雾计算：物联网与分析的新平台

### 雾计算：物联网与分析的新平台 #### 1. 智能交通灯系统与风电场用例 在实际应用中，雾计算展现出了强大的适应性和实用性。以智能交通灯系统（STLS）为例，它具有以下显著特点： | 属性 | 详情 | | ---- | ---- | | 移动性 | 无相关体现 | | 地理分布 | 广泛（跨区域）且密集（十字路口和匝道入口） | | 低/可预测延迟 | 在十字路口范围内要求严格 | | 雾 - 云交互 | 不同时间尺度的数据（十字路口的传感器/车辆数据、不同收集点的交通信息） | | 多机构编排 | 运行系统的机构必须实时协调控制律政策 | | 一致性 | 收集点之间需要一定程度的一致性以获取准确交通状况 | 智能交通灯系统的应用场景广泛，可用于分析不同政策对交通的影响、监测城市污染物以及研究交通趋势和模式。同时，雾与云的相互协作是实现这些功能的关键，二者需相互支持。 风电场也是雾计算的一个典型用例，它具备以下特点： 1. **实时分析与批量分析的交互**：在风电场运营中，需要同时进行实时数据分析以应对突发情况，以及批量数据分析以进行长期规划和优化。 2. **传感器与执行器的紧密交互**：传感器实时监测风力、风向等数据，执行器根据这些数据调整风力涡轮机的状态，形成闭环控制。 3. **广泛的地理部署**：大型风电场由多个自主且协调的模块组成，需要一个协调器来确保整体的高效运行。 现代公用事业规模的风力涡轮机配备了多个闭环控制回路，旨在提高风能捕获效率、提升电能质量并减少结构负载。风力涡轮机的功率曲线根据风速分为四个典型运行区域： 1. **区域 1**：风速低于 6m/s，可用风能与系统损耗相当，运行涡轮机不经济。 2. **区域 2**：风速在 6 - 12m/s 之间，是正常运行条件，叶片调整至最佳位置以实现风能到电能的最大转换。 3. **区域 3**：风速超过 12m/s，涡轮机功率曲线达到平台期，功率受限以避免超过安全电气和机械负载限制。 4. **区域 4**：风速超过 25m/s，涡轮机停机以避免过度运行负载。 风电场的运行还需要不同时间尺度的准确风力预测，包括每日预测用于向独立系统运营商（ISO）提交投标，每小时预测用于调整运营承诺，以及更精细的 5 分钟间隔预测以动态优化风电场运营。 风电场用例的关键要求包括： | 属性 | 详情 | | ---- | ---- | | 移动性 | 无相关体现 | | 地理分布 | 广泛且密集，但局限于风电场内 | | 低/可预测延迟 | 在涡轮机级别至关重要 | | 雾 - 云交互 | 不同时间尺度和来源的数据（天气预报、当地风力、市场条件和趋势） | | 多机构编排 | 无相关体现 | | 一致性 | 适用于风电场内可操作的风力数据 | 为了满足这些要求，风电场系统需要一个包含网络基础设施、全局控制器、中间件编排平台和数据分析的平台。网络基础设施确保子系统之间以及系统与互联网（云）之间的高效通信；全局控制器根据子系统提供的信息制定全局策略并推送给各个子系统；中间件编排平台在子系统和云之间进行协调；数据分析则处理系统产生的大量数据，包括实时分析和长期批量分析。 #### 2. 雾计算平台的关键属性 雾计算平台与云计算平台存在明显差异。雾计算平台的属性并非均匀适用于每个用例，例如移动性在智能互联车辆和互联铁路中是关键属性，但在 STLS 和风电场所用例中并无体现；多代理编排对于 STLS 至关重要，但在风电场用例中并不适用。这体现了雾计算的异构性，其目标是部署一个支持广泛垂直领域的通用平台，而非为每个垂直领域提供特定解决方案。 在多租户方面，云和雾都支持多租户，即支持多个客户端组织而互不干扰。然而，云和雾环境中客户端组织的性质存在细微差异。云的典型用户包括个人和企业，企业可能会将全部 IT 业务外包给云，或者在高峰需求期间使用云服务，以按需付费、面向任务的模式为主。而雾平台虽然也支持面向任务的计算和存储请求，但主要模式不同。在上述两个用例中，系统全年每天 24×7 运行，需求可能会有波动。物联网领域引入了新的参与者和交互方式，包括基础设施所有者、服务运营机构和服务用户。相关业务模型的开发虽然超出了本文范围，但通过 STLS 用例可以了解其中涉及的问题。例如，一个或多个机构基于服务提供商拥有的平台运行系统，不同机构运行的其他服务（如污染监测系统）也可以在同一平台上共存。在这种情况下，终端用户的概念（如过马路的行人、接近的车辆）变得模糊，服务付费方式也不明确。 #### 3. 大数据的新维度：地理分布 传统上，大数据的特征由三个维度来描述：体积、速度和多样性。然而，许多物联网用例，如 STLS、智慧城市、智能电网、互联铁路和管道监测等，本质上是分布式的。这表明有必要为大数据的特征增加第四个维度——地理分布。例如，在管道监测或城市污染水平测量中，关键不在于单个传感器产生的数据量或速率，而在于自然分布的传感器（和执行器）的数量，需要将它们作为一个整体进行管理。因此，“将处理移向数据”的需求日益增长，需要一个边缘的分布式智能平台（雾计算）来管理分布式计算、网络和存储资源。 物联网/万物互联（IoT/IoE）不仅带来了挑战，也带来了新的机遇。它要求从边缘到核心具备坚实的网络、计算和存储资源，同时需要创建一个由领域专家合作伙伴组成的生态系统，以成功开拓新兴市场。在许多用例中