云里霧里看計算，聽過“云計算”的你了解“霧計算”嗎？

在數字化時代，云計算的概念已經深入人心，我們習慣了把照片、視頻、文件存儲在“云端”，享受來自遠程服務器的強大算力。然而，隨著物聯網、自動駕駛、智慧城市、工業互聯網等領域的迅速崛起，傳統云計算架構逐漸顯露出局限性。尤其在實時性要求極高的應用中，云計算的延遲問題成為了瓶頸。于是，一種新的計算模式誕生，它就是霧計算。

霧計算是云計算的延伸，但更靠近終端設備（圖片來源：[2]）

為什么會“起霧”？云計算的不足

要理解霧計算，首先要從云計算的局限性談起。云計算的基本思想，是將數據集中上傳到遠端的數據中心進行處理，再將結果返回給用戶。這樣做的優勢顯而易見，資源集中管理、彈性擴展、成本降低，都是云計算帶來的好處。然而，當物聯網設備大規模普及，問題隨之而來。

云計算的概念（圖片來源：[3]）

以自動駕駛為例，一輛車每秒鐘會產生大量傳感器數據，包括攝像頭畫面、雷達信號、道路狀況等。如果這些數據全部傳輸到云端，再由云服務器計算并下發指令，整個過程可能會耗費數百毫秒甚至更長時間，這在高速行駛的場景下幾乎不可接受。自動駕駛的決策必須在幾十毫秒內完成，否則可能發生危險。此外，每輛車每天可能會產生數百GB的數據，完全上傳到云端不僅增加帶寬壓力，也會帶來巨額的通信成本。

車載霧計算（圖片來源：[6]）

這不僅僅是汽車的問題，在智慧城市、工業自動化、醫療健康等場景中，同樣存在對低延遲的極致要求。如果繼續沿用云計算的模式，將導致系統響應遲緩，甚至影響安全。于是，業界開始思考：能不能讓計算“下沉”，從云端靠近用戶，甚至靠近數據產生的源頭？這就是霧計算提出的初衷。

霧計算是什么？“云”和“端”之間的新層

霧計算這個概念最早由思科提出，靈感來源于自然界的現象：云靠近地面時，會形成霧。與此對應，霧計算就是把云端的計算和存儲能力部分下移，在網絡邊緣部署大量的計算節點，讓數據可以在距離最近的地方得到處理。它位于云計算和終端設備之間，成為連接二者的重要橋梁。

云計算、霧計算以及邊緣設備間的關系（圖片來源：[5]）

簡單來說，霧計算是一種分布式的計算模式，將任務分散到網絡邊緣的設備中，如基站、路由器、工業網關或小型服務器，從而縮短數據傳輸路徑，降低延遲，提升實時性。相比之下，邊緣計算更“接地氣”，通常直接在設備端完成計算，而霧計算則是對邊緣計算的擴展，它不僅處理局部數據，還負責在更廣泛的區域內進行協作和資源調度。

霧計算如何運作？

為了讓這個概念更直觀，我們可以設想這樣一個場景：你的家中有一臺智能攝像頭，它的任務是識別是否有人入侵。如果采用傳統云計算方式，攝像頭會把視頻上傳到遠端服務器，由云端AI模型分析后再返回結果。這一過程可能需要數百毫秒，甚至在網絡不穩定時延遲更長。對于安全場景來說，這顯然不夠理想。

采用邊緣-霧-云計算范式的分層智能監控系統層級（圖片來源：[7]）

引入霧計算后，攝像頭的數據可以先傳輸到離你最近的通信基站，或者運營商部署在小區的邊緣服務器上。這些霧節點中運行著輕量級的AI算法，可以快速識別視頻畫面中的異常情況。如果檢測到有人闖入，霧節點立即發出警報，而不是等云端分析結果返回。整個過程可能只需要幾十毫秒，大大提升了響應速度，同時也避免了海量視頻數據長距離傳輸，節省了帶寬。

霧計算的技術特征與應用

霧計算不僅僅是“把計算搬近一點”，它還具備一些獨特的特征。首先，它采用分布式架構，節點分布在網絡邊緣，可以在局部實現自治，即使云端不可用，系統仍能保持運行。其次，霧計算形成了多層次的數據處理機制，設備本地負責最簡單的計算，霧節點處理實時性強的任務，而云端則專注于存儲和復雜分析。此外，由于霧節點硬件種類繁多，如何調度這些異構資源，成為霧計算面臨的一大挑戰。

霧計算的優勢與應用（圖片來源：[2]）

霧計算的應用場景極為廣泛。

自動駕駛

自動駕駛是最典型的例子，路邊部署的霧節點可以實時處理車輛和路況數據，避免交通事故。

智慧城市

智慧城市中的交通信號燈控制、安防監控，都可以通過霧計算實現低延遲響應。

工業領域

工業領域的智能工廠更是離不開霧計算，因為生產設備需要毫秒級的控制信號，一旦延遲過高，可能導致生產線停工甚至發生事故。

醫療健康

醫療健康也是重要的應用方向，遠程手術、患者實時監護都對延遲極為敏感，霧計算能確保醫生與患者之間的實時交互。

基于霧計算的智能倉庫網絡架構（圖片來源：[1]）

如果說云計算讓我們擺脫了本地硬件的束縛，開啟了互聯網服務的新時代，那么霧計算則讓智能真正“接地氣”，把計算和處理能力帶到我們身邊，讓智能服務不僅強大，而且迅捷。在未來的智慧城市、自動駕駛、醫療和工業場景中，霧計算將成為看不見卻不可或缺的幕后功臣。

參考文獻

[1]陳雷.霧計算環境下的倉儲物流優化研究[D].太原理工大學,2021.

[2]Atlam H F, Walters R J, Wills G B. Fog computing and the internet of things: A review[J]. big data and cognitive computing, 2018, 2(2): 10.

[3]https://mp.weixin.qq.com/s/Y-46vekmhYvt6hpt6wPF8g

[4]https://mp.weixin.qq.com/s/_mzm8ZQqRZ9mlMGFo1yfKQ

[5]https://taikun.cloud/difference-between-edge-computing-and-fog-computing/

[6]https://medium.com/analytics-vidhya/vehicular-fog-computing-communication-without-lag-3c2452f4885b

[7]Nikouei S Y, Chen Y, Aved A J, et al. I-vise: Interactive video surveillance as an edge service using unsupervised feature queries[J]. IEEE Internet of Things Journal, 2020, 8(21): 16181-16190.

圖片源自于網絡，僅供科普參考

來源：力學科普

編輯：ThymolBlue

轉載內容僅代表作者觀點

不代表中科院物理所立場

如需轉載請聯系原公眾號