從物聯(lián)網(wǎng)卡從業(yè)人員的視角看來，三天兩頭看見對換算更為可用和分布式架構的需求。當逐漸將物聯(lián)網(wǎng)卡與OT和IT系統(tǒng)軟件融合時，亟待解決的第一個難題是機器設備發(fā)送至網(wǎng)絡服務器的巨大信息量。 在一個加工廠智能化的情景中，將會有數(shù)以百計集成化的控制器，這種控制器每1秒轉發(fā)3個數(shù)據(jù)資料點。絕大多數(shù)的控制器數(shù)據(jù)在5秒左右以后就徹底無用了。 數(shù)以百計控制器，好幾個網(wǎng)關ip，好幾個系統(tǒng)進程，和好幾個系統(tǒng)軟件，必須全部在一瞬間處理這些數(shù)據(jù)資料。

大部分數(shù)據(jù)處理方法的維護者都支持云模型，即老是應當向云轉發(fā)一些內容。 這都是第一種物聯(lián)網(wǎng)卡計算的基礎。

一、 物聯(lián)網(wǎng)卡的云計算模式

根據(jù)物聯(lián)網(wǎng)卡和云計算技術實體模型，大部分可以通過云促進和解決你的感觀數(shù)據(jù)資料。 給你一個攝取控制模塊，它能夠接收數(shù)據(jù)并儲存在一個數(shù)據(jù)資料庫(一個十分大的存儲芯片) ，隨后對它開展并行處理(它能夠是 Spark，Azure HD Insight，Hive，這些) ，隨后應用節(jié)奏快的信息內容來做決策。

自打逐漸搭建物聯(lián)網(wǎng)卡解決方法，如今擁有很多新的產品與服務，能夠很容易地保證這一點：

1. 能夠應用 AWS Kinesis 和 Big data lambda services

2. 能夠運用 Azure 的生態(tài)體系，讓搭建互聯(lián)網(wǎng)大數(shù)據(jù)工作能力越來越極為非常容易

3. 或是，能夠應用像 Google Cloud 商品那樣的專用工具如Cloud IoT Core

在物聯(lián)網(wǎng)卡中亟待解決的一些挑戰(zhàn)是：

1. 獨享服務平臺的使用人和公司針對有著它們的數(shù)據(jù)資料在Google，微軟公司，amazon等感到不舒服。

2. 延遲時間和互聯(lián)網(wǎng)終斷問題。

3. 增高了儲存成本費、數(shù)據(jù)資料安全系數(shù)和耐受性。一般，互聯(lián)網(wǎng)大數(shù)據(jù)框架結構不能夠建立一個可以滿足數(shù)據(jù)資料要求的大中型攝取控制模塊。

二、面向物聯(lián)網(wǎng)卡的霧計算模式

根據(jù)霧計算，能夠變得越來越強勁。霧計算是使用當?shù)靥幚韱卧螂娔X，而并不是將數(shù)據(jù)資料一路發(fā)送至云空間并等候網(wǎng)絡服務器解決和響應。

4-5年里，還沒像 Sigfox 和 LoraWAN 那般的無線網(wǎng)絡解決方法，BLE都沒有mesh或遠程控制作用。因而，務必使用更價格昂貴的網(wǎng)絡解決方案，以保證可以創(chuàng)建一個安全性，長久的聯(lián)接到數(shù)據(jù)資料處理單元。 這一核心模塊是解決方法的核心，很少有技術專業(yè)的解決方法服務提供商。

從實行一個物聯(lián)網(wǎng)卡霧計算能夠掌握到：

這并非簡單的事，必須了解和理解許多事兒。搭建設備軟件，也就是說在物聯(lián)網(wǎng)卡上所做的，是更立即和對外開放的。 并且，當把網(wǎng)絡當做一道天然屏障時，它會減少速率。

針對這樣的實際情況，必須一個十分大的精英團隊和好幾個經(jīng)銷商。 一般也會面臨經(jīng)銷商的鎖定問題。

OpenFog是一個由知名行業(yè)內人士開發(fā)設計的致力于霧計算構架而設計方案的對外開放霧計算框架結構。 它出示了用例，實驗室中央臺，技術性規(guī)格型號， 還有一個參照系統(tǒng)架構。

三、 物聯(lián)網(wǎng)卡邊緣計算模式

物聯(lián)網(wǎng)卡是有關捕獲細微的交互作用，并盡量快地作出反映。 邊緣計算離數(shù)據(jù)庫近期，可以在控制器地域運用深度學習。 假如深陷了邊沿和霧計算的探討，應當搞清楚，邊緣計算是全部有關智能傳感器連接點的運用，而霧計算依然是有關局域網(wǎng)絡，能夠為信息量大的實際操作出示數(shù)學計算。

像微軟公司和amazon那樣的制造行業(yè)大佬早已公布了 Azure IoT Edge 和 AWS Green Gas，用以提升物聯(lián)網(wǎng)卡網(wǎng)關ip和控制器連接點上的設備智能化，這種網(wǎng)關ip和控制器連接點有著優(yōu)良的數(shù)學計算。 盡管這種全是很好的解決方法，能夠讓工作中越來越比較簡單，可是它明顯地更改了從業(yè)人員所了解和應用的邊緣計算的含意。

邊緣計算不應當規(guī)定機器學習算法在網(wǎng)關ip上運作來搭建智能化。 2015年，Alex 在 ECI 大會上提到了內嵌式人工智能技術在神經(jīng)系統(tǒng)記憶力CPU上的工作中：

真實的邊緣計算將產生在那樣的神經(jīng)細胞設備上，他們能夠自帶機器學習算法，服務項目于單一的目地和義務。 那會非常好嗎? 我們一起假定庫房的完畢連接點能夠對非常少的好多個重要字符數(shù)組實行當?shù)?/span> NLP，這種重要字符數(shù)組組成登陸密碼，例如"芝麻開門"!

這類邊沿機器設備一般有一個相近神經(jīng)元網(wǎng)絡的構造，因此當載入一個機器學習算法的那時候，大部分就是說在里邊點燃了一個神經(jīng)元網(wǎng)絡。 但這類點燃是永久的，沒法大逆轉。

有一個全新升級的內嵌式機器設備室內空間，能夠在低輸出功率控制器連接點上推動內嵌式邊沿智能化。

四、物聯(lián)網(wǎng)卡的 MIST 換算模式

能夠做下列事兒來推動物聯(lián)網(wǎng)卡的數(shù)據(jù)處理方法和智能化系統(tǒng)：

1. 根據(jù)云計算技術的實體模型

2. 根據(jù)霧的換算實體模型

3. 邊緣計算實體模型

這兒有一種電腦種類，它填補了霧和邊緣計算，使他們越來越更強，而不用再等去年。 能夠簡易地引進物聯(lián)網(wǎng)卡機器設備的互聯(lián)網(wǎng)作用，分派工作中負荷，既沒有霧都沒有邊緣計算出示的日常動態(tài)智能化實體模型。

中億物聯(lián)網(wǎng)認為創(chuàng)建這類方式能夠產生髙速的數(shù)據(jù)處理方法和智能化獲取的機器設備，具備256kb 的內存和 ～ 100kb / 秒的數(shù)據(jù)資料傳輸率。 針對 Mesh 互聯(lián)網(wǎng)，毫無疑問會看見那樣一個換算實體模型的促進者，會許多人明確提出一個更強的根據(jù) MIST 系統(tǒng)軟件的實體模型，能夠非常容易地應用它。