅程。成功应对挑战是释放雾计算潜力的关键。这一旅程有望打造一个更加高效、响应迅速且去中心化的数字世界。
