在数字化时代，云计算的概念已经深入人心，我们习惯了把照片、视频、文件存储在“云端”，享受来自远程服务器的强大算力。然而，随着物联网、自动驾驶、智慧城市、工业互联网等领域的迅速崛起，传统云计算架构逐渐显露出局限性。尤其在实时性要求极高的应用中，云计算的延迟问题成为了瓶颈。于是，一种新的计算模式诞生，它就是雾计算。
雾计算是云计算的延伸，但更靠近终端设备（图片来源：[2]）
为什么会“起雾”？云计算的不足
要理解雾计算，首先要从云计算的局限性谈起。云计算的基本思想，是将数据集中上传到远端的数据中心进行处理，再将结果返回给用户。这样做的优势显而易见，资源集中管理、弹性扩展、成本降低，都是云计算带来的好处。然而，当物联网设备大规模普及，问题随之而来。
云计算的概念（图片来源：[3]）
以自动驾驶为例，一辆车每秒钟会产生大量传感器数据，包括摄像头画面、雷达信号、道路状况等。如果这些数据全部传输到云端，再由云服务器计算并下发指令，整个过程可能会耗费数百毫秒甚至更长时间，这在高速行驶的场景下几乎不可接受。自动驾驶的决策必须在几十毫秒内完成，否则可能发生危险。此外，每辆车每天可能会产生数百GB的数据，完全上传到云端不仅增加带宽压力，也会带来巨额的通信成本。
车载雾计算（图片来源：[6]）
这不仅仅是汽车的问题，在智慧城市、工业自动化、医疗健康等场景中，同样存在对低延迟的极致要求。如果继续沿用云计算的模式，将导致系统响应迟缓，甚至影响安全。于是，业界开始思考：能不能让计算“下沉”，从云端靠近用户，甚至靠近数据产生的源头？这就是雾计算提出的初衷。
雾计算是什么？“云”和“端”之间的新层
雾计算这个概念最早由思科提出，灵感来源于自然界的现象：云靠近地面时，会形成雾。与此对应，雾计算就是把云端的计算和存储能力部分下移，在网络边缘部署大量的计算节点，让数据可以在距离最近的地方得到处理。它位于云计算和终端设备之间，成为连接二者的重要桥梁。
云计算、雾计算以及边缘设备间的关系（图片来源：[5]）
简单来说，雾计算是一种分布式的计算模式，将任务分散到网络边缘的设备中，如基站、路由器、工业网关或小型服务器，从而缩短数据传输路径，降低延迟，提升实时性。相比之下，边缘计算更“接地气”，通常直接在设备端完成计算，而雾计算则是对边缘计算的扩展，它不仅处理局部数据，还负责在更广泛的区域内进行协作和资源调度。
雾计算如何运作？
为了让这个概念更直观，我们可以设想这样一个场景：你的家中有一台智能摄像头，它的任务是识别是否有人入侵。如果采用传统云计算方式，摄像头会把视频上传到远端服务器，由云端AI模型分析后再返回结果。这一过程可能需要数百毫秒，甚至在网络不稳定时延迟更长。对于安全场景来说，这显然不够理想。
采用边缘-雾-云计算范式的分层智能监控系统层级（图片来源：[7]）
引入雾计算后，摄像头的数据可以先传输到离你最近的通信基站，或者运营商部署在小区的边缘服务器上。这些雾节点中运行着轻量级的AI算法，可以快速识别视频画面中的异常情况。如果检测到有人闯入，雾节点立即发出警报，而不是等云端分析结果返回。整个过程可能只需要几十毫秒，大大提升了响应速度，同时也避免了海量视频数据长距离传输，节省了带宽。
雾计算的技术特征与应用
雾计算不仅仅是“把计算搬近一点”，它还具备一些独特的特征。首先，它采用分布式架构，节点分布在网络边缘，可以在局部实现自治，即使云端不可用，系统仍能保持运行。其次，雾计算形成了多层次的数据处理机制，设备本地负责最简单的计算，雾节点处理实时性强的任务，而云端则专注于存储和复杂分析。此外，由于雾节点硬件种类繁多，如何调度这些异构资源，成为雾计算面临的一大挑战。
雾计算的优势与应用（图片来源：[2]）
雾计算的应用场景极为广泛。
自动驾驶
自动驾驶是最典型的例子，路边部署的雾节点可以实时处理车辆和路况数据，避免交通事故。
智慧城市
智慧城市中的交通信号灯控制、安防监控，都可以通过雾计算实现低延迟响应。
工业领域
工业领域的智能工厂更是离不开雾计算，因为生产设备需要毫秒级的控制信号，一旦延迟过高，可能导致生产线停工甚至发生事故。
医疗健康
医疗健康也是重要的应用方向，远程手术、患者实时监护都对延迟极为敏感，雾计算能确保医生与患者之间的实时交互。
基于雾计算的智能仓库网络架构（图片来源：[1]）
如果说云计算让我们摆脱了本地硬件的束缚，开启了互联网服务的新时代，那么雾计算则让智能真正“接地气”，把计算和处理能力带到我们身边，让智能服务不仅强大，而且迅捷。在未来的智慧城市、自动驾驶、医疗和工业场景中，雾计算将成为看不见却不可或缺的幕后功臣。
参考文献
[1]陈雷.雾计算环境下的仓储物流优化研究[D].太原理工大学,2021.
[2]Atlam H F, Walters R J, Wills G B. Fog computing and the internet of things: A review[J]. big data and cognitive computing, 2018, 2(2): 10.
[3]https://mp.weixin.qq.com/s/Y-46vekmhYvt6hpt6wPF8g
[4]https://mp.weixin.qq.com/s/_mzm8ZQqRZ9mlMGFo1yfKQ
[5]https://taikun.cloud/difference-between-edge-computing-and-fog-computing/
[6]https://medium.com/analytics-vidhya/vehicular-fog-computing-communication-without-lag-3c2452f4885b
[7]Nikouei S Y, Chen Y, Aved A J, et al. I-vise: Interactive video surveillance as an edge service using unsupervised feature queries[J]. IEEE Internet of Things Journal, 2020, 8(21): 16181-16190.
图片源自于网络，仅供科普参考
来源：力学科普
编辑：ThymolBlue
转载内容仅代表作者观点
不代表中科院物理所立场
如需转载请联系原公众号
热门跟贴