物联传媒 旗下网站
登录 注册
RFID世界网 >  新闻中心  >  物联网新闻  >  正文

边缘计算+IoT云平台,物联网既要能上天,还要接地气!

作者:相关作者
来源:物女王
日期:2017-06-22 16:04:16
摘要:工业端应用超越了消费端应用,正在主导全球物联网投资,我们可以拍脑袋“负责”的预测:边缘计算会最先从工业应用落地。

      边缘计算+IoT云平台,正在成为巨头们强强联手的重头戏。比如华为的边缘计算方案EC-IoT和GE的云平台Predix合作,实现工业设备运行状态的实时监测;再比如思科的边缘计算实现与微软Azure云平台之间的互联,确保为企业提供从边缘到云端的整体性服务。

  本文则将以亚马逊刚刚推出的Greengrass为代表,揭示巨头们在互相合作之外,自己同时“修炼”边缘计算+IoT云平台能力,做到“雌雄同体”的发展思路。

  1. IoT成熟的过程,是运算能力进一步分工细化的过程

  “边缘计算”是在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的开放平台,就近提供边缘智能服务。

  需要强调的是,最新出现的“边缘计算”设备,并不是传统的网关或者控制器换个名称“滥竽充数”,而是需要满足3个必备能力:采集边缘数据、智能的运算能力和可操作的决策反馈。

  采集边缘数据 - 数据采集是边缘计算的基础,从工业设备到智能家电,一切设备都是数据的来源。

  智能的运算能力 - 基于机器学习,跨越边缘计算和云平台提供智能化的运算能力。微软、谷歌、亚马逊、IBM等巨头正在不遗余力的把机器学习能力嵌入到各个角落。

  可操作的决策反馈 - 管理层可以根据数据分析获得相关决策建议,或者由授权代表或者设备本身直接完成决策过程。

  边缘计算与集中式的传统云计算框架最大的区别在于,边缘计算采用分布式计算架构,将运算分散在靠近数据源的近端设备处理,分担云平台的工作量,而不再需要大老远把数据回传云端处理,实时性更好、效率更高、延迟最短,甚至没有网络、无法接入云端,也不会妨碍边缘设备的“贴地”计算。

  谈到边缘计算与IoT云平台之间的关系,此前行业内曾经有过不小的争论,以硅谷最知名的风投公司a16z为主的一派认为边缘计算将会“吃掉”云计算,云计算终将走向“终结”,看样子在他们手中布局了不少边缘计算项目正在找人接盘。

  贴近现实的观点是,边缘计算与云计算将会共生,成为互补,既不冲突,也不对立。边缘计算并不会最终取代云端,而是通过分布式架构,让传统的云计算框架进一步去中心化,完成运算能力的进一步分工,让原本汇聚在云端的能力向外围延伸,更加“贴地”。

  毋庸置疑,边缘计算的市场前景非常广阔:到2018年,40%的IoT数据将会通过雾计算、边缘计算在近端处理。

  根据IDC的预估,对物联网的投资将在未来3年内以15.6%的速度增长,2020年达到1.29万亿美元。其中,物联网投资由工业应用主导,包括制造业、交通运输业和公用事业。既然工业端应用超越了消费端应用,正在主导全球物联网投资,那我们就可以拍脑袋“负责”的预测:边缘计算会最先从工业应用落地。目前已有的边缘计算+IoT云平台的应用案例也大多来自工业端,进一步印证了上述观点。

  德国制造商ThyssenKrupp在全球有超过100万台电梯,他们已经在使用边缘计算+IoT云平台来预测电梯何时可能故障,并提前进行预防措施。100万台电梯连接和分析,伴随着大量的数据和与之匹配的计算能力,ThyssenKrupp利用边缘计算消化低阶的即时反馈型任务,按量付费使用的云端计算用以处理高阶决策。

  可口可乐使用边缘计算+IoT云平台来管理位于各地的新型酷炫饮料机。边缘设备可以让客户随意选择超过100种的不同饮料组合,迅速完成定制,并负责收集与消费者偏好相关的大量信息,然后通过云端与可口可乐中央数据中心共享。

  美国最新一代的列车也在使用边缘计算+IoT云平台搭配的解决方案,覆盖美国铁路网络中的20,000列车和65000英里轨道。边缘设备不断监测火车的运动数据,减少碰撞风险、提高列车的安全性,并将重要数据回传云端。

  除此以外,边缘计算+IoT云平台的组合,还可以用到传感器数据监测和分析、零售业用户的行为分析、移动数据的降噪和信息提取、金融机构的合规分析、石油/天然气等行业的远程监测和分析,以及各种相关领域。

  2. 巨头纷纷跨界,进入下半场的新赛道

  之前我曾经说过,《云计算和IoT平台之争开启“下半场”,边缘计算将成为“主阵地”》,这是Top Down的观点。就在本周,亚马逊正式推出Greengrass进军边缘计算阵地。而如果从Bottom up的观点来看,聚焦在传统边缘计算领域的企业也纷纷进军IoT云平台。“雌雄同体”的中性气质,正在物联网领域中弥漫。

  Top down之亚马逊

  亚马逊AWS在本周正式发布了边缘计算服务Greengrass,这是一种允许用户以安全方式为互联设备执行本地计算、消息收发和数据缓存的方案。

  Greengrass将AWS无缝扩展至设备端,以便于用户更加轻量的在本地操作其产生的数据,同时,制造商仍然可以使用云端进行管理、分析以及展开其他应用服务。

  借助AWS Greengrass,互联设备可以运行AWS Lambda函数、同步设备数据以及与其他设备安全通信,甚至无需连接互联网,最大程度地降低将IoT数据传输到云端的成本。用户不用再纠结于本地执行的实时性和云平台方案的灵活性,实现鱼与熊掌兼得的“美事”。

  即使在无法连接到云平台的状态下,Greengrass设备仍然可以通过本地网络,进行数据的通信与处理,等待与云平台的连接恢复之后,再把数据上传并同步到云端。

  诺基亚实验室正在测试Greengrass的性能,根据目前的结果,93%的数据可以在边缘处理,与以往集中式的云平台相比,往返时间减少了28%,延迟时间降低了39%。

  一家采矿公司已经开始使用Greengrass来评估路途的颠簸程度和路况数据,以便即使当地的网络覆盖不佳,它的运输卡车也能安全有效地通行。

  亚马逊尚未透露Greengrass服务的价格。

  Top down之谷歌

  Google也于近期发布了全新的边缘计算服务Cloud IoT Core,协助企业连接及管理物联网装置,以及快速处理物联网装置所采集的数据。Cloud IoT Core设计目的是简化数据传输来帮助用户使用谷歌云提供的数据分析和机器学习能力,并实时地将原先不可访问的操作数据可视化。

  Cloud IoT Core搭配谷歌其他云服务,比如Pub/Sub、Dataflow、Bigtable, BigQuery、Data Studio,可以提供一整套解决方案来实时地收集、处理、分析、可视化物联网数据以提高用户开发效率。

  Google Cloud IoT Core的关键特性包括:

  端到端安全:使用基于证书和TLS加密的认证方式提供端对端安全;搭载Linux、Android Things或其它操作系统的设备,只要符合Cloud IoT Core的安全需求即可获得全面的安全保障。

  便捷的数据洞察:集成了丰富的下游分析系统如谷歌大数据分析和机器学习服务。

  Serverless基础架构:在谷歌Serverless平台上不受时间与资源限制地通过水平拓展来扩大规模。

  角色权限数据管理:为不同设备部署相应的IAM角色来分配对设备和数据的访问权限。

  自动部署设备:使用REST API自动管理大规模设备注册,部署和操作。

  目前Cloud IoT Core仍属封闭测试阶段。

  Top down之微软

  今年5月,微软首席执行官萨蒂亚·纳德拉宣布:微软遇见了新世界,一个智能云(Intelligent Cloud)+智能边缘(Intelligent Edge)的世界。最新推出的Azure IoT Edge服务,是一个为物联网准备的云服务。它会用各种传感器和小型计算设备追踪工业场景中的数据,然后由微软的云和AI工具分析,通过这项功能将计算能力由云推向边缘。

  当这些边缘设备的运算分析能力越来越强,现在开始也有更多厂商将机器学习、甚至是深度学习的能力带进设备内,使得现在的边缘设备也能做到云端能做的事,应用也越来越广了。

  例如微软的Azure IoT Edge,不仅能采集和分析数据,还开始将Azure机器学习及AI认知服务带进设备端,让设备想要就近结合机器学习变得更容易多了。

  Azure IoT Edge 使得 IoT 设备能够实时运行云服务,处理数据,并与传感器和其它与之相连的设备进行通信。通过处理、分析和运行数据源,Azure IoT Edge 帮助用户做出更快、更智能的决策,同时将关键信息发送到云进一步分析来降低带宽成本。

  看完了Top down的角度,咱们再来说说Bottom up。边缘计算并不是一个全新概念,不少企业已经深耕多年,尤其以工业领域的知名企业为代表,都是擅长边缘计算的行家里手,凭借以往设备端的数据采集与控制经验,加个IoT云平台的营生,也可以得心应手。

  网关Gateway是常见的一种边缘计算设备,不过跟传统只用来搜集和转发资料的物联网网关相比,新一代边缘网关变得聪明,开始具有运算分析能力,能将靠近传感器和其他物联网设备周围搜集的数据先运算处理,让数据变少以后再回传云端。

  与传统的PLC工业控制器不同,边缘网关使用更为通用的语言编程。即使没有网络,边缘网关也能透过和其他运算设备组成一个具有分布式计算架构的本地局域网,自行接手运算,等待网络恢复后,才将处理后的资料传回云端,若是边缘设备运算能力足够,甚至可以直接在本地处理,不必再送到云端接续处理。

  智能网关的技术积累,再加上Bottom up这端正在积聚的IoT云平台实力,Top down和Bottom up两条阵线谁更具有优势,还得路遥知马力,日久见分晓。

  从现有情况分析,与Top down阵线相比,Bottom up优势在于有大量的已有设备安装基础,劣势在于边缘设备端的开放性明显不足,分析算法与机器学习能力也存在一定的缺失。

  为了弥补这些短板,Bottom up阵线的IoT云平台要么与分析算法强大的云平台对接,要么培育生态合作伙伴,将实践经验转化成应用软件,嵌入到平台的分析功能中来。

  在实际应用的过程中,Bottom up阵线的已有核心竞争力聚焦在OT(Operational Technology)工程师端,欠缺IT(Information Technology)工程师们的深度参与,无论是编程语言的阻碍,还是最新算法的领悟,都由于OT与IT之间的差异而难以逾越。

  每个问题都有解且不止唯一解,我在此拭目以待各家企业攻克难关的高招。

  Bottom up之西门子

  仅仅边缘计算还不够,工业物联网需要利用云平台来应付各种情境。西门子Simatic IOT 2000就是专为西门子云平台MindSphere和SAP Hana而设计的智能网关。

  用户可以在工厂内部对网关进行改造,以便协调不同数据源之间的通信、分析并传递数据。通过Simatic IOT 2000接入的云平台可以是MindSphere或用户首选的其它任何云。

  Simatic IOT 2000通常用于预防性机械维护,可最大限度减少生产停工风险,避免高价损失。另外,它还能对相关指标进行评估,并尽早查明即将发生的磨损。

  由于在工业领域多年的经验积累,Simatic IOT 2000保证了在工业现场恶劣环境下的可靠性,这一点能够弥补Arduino等物联网开源硬件在工业强度等级上的不足,相当于给性能强大的物联网硬件穿上一身安全服。

  至于MindSphere,则是西门子推出的一个开放IoT云平台,工业企业可将其作为数字化服务——譬如预防性维护、能源数据管理以及工厂资源优化——的基础。

  Bottom up之博世

  博世在本轮边缘计算+IoT云平台的赛局中的能量不可小觑,这是一家具备传感器、云平台和服务,三大核心IoT竞争力的公司。

  2016年3月,博世集团董事会主席邓纳尔博士在Bosch Connected World峰会上,宣布博世为其物联网服务正式推出自己的云平台。博世将通过这一平台,运行各类有助于实现未来互联愿景的应用程序,包括智能家居、工业4.0以及互联交通。

  按照博世的逻辑,给公司制造的各种家电、工业产品、车载设备等“物”加上感知设备,能够使其收集到数据。之后数据将会被传到Bosch IoT Cloud,通过软件的运算和优化,最终形成相应的服务。具体包含4个关键的技术方向:

  边缘计算和雾计算:随着设备的增多,只让云端负担全部设备的数据传输及计算是不现实的。因此在网络边缘的设备中(例如路由器),也需具备数据处理及计算能力,这样云端的压力就将得到分解。

  物联网络:指的是互联基础设施的建设,以及连接速度的优化。

  区块链:建立一个去中心化和去监管化的合约信用体系。

  人工智能:博世与NVIDIA联合发布AI车载电脑已经足够证明其对AI的重视。

  Bottom up之研华科技

  台湾嵌入式系统厂商研华科技今年也发表了一系列边缘智能服务器软硬整合解决方案(Edge Intelligence Servers),可以应用在工厂、零售、车队物流、医疗,以及环境与能源等行业。

  新一代IoT边缘智能服务器(Edge Intelligence Server,EIS)可以把不同工业协议收集起来的数据转换成MQTT协议传输到云端,然后再做数据分析或应用的处理。简单的说,研华IoT边缘智能服务器(EIS)=物联网网关+小型数据库+轻量计算与分析。

  同时,为了帮助物联网系统集成商快速开发出所需的应用系统,研华开发了一个中间件名叫WISE-PaaS,这个中间件提供传感器信息传输和远程管理控制,集成了大数据分析、物联网应用开发等工具,是云平台与IoT设备之间的桥梁。

  3. 机器学习正在“离家出走”,贴近边缘

  除了巨头们对边缘计算的青睐之外,技术的成熟度也在催化边缘计算的落地。

  以往我们认为人工智能的相关算法必须通过云端的运算能力来实现,不过现在机器学习大有从云端降落的趋势,通过边缘计算完成。

  最近苹果发布了Core ML平台,坚持不在云端实现机器学习,核心是加速在iPhone、iPad、Apple Watch上的人工智能任务,支持深度神经网络、循环神经网络、卷积神经网络、支持向量机、树集成、线性模型等。

  Core ML为设备性能进行了优化,从而减少了内存占用和功耗。严格在设备上运行能够确保用户数据的隐私,并且能保证各种应用在没有网络连接时也能够工作和响应。由于Core ML减少了很多不必要的内容,就算不在云端运行也不会性能变差。

  Core ML的推出意味着机器学习正在从云端“离家出走”,降落到边缘设备的开始。

  通过上下两集的评述,你应该已经看清了巨头的逻辑,通过培养边缘计算+IoT云平台的综合实力,提炼共性技术,跨越多个行业推出普适性的服务。

  而在实际的操作中,无论是工业领域,还是消费领域,细分市场众多,需求差异很大,梦想一步做成整体行业的独角兽简直是难于登天。这时创新企业摆正态度,找准定位,依托巨头斥资打造的物联网生态,在某个或者某几个细分领域深耕细作,不失为发展良机。

  本文的最后,附上整理表格,边缘计算并不只是巨头的天下。

人物访谈