QQ
大多数数据处理的支持者都支持云模型，即总是应该向云发送一些东西。 这也是**种物联网计算基础。
1. 物联网的云计算
通过物联网和云计算模型，基本上推动和处理你的感官数据在云。 你有一个摄入模块，它可以接收数据并存储在一个数据湖（一个非常大的存储器） ，然后对它进行并行处理（它可以是 Spark，Azure HD Insight，Hive，等等） ，然后使用快节奏的信息来做决定。
自从开始构建物联网解决方案，现在有了许多新的产品和服务，可以非常容易地做到这一点：
可以使用 AWS Kinesis 和 Big data lambda services
可以利用 Azure 的生态系统，让构建大数据能力变得极其容易
或者，可以使用像 Google Cloud 产品这样的工具如Cloud IoT Core
在物联网中面临的一些挑战是：
私有平台的使用者和企业对于拥有他们的数据在谷歌，微软，亚马逊等感到不舒服
延迟和网络中断问题
增加了存储成本、数据安全性和持久性
通常，大数据框架不足以创建一个能够满足数据需求的大型摄入模块
2. 面向物联网的雾计算
通过雾计算，可以变得更加强大。 雾计算使用的是本地处理单元或计算机，而不是将数据一路发送到云端并等待服务器处理和响应。
4-5年前，还没有像 Sigfox 和 LoraWAN 那样的无线解决方案，BLE也没有mesh或远程功能。因此，必须使用更昂贵的网络解决方案，以确保能够建立一个安全，持久的连接到数据处理单元。 这个中心单元是解决方案的核心，很少有专业的解决方案提供商。
从实施一个雾网络中可以了解到：
这并不是很简单，需要知道和理解很多事情。构建软件，或者说在物联网上所做的，是更直接和开放的。 而且，当把网络当成一道屏障时，它会降低速度。
对于这样的实现，需要一个非常大的团队和多个供应商。 通常也会面临供应商的锁定。
OpenFog是一个由**业内人士开发的专为雾计算架构而设计的开放雾计算框架。 它提供了用例，试验台，技术规格， 还有一个参考体系结构。
3. 物联网边缘计算
物联网是关于捕捉微小的交互作用，并尽可能快地做出反应。 边缘计算离数据源*近，能够在传感器区域应用机器学习。 如果陷入了边缘和雾计算的讨论，应该明白，边缘计算是所有关于智能传感器节点的应用，而雾计算仍然是关于局域网络，可以为数据量大的操作提供计算能力。
像微软和亚马逊这样的行业巨头已经发布了 Azure IoT Edge 和 AWS Green Gas，用于提高物联网网关和传感器节点上的机器智能，这些网关和传感器节点拥有良好的计算能力。 虽然这些都是非常好的解决方案，可以让工作变得非常简单，但是它显著地改变了从业者所知道和使用的边缘计算的含义。
边缘计算不应该要求机器学习算法在网关上运行来构建智能。 2015年，Alex 在 ECI 会议上谈到了嵌入式人工智能在神经记忆处理器上的工作：
真正的边缘计算将发生在这样的神经元装置上，它们可以预装机器学习算法，服务于单一的目的和责任。 那会很棒吗？ 让我们假设仓库的结束节点可以对很少的几个关键字符串执行本地 NLP，这些关键字符串构成密码，比如“芝麻开门”！
这种边缘设备通常有一个类似神经网络的结构，所以当加载一个机器学习算法的时候，基本上就是在里面燃烧了一个神经网络。 但这种燃烧是永久性的，无法逆转。
有一个全新的嵌入式设备空间，可以在低功率传感器节点上促进嵌入式边缘智能。
4. 物联网的 MIST 计算
可以做以下事情来促进物联网的数据处理和智能化：
基于云计算的模型
基于雾的计算模型
边缘计算模型
这里有一种计算机类型，它补充了雾和边缘计算，使它们变得更好，而不需要再等上年。 可以简单地引入物联网设备的网络功能，分配工作负载，既没有雾也没有边缘计算提供的动态智能模型。
建立这种模式可以带来高速的数据处理和智能提取的设备，具有256kb 的内存大小和 ～ 100kb / 秒的数据传输速率。 对于 Mesh 网络，肯定会看到这样一个计算模型的促进者，会有人提出一个更好的基于 MIST 系统的模型，可以很容易地使用它。
更多资讯：台达变频器
