从物联网的角度，业界一直在寻求更为可用的、分布式的计算解决方案。随着OT和IT系统的整合，面临的一个关键挑战是巨量数据的处理。在一个自动化工厂中，数百个集成传感器每秒发送3个数据点，大部分数据在5秒后即失效。数百个传感器、网关、进程和系统需要几乎瞬间处理这些信息。大多数支持者倾向于云模型，即将数据发送至云端。这是物联网计算模式中的第一种基础。

物联网与云计算

通过物联网与云计算模型，将你的感知数据推送至云端。你拥有一套摄入模块，它可以接收并存储到庞大的存储库，然后对其进行并行处理（Spark, AzureHDInsight, Hive等），最后利用实时信息做出决策。现在有许多新产品和服务使得这一过程变得轻而易举：AWS Kinesis and Big Data Lambda Services, Azure生态系统的大数据能力构建工具，以及Google Cloud产品如Cloud IoT Core。

然而，在物联网中，我们也面临一些挑战：私有平台用户和企业对于他们的数据在大型科技公司如Google, Microsoft, Amazon等感到不适；延迟和网络中断问题；增加了存储成本、安全性和持久性；通常，大数据框架不足以满足庞大摄入模块所需。

面向物联网雾计算

雾计算则提供了一种更加强劲的解决方案，它使用的是本地处理单元或节点，而不是将所有数据直接发送至服务器进行处理。此前，没有像Sigfox 和 LoraWAN这样的无线解决方案，因此必须依赖昂贵网络，以确保建立一个安全且稳定的连接到中央单元——这是解决方案核心的一部分，但专业供应商并不常见。

实施一条雾网络，我们发现这并非简单之事，需要深厚知识背景。构建软件，在物联网上所做的事往往更加直接开放。而当把网络作为屏障时，它会降低速度。此类实现需要庞大的团队及多家供应商合作，同时可能遭遇供应链锁定。OpenFog是一个由行业专家开发开源雾计算架构框架，为雾网提供用例试验台技术规范及参考体系结构。

物联网边缘计算

物联网涉及捕捉微小交互作用，并尽快作出反应。边缘计算离源头最近，可以应用机器学习于传感器区域。如果陷入边缘与雾谈判，其应理解边缘为智能传感节点应用领域，而雾仍然是关于局域操作能量大量运算能力提供者的讨论。

行业巨头，如Microsoft 和 Amazon 已经发布Azure IoT Edge 和 AWS Greengrass 来提升IoT网关与传感器节点上的机器智能，这些设备拥有良好的自主运算能力。但这些极具吸引力的解决方案显著改变了从业者认识与运用边缘概念含义。不再要求机器学习算法仅运行于网关来构建智能；2015年Alex 在ECI会议上展示嵌入式人工智能神经记忆芯片工作：

真正边缘将发生于神经装置上，这些预装机学习算法服务特定目的与责任。那怎样？让仓库结束节点执行本地NLP，对少数关键字符串，如“芝麻开门”！这种设备通常具有类似神经结构，当加载机学学习时，就像是燃烧神经网络但不可逆转！

物联MIST 计算

MIST 计算融合了基于云、基于雾以及基于边沿四种模式，使其成为促进物联智慧化发展必备手段之一。这包括：

云模型：基本上就是总是应该向某处东西。

雾模型：使用本地或近距离设备进行快速分析，不必完全依靠远程中心。

边沿模型：离源头最近，最紧密结合环境分析，并迅速采取行动。

MIST 模型：既没有采用完全标准化方法，也没有超越当前最佳实践，只是一种补充方式，有256kb内存大小～100kb/秒带宽速度，是高速、高级别动态提取设备，无需进一步考虑是否采用标准化操作步骤。这项技术已被用于Mesh 网络，一旦提出更高级别MIST 系统，将很容易推广使用其优势。