在過去的幾十年中，從內部部署軟件到雲計算已經發生了巨大轉變。通過在雲端存儲數據和執行計算過程，我們已經能夠在手機、個人計算機或物聯網設備上完成更多工作，但無需增加相應的額外內存或計算能力。然而，在物聯網逐漸普及的背景下，我們即將看到事情將開始向另一個方向發展。
這種變化有很多原因，包括在某些應用中需要極低的延遲，例如自動駕駛汽車。將計算能力轉移到更靠近網絡邊緣能降低成本並提高安全性。
專注於微軟物聯網戰略的Matt Vasey表示：
“霧計算和邊緣計算的理想用例，包括在要求超低延遲且至關重要的邊緣部署計算智能，在地理上分散且連接不規則的區域中運行，或產生TB級的數據而無法快速實時地在本地和雲之間傳輸。”
什麼是霧計算與邊緣計算
先簡單說說二者的基本概念。
霧計算（Fog Computing）
這個概念由思科在2011首創，是相對於雲計算而言的。它並非是些性能強大的服務器，而是由性能較弱、更為分散的各種功能計算機組成，滲入電器、工廠、汽車、街燈及人們生活中的各種物品。
簡單點說，它拓展了雲計算（Cloud Computing）的概念，相對於雲計算它離產生數據的地方更近，數據、數據相關的處理和應用程序都集中於網絡邊緣的設備中，而不是幾乎全部保存在雲端。這裡因“雲”而“霧”的命名源自“霧是更貼近地面的雲”這句話。
邊緣計算（Edge Computing）
它進一步推進了霧計算中“局域網處理能力”的理念，但實際上邊緣計算的概念提出比霧計算還要早。邊緣計算的起源可以追溯到上個世紀90年代，當時Akamai公司推出了內容傳送網絡(CDN)，該網絡在接近終端用戶設立了傳輸節點，這些節點能夠存儲緩存的靜態內容，如圖像和視頻等。
邊緣計算的處理能力更靠近數據源，其應用程序在邊緣側發起，產生更快的網絡服務響應，滿足行業在實時業務、應用智能、安全與隱私保護等方面的基本需求。邊緣計算處於物理實體和工業連接之間，或處於物理實體的邊緣末端。
霧計算與邊緣計算有許多相似之處
術語“霧計算”（Fog Computing）和“邊緣計算”（Edge Computing）似乎或多或少可互換，並且它們確實有幾個關鍵的相似性。
- 霧計算和邊緣計算系統都將數據處理轉移到數據生成源頭；
- 二者都試圖減少發送到雲端的數據量，以降低延遲；
- 通過以上策略，二者都可以改善遠程關鍵型應用程序中的系統響應時間，提高系統安全性，因為減少了通過公共互聯網發送數據的需求，並降低了成本。
某些應用程序可能會收集大量數據，這些數據被髮送到中央雲服務的成本很高。但是它們收集的數據中可能只有少量是有用的。如果在網絡邊緣進行某些處理並且僅將相關信息發送到雲，則可以有效降低成本。
例如安全攝像頭，將24小時視頻發送到中央服務器將是非常昂貴的，其中23個小時可能只是一個空蕩蕩的走廊。如果使用邊緣計算，您可以選擇僅發送實際發生某事的那一小時。
霧計算和邊緣計算都涉及處理更接近原點的數據。關鍵的區別在於處理發生的確切位置。
霧計算與邊緣計算的使用方式不同
我們可以看到，這兩種技術非常相似。霧計算過程發生在局域網（LAN）級網絡架構上，使用與工業網關和嵌入式計算機系統交互的集中式系統。而邊緣計算處理的大部分數據來源於所在的物聯網設備本身。
為了區分它們，讓我們考慮智能城市的用例。
想象一下配備了智能交通管理基礎設施的智能城市，交通信號燈上連接了一個傳感器，可以檢測到交叉路口每側有多少車輛在等待，並優先為最大等待數量的車道轉動綠燈。這是一個相當簡單的計算，可以使用邊緣計算在交通燈本身中執行。這減少了需要通過網絡發送的數據量，從而降低了運營和存儲成本。
現在，想象一下這些交通信號燈是連接對象網絡的一部分，包括更多交通信號燈，行人過路處，汙染監視器，公交車GPS跟蹤器等等。
關於是否在五秒鐘或十秒內將交通信號燈變為綠色的決定變得更加複雜。也許有一輛公共汽車在交叉路口的一側遲到了，也許開始下雨了，為了鼓勵居民更積極地旅行，該市決定在下雨時優先考慮行人和騎自行車的人。附近是否有人行橫道或自行車道？有人用嗎？在下雨嗎？等等問題。
在這種更復雜的情況下，計算的判斷邏輯也會更復雜一些，此時我們可以在本地部署一個微型數據中心，以便分析來自多個邊緣節點的數據。這些微型數據中心就像局域網內的本地迷你雲一樣，被認為是霧計算。
那麼，哪種方式“更好”呢？
根據Million Insights最近的一份報告，到2025年，全球邊緣計算市場規模預計將達到約32.4億美元。隨著物聯網的不斷髮展和生產的更海量的數據，處理接近生成點的數據將變得勢在必行。
邊緣計算和霧計算將在物聯網的未來都將發揮重要作用。是使用邊緣計算還是霧計算，其實並不太重要，這將取決於具體應用和特定用例。像許多物聯網應用的考慮因素一樣，例如選擇哪種類型的連接，答案不是非黑即白。霧計算或邊緣計算哪種“更好”，將取決於具體物聯網應用及其要求和期望的結果。
閱讀更多 EdgeAITech 的文章
