毋庸置疑的雾计算

soso123 · 发表于 2016-11-30 16:45:35

本帖最后由 Genius 于 2017-8-17 21:21 编辑

十年来，云计算备受瞩目，它提供了新的计算模型，方便了服务的部署。但云并不是终点，未来仍将有新的计算模型推动新的服务，进一步方便我们的生活。本文将探讨，云，雾，物共同组成的物联网生态系统；着重讨论雾计算和云相互配合形成的新计算模型。

随着科技进步，各种技术名词也在快速发展。云计算，物联网，雾计算，相信这些名词早已进入大家的视野。其中，雾计算的概念2011年由 Cisco 提出，相对较新。时至今日，雾计算已经成为研究的热点和重点，并被业界寄予厚望。

然而，笔者却仍能看到对雾计算没有根据的质疑，无外乎两种：

不就是本地服务器吗？
云里雾里的，炒作呢吧？

雾计算远远不止那么简单，它是对数以万计的“本地服务器”整体性的考量。它是一个平台而不是单独一台机器。在后续内容中，我们会深入探讨。
看看世界上的科技巨头们选择的方向吧，以下所有项目都与雾计算有莫大关联。他们花费大笔资金精力聘用顶级科学家来炒作？
- Arm，Cisco，Dell，Intel，Microsoft，普林斯顿大学共同投资创办的雾计算研究项目OpenFog [2]
- Orange (法国电信) 与 Inria(法国国立计算机及自动化研究院)共同主导的雾计算与大规模分布式云研究项目Discovery [3]
- 华为的“全面云化”战略 [4]
- Intel 的 “Cloud Computing at the Edge”项目 [5]
- NTT 的 “Edge Computing”项目 [6]
- AT&T 的 “Cloud 2.0”项目

从物联网说起

智慧城市，智能家庭，种种可预见的物联网应用在未来将极大的方便人们的生活。然而目前市场上智能终端设备的智能程度普遍令人不满。那么这个“智能”应来自哪里，怎样才能保障设备的智能呢？

计算机智能的基础就在于其背后的资源，如CPU，内存，硬盘，网络带宽等计算资源（更确切的说法，会将CPU，内存归类于计算资源；硬盘归于存储资源；带宽归于通信资源。本文为了简化，统一将它们称作计算资源）；视频，温度，光线强度等传感器提供的数据资源；当然还有电力等等。在这些资源中最核心的就是计算资源，通过计算提取数据中的知识，做出决策；通过存储来保存知识库，从而根据历史经验保证决策准确，做出预测；通过通信完成设备间的沟通，实现知识与决策的分发。基于以上，才能给用户智能的服务与体验。

那么现在设备的不够智能，症结是否在于设备的CPU不强，内存硬盘不够大呢？

终端的不足

我们无法想象把基站安装在每部手机上，同样的，我们无法想象每台设备都拥有大量资源，这将大幅度提高成本，无法形成有效的解决方案。

当资源不足时，一个直观的想法是将计算任务交给其他计算能力强的设备。物联网中有大量的终端设备，它们无法在本地完成计算做出决策，那么应该由谁来解决终端设备的资源不足呢？大家想到了云。

云的不足

云计算平台为云用户提供数据中心中的资源。近十年来，云计算充分的向人们展示了它的优越性：

“无限”的资源池
大量用户共享资源池带来的廉价资源
随时随地用任何网络设备访问
“快速”重新部署，弹性的资源租用
按需购买，自助服务

服务提供商把特定服务部署在云中，终端设备发送信息给服务，服务完成运算后将结果发回给终端，并将必要数据在云端存储。通过这种形式，云充分满足了终端设备的资源期待，也成为物联网生态系统中不可缺少的一环。

为了服务不同地理位置的用户，在互联网的多层次结构中，数据中心位于核心网络。核心网络距离终端用户较远，用户消息需要经过若干跳才能够到达。下图是简化的一部分网络拓扑。

图1 互联网网络拓扑图示

数据中心提供了高度集中的大量资源，然而只有云仍有一些不足。

高延迟：离用户较远的距离导致了较高的网络延迟。对实时性要求高的应用难以部署在云中。
网络拥塞：根据 Cisco 的预测，到2020年，全球将有500亿智能设备。相较而言，网络带宽的增长速度远远滞后。如果大量的物联网应用部署在云中，将会有数量庞大的传感器原始数据时刻不断的涌入核心网络，带来核心网络拥塞。
较低可靠性：安全，生命相关的物联网应用，一旦遇到应用失效，数据中心失效，或从终端用户到云平台的任何一段网络失效，都将带来重大的安全隐患。从终端到云的通信通路较长，失效风险较大；而在云中部署服务备份的成本也较高。

可见，对实时性，大数据，可靠性要求高的应用，云并不适合。人们需要新的计算模型来满足未来的应用，弥补云的不足。雾计算正是在这种背景下被提出的。

雾计算

雾计算是个很形象的名称，提出它的 Ginny Nichols 提了一个有趣的说法“雾是接近地面的云”。

这句话有两层含义：

雾计算和云计算有很多相似。例如，它们都基于虚拟化技术，从共享的资源池中，为多用户提供资源。
接近地面。这也指出了雾和云第一个不同——位置。更具体些，是它们在网络拓扑中的位置。

图2 雾计算原始定义图示

上图是根据 Cisco 对雾计算的原始定义[1]所作的图示。在 Cisco 的定义中，雾主要使用边缘网络中的设备。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。一般来说，专门部署的设备会有更多资源，而使用有宽裕资源的传统网络设备则可以大幅度降低成本。这两种设备的资源能力都远小于一个数据中心，但是它们庞大的数量可以弥补单一设备资源的不足。

雾平台由数量庞大的雾节点（即上文中雾使用的硬件设备，以及设备内的管理系统）构成。这些雾节点可以各自散布在不同地理位置，与资源集中的数据中心形成鲜明对比。

根据以上内容，可以总结出雾计算与云计算的不同：

更低：雾节点在网络拓扑中位置更低，拥有更小的网络延迟（总延迟 = 网络延迟 + 计算延迟），反应性更强。
更多：相比较云平台的构成单位——数据中心，雾节点数量庞大。
更广：雾节点拥有广泛的地域分布。
更轻：雾节点更轻量，计算资源有限。

这些不同给雾带来哪些优点，是什么使它成为物联网生态中又一不可或缺的部分呢？

雾的优点

除了上文中提到的低延迟，雾计算还有以下优点：

省核心网络带宽：雾作为云和终端的中间层，本就在用户与数据中心的通信通路上。雾可以过滤，聚合用户消息（如不停发送的传感器消息），只将必要的消息发送给云，减小核心网络压力。
高可靠性：为了服务不同区域的用户，相同的服务会被部署在各个区域的雾节点上。这也使得高可靠性成为雾计算的内在属性，一旦某一区域的服务异常，用户请求可以快速转向其他临近区域。
背景信息了解：因为分布在不同区域，雾计算中的服务可以了解到区域背景信息，如本区域带宽是否紧张，根据这一知识，一个视频服务可以及时决策是否降低本地区视频质量，来避免即将到来的卡顿；而对一个地图应用，则可将本地区地图缓存，提高用户体验。
省电：数据中心的电力消耗已经成为重要成本，其中冷却系统占有不可忽视的比重。雾计算节点因为地理位置分散，不会集中产生大量热量，并不需要额外的冷却系统，从而减少耗电。

基于以上优点，雾能够弥补云的不足，并和云相互配合，协同工作。

云 + 雾

雾计算自提出就是作为云计算的延伸扩展，而不是云计算的替代。如前文所述，在物联网生态中，雾可以过滤，聚合用户消息；匿名处理用户数据保证隐秘性；初步处理数据，做出实时决策；提供临时存储，提升用户体验。

相对的，云可以负责大运算量，或长期存储任务（如：历史数据保存，数据挖掘，状态预测，整体性决策等等），从而弥补单一雾节点在计算资源上的不足。

这样，云和雾共同形成一个彼此受益的计算模型，这一新的计算模型能更好的适应物联网应用场景。

用例

目前的城市道路监控系统，从监控探头到本地中心机房的通信跳数一般在3～4跳甚至更高，如果系统需要做出实时决策会面临网络延迟的挑战。

图3 用例——智能交通灯系统

图中所示是一个智能交通灯系统，除了监控探头作为传感器，还有交通灯作为执行器。雾计算的引入将为这一系统带来更多的可能性。如：

监控过程中，相比上一帧画面，通常只有一部分画面变化，而另一部分不变，非常适于压缩处理。对于需要人为监控的画面，雾节点将视频流直接转发给中心机房；而其他监控视频只需要存储，对实时性要求不高，可以在雾节点处缓存若干帧画面，压缩后再传向中心机房。这样从雾节点到机房的网络带宽将得到缓解。
在雾节点处，可判断监控画面中是否有救护车头灯闪烁，做出实时决策发送给对应交通灯，协助救护车通过。

上例仅是智慧城市中的一个具体缩影，雾计算在智能电网，车联网，智慧家庭等领域的应用场景不胜枚举。

挑战

雾计算带来新的可能性的同时，也在安全性，高效利用资源，API等方面带来了新的挑战。雾使用大量分散设备，使中心化的控制变得困难；雾节点的资源相对受限，需要节点间的协同配合，才能优化各服务的部署；“何时将服务迁移至何处”则是应对移动终端设备，动态的应用场景需要考量的问题。

随着雾计算概念的发展，雾被进一步扩展到“地面上”。雾节点不再仅限于网络边缘层，还包括拥有宽裕资源的终端设备。