第17章:边缘计算与雾计算

随着物联网设备数量的激增,将所有数据传回云端处理面临着带宽、延迟和隐私的三重挑战。边缘计算(Edge Computing)应运而生。

17.1 边缘计算概述

  • 定义:在靠近数据源头的地方(如网关、路由器、终端设备)进行计算和存储。
  • 优势
    • 低延迟:毫秒级响应(如自动驾驶刹车)。
    • 节省带宽:本地过滤无用数据,仅上传高价值信息。
    • 隐私保护:人脸数据不出园区,仅上传特征值。
    • 离线运行:断网情况下仍能维持基本服务。

17.2 边缘计算平台

主流云厂商都推出了“云边协同”的解决方案。

  • AWS IoT Greengrass:将 AWS 的部分功能(Lambda, Shadow, MQTT)扩展到边缘设备。
  • Azure IoT Edge:基于 Docker 容器,支持将 Azure AI 模块下发到边缘。
  • EdgeX Foundry:Linux 基金会托管的开源边缘计算框架,旨在解耦设备与应用。

17.3 边缘 AI (Edge AI)

将人工智能模型部署在边缘设备上,是当前最热门的趋势(AIoT)。

  • TensorFlow Lite:Google 专为移动和嵌入式设备优化的轻量级 ML 框架。
  • 模型量化:将 32位浮点数模型转换为 8位整数,牺牲微小精度换取数倍的速度提升和内存节省。
  • 硬件加速:使用专用 NPU(如 Kendryte K210, NVIDIA Jetson Nano)加速推理。

17.4 雾计算 (Fog Computing)

  • 概念:由 Cisco 提出,介于云计算和边缘计算之间的一层。
  • 区别
    • 边缘计算:更强调终端设备本身的计算能力。
    • 雾计算:更强调局域网内的基础设施(如交换机、微型数据中心)提供的计算能力。

随着计算能力的下沉,安全边界也随之扩散。下一章我们将重点讨论物联网安全机制

« 上一篇 实时监控与告警系统 下一篇 » 物联网安全机制