物联网四大计算模式揭秘can报文解析实例的神奇世界
在物联网领域，计算模式的多样性为数据处理和智能化提供了强大的支持。从业者常面临大量数据的挑战，这些数据源自数百个集成传感器，每秒发送3个数据点。随着时间的推移，大部分这些数据变得无用，因此实时处理至关重要。
首先，我们有云计算模型，它通过将感知数据推送到云端实现。这涉及摄入模块接收并存储于大型存储中，然后使用Spark、Azure HDInsight或Hive等进行并行处理，最终以高速信息做出决策。AWS Kinesis与Big Data Lambda服务、Azure生态系统以及Google Cloud产品如Cloud IoT Core都是实现这一目标的手段。
然而，私有平台用户和企业对控制其数据在巨头如谷歌、微软和亚马逊手中的不满是主要挑战之一。此外，还存在延迟问题、网络断开、高昂成本以及安全性和持久性的担忧。大型摄入模块构建所需的大型分布式框架不足以满足需求。
接着，我们还有雾计算模式，它利用本地处理单元或设备，而非将所有数据发送到云端。在过去，如Sigfox和LoraWAN这样的无线解决方案还未广泛普及，BLE也缺乏mesh或远程功能，因此必须依赖更昂贵的网络解决方案来确保安全连接。本地网络中心是关键，但专业供应商相对较少。
实施雾网需要深厚知识背景，并且构建软件通常更直接开放。但当把网络视作屏障时，它会降低速度。OpenFog是一个由行业专家开发的开放雾计算架构，其提供了用例、实验室、小组件规范以及参考体系结构。
此外，我们还有边缘计算模式，它离传感器最近，可以在那里应用机器学习。如果将边缘与雾比较，就应理解边缘指的是智能传感器节点，而雾则提供对于大规模操作的计算能力。微软和亚马逊已发布Azure IoT Edge 和AWS Greengrass，以提高物联网网关上的机器智能，使得工作变得简单。不过，这改变了我们对边缘计算含义的理解，不应要求在网关上运行机器学习算法来创建智能。
真正的边缘计算发生在神经元装置上，其中预装机器学习算法服务于特定目的。这可以让仓库结束节点执行本地自然语言处理（NLP），比如识别密码“芝麻开门”。这种设备通常具有类似神经网络结构，当加载一个机器学习算法时，便像燃烧神经网络一样不可逆转。不过，这为低功率传感器节点带来了嵌入式边际智慧空间。
最后，有MIST（混合实时智能）模型结合了基于云、大量、本地资源（MIST）的优势，没有必要等待年份更新。而这类型的一种补充其他两者的电脑类型，在没有雾或边际的情况下分配工作负载，同时不提供动态智能模型。此类设备具备256kb内存大小及～100kb/秒之高速率，是Mesh 网络中促进该模型发展者们提出的改良版本，更易于使用其基于MIST系统设计而优化过的一个新型系统。