【中國傳動網 市場分析】 2017年初，Gartner預測2018年全球連接設備的數量將為84億。但如今，這一數量近乎翻了一倍——據Statista2018年最新統計數據顯示，2018年全球連接設備的數量將超過230億。

Statista2018還顯示，2015年至2025年全球連接設備的數量將從15億將增加750億。從2017年起，整個物聯網市場預計每年價值超過10億美元。

2015年至2025年全球安裝的物聯網連接設備（單位：10億美元）

數據及圖片來源：Statista2018

在2017年，關于物聯網的重大新聞不斷——數百家物聯網初創企業獲得了數十億美元的資金；政府和世界組織在工業4.0的背景下采用顛覆性的物聯網創新；領先的物聯網軟件平臺提供商鞏固了自己的地位，并引入了全新的解決方案和策略，將物聯網整合到各個行業和市場中。

2018年即將結束，為大家呈現我們觀察的2018年物聯網四大關鍵趨勢。

▌趨勢1：物聯網平臺被大規模采用

根據ForresterWave研究，企業決策者正在迅速意識到物聯網帶來的機遇。其研究顯示，60%的決策者已經使用或計劃在未來兩年內使用物聯網。

然而，在新興技術和協議的規范和標準化之初，采用物聯網是復雜的。通常情況下，我們似乎處于盲目狀態。根據ForesterWave的說法，今天的決策者必須處理“硬件、協議、軟件、應用和分析解決方案的碎片集”。這些問題持續地減緩了物聯網的采用。

同時，IBM、Amazon、思科、GE和其他巨頭們的物聯網軟件平臺也提供出了多層的解決方案，簡化了物聯網基礎設施和企業數據的設計、創建、集成和管理。這些多功能解決方案解決了剩余的問題，并幫助公司和政府大規模地構建、安全、連接和管理支持物聯網的技術。

圖片來源:MicrosoftBlog

此外，平臺之間的競爭激勵也在持續改進和創新。今天，AWS物聯網推出了在邊緣設備上運行訓練有素的機器學習模型的技術。IBMWatson物聯網平臺提供了強大的認知能力。而MicrosoftAzureIoTSuite則為設備管理提供了新的開發人員友好的特性，這使得將連接設備集成到企業基礎設施更加簡單。

到2018年為止，我們已經看到了物聯網軟件平臺的發展，以及硬件操作管理、安全性、預測性維護和資產跟蹤的打包應用程序的廣泛采用。

▌趨勢2：物聯網與AR、人工智能和機器學習協同應用

沒有一項技術是在真空中發展起來的，大量的物聯網應用及平臺生態集成了機器學習、圖像識別、增強現實和區塊鏈技術。

這些項目數不勝數。IOTA（一家區塊鏈創業公司）與主要的物聯網公司合作，提供智能設備之間微支付交易的安全性。ZPARR公司AR技術與物聯網平臺合作，可以將增強現實融入到智能設備的日常應用中，為企業和消費者增加價值。例如Zappar推出物聯網與AR的組合產品，消費者可以用智能手機與汽水罐進行交互，比如掃描二維碼后觀看AR動畫。Zappar的這個增強現實的物聯網ZapWorks正在被雅芳化、德勤、洲際酒店集團，可口可樂、三星、沃達豐等公司使用。

預測性維護是物聯網在制造業市場最有前途的應用之一，其整個概念建立在將機器學習集成到物聯網基礎設施的基礎之上。在機器學習算法的幫助下，實時和遺留數據的筒倉變成了洞察力和預測模型，使操作人員能夠預見機器的磨損、自動維護、防止故障，以及明顯地降低成本。

今年，我們看到很多單點智能技術與物聯網協同或者多個技術與物聯網協同應用案例。智能技術與物聯網平臺的協同應用，一方面來自企業之間的并購，如PTCIoT平臺ThingWorx和ARSDKVuforia；一方面來自企業內部開發，如IBMWatson自然語言識別、機器學習與IBMIoTWatson平臺的協同。

▌趨勢3：優化數據

數據是支持物聯網系統和服務的重要因素。然而，只有精心準備、干凈、格式化和可索引的數據才能成為有價值的數據。根據數據科學家的觀點，從異構數據中獲得分析洞察力的工作80%是乏味的。因此，并不是每一個將IOT技術引入到其操作和過程中的公司都會得到最好的數據。

在這方面，我們期望看到新的數據智能、數據應用和貨幣化的不同方法。

去年，IOTA公司提出了建立“數據市場”的倡議，在這個市場中，任何連接的設備或傳感器都可以以很小的費用安全地購買有價值的數據。

這種數據經濟將催生數十億規模的物聯網企業，他們可以支持更低成本和更有價值的數據。換言之，這些物聯網企業將為政府和各行業，提供更精準的數據、更豐富的洞察，更全面的分析，以及將數據貨幣化的機會。

數據“革命”從2018年開始加速。思科、Orange、戴姆勒、埃森哲、德意志電信、EWE、Tine、普華永道、施耐德電氣、DNVGL等一系列公司正在逐步增加他們以數據為中心的實踐。IOTA的創始人之一DavidSnsteb說：“數據將成為新型研究模式、人工智能和數據開放進程的催化器。”

▌趨勢4：面對物聯網安全挑戰

安全仍是整個物聯網生態系統中最大的問題。移動生態系統論壇的研究指出，“全球60%的用戶擔心他們的連接設備被破壞，62%的用戶認為隱私是物聯網的主要問題。”

多層物聯網系統存在安全問題。企業數據傳輸和個人數據共享都是主要問題。其他問題領域包括支付交易安全和硬件層安全性。

如今，個人移動設備的生物識別已經無處不在。我們可以期待連接的設備接受先進認證的好處。例如，2018年，亞馬遜Alexa應該學會如何識別多達10個聲音。使用此功能，虛擬助手能夠對連接的設備和IOT服務進行獨立訪問。

在物聯網生態系統中無障礙支付的背景下，基于區塊鏈和纏結的技術（Tangle-based）將是安全交易的核心。2018年，隨著自動支付交易量的增長，安全的問題更為集中。

面向客戶的物聯網工具和服務的制造商仍然需要解決的另一個問題，即如何消除客戶的恐懼和隱私問題。例如，LockState（一家基于WiFi的智能鎖公司）通過引入用戶熟悉的認證技術描述——“銀行級加密”這一術語來解決這個問題。

LockState的智能鎖——基于云的訪問控制儀表板

圖片來源：LockState

這個簡單的安全技巧只適用于一個設備。然而，物聯網的設計師和工程師仍然要大規模解決智能住宅、自動化工廠和智能城市的安全問題。

整個物聯網生態系統數據的安全性可能是2018年物聯網面臨的主要挑戰。一方面，這些數據的應用具有很大價值，幫助解決全球生態、政治、經濟和醫療問題。另一方面，對數據的操縱可能會危及工業、經濟甚至整個國家的安全。

預計到2030年，物聯網將為全球GDP增長貢獻10-15萬億美元。這個龐大的市場預計比去年翻一番，改變整個行業，優化商業運營，重塑我們今天所熟知的消費者旅程。關注物聯網的發展浪潮，觀察2018年關鍵物聯網趨勢，是跟上這一轉變步伐并積極參與建設未來的有效途徑。

霧計算+IoT及未來研究方向

隨著普適化智能終端以及泛在化網絡技術的快速發展，諸如物聯網、智慧城市、智能電網、虛擬/增強現實、無人駕駛等新型網絡應用和服務不斷涌現。

上述技術和應用的發展需求，已經難以由以集中式計算和存儲為主要特征的云計算滿足。

因此，產業界和學術界已經開始對計算模式進行新的探索和研究。包括霧計算、邊緣計算、露計算等。

上述各種計算模式雖然是由不同的企業或者組織/聯盟從不同的出發點和角度提出來的，但是它們具有相似的基本原理和思想：原本集中部署的距離終端和用戶較遠的數據中心，被延伸到了距離用戶較近的網絡邊緣，從而在一定程度上解決了長距網絡和異構無線網絡延遲的不良影響。

其中，霧計算的提出，主要就是為了克服云計算在物聯網場景中的不足。

物聯網設備分布的廣泛性（近乎“泛在”）以及數據處理所需要的實時性，使得傳統云計算的集中式處理和存儲面臨巨大的挑戰。

目前，物聯網正從簡單的物與物連接向“智能化”方向轉型。大數據可以幫助行業客戶對采集的數據進行分析和挖掘，使得“智能化”成為了物聯網的特性。隨著“智能化”的深入，開發者可以在智能分析的基礎上為各行業提供特色的應用與服務。

據Gartner報告預測，2020年全球智能連接數將達到1000億，市場規模達到3000多億美元，涵蓋家居安防、環境監測、能源、車聯網、工業智能制造等領域。

可見，物聯網的規模應用時機已經成熟。

物聯網應用可分為兩種類型：

第一種是事后分析型，即通過物聯網終端采集數據，并通過專用網絡或公網傳送到云端，在云端與大數據結合進行數據采集和分析，這種應用往往是單向的，即以采集為主，不需要反向的數據傳輸；

第二種是實時反饋型，即不僅通過物聯網終端進行數據采集和分析，還需要在反向進行實時的反饋，這類應用往往對時延和可靠性有更高的要求。

目前的物聯網架構仍然是以云為中心，主要特征是終端到云的通信，并在云端進行數據分析，也就是以事后分析型應用為主。

而隨著物聯網的發展，實時反饋型應用需求會更多，目前以云為中心的架構顯然不能滿足此類應用的需求。

從而，學術界和產業界提出把霧計算應用于物聯網以使能其“智能化”。

可以說，霧計算的發展，本質上是來自于物聯網的需求和驅動。

但是，目前關于霧計算的定義，截至目前并不統一，業界尚未達成共識。

霧計算的定義，最早由思科公司在2011年提出（參見文獻[1]）。2012年，思科公司又在MCC（移動云計算）會議上以論文形式對“霧計算”進行了較詳細的闡述（參見文獻[2]）。思科在文獻[2]提出的霧計算定義如下：

“霧計算是一個在終端設備和傳統云計算數據中心之間提供計算、存儲、網絡服務且又不完全位于網絡邊緣的高度虛擬化平臺。”

思科在文獻[2]還給出了基于霧計算的IoT應用的理想模式和計算體系結構：

圖1物聯網和霧計算

上圖中，第1層（物聯網）是由傳感器等嵌入式設備或系統組成的智能物聯網層，主要完成數據和信息的采集；

第2層（霧）是由諸多霧服務器組成的邊界服務層，完成數據的初步處理；

第3層（云）是由諸多服務器構成的核心服務層，完成對數據的最終核心分析和應用。

從上述定義可以看出，思科在文獻[2]中認為，霧計算是云計算的一種擴展，但同時并不是對于云計算的簡單擴展---而是霧計算為了適應物聯網應用所需的位置服務、上下文感知等引入了一些特殊的性質和特征，比如：①位于網絡邊緣位置，位置感知，低延遲；②地理位置的廣泛分布；③支持內在需要分布式計算和存儲資源的大規模傳感器網和智能電網等；④支持節點異構和移動；⑤支持超大規模的網絡節點；⑥實時交互；⑦無線訪問為主；⑧支持服務提供者的互操作和聯盟；⑨支持在線分析以及與后端云計算的結合。

可見，思科公司上述對于霧計算定義只是對云計算在物聯網應用中遇到的問題進行了分析，并簡單地把云計算的虛擬化平臺“下沉”到網絡邊緣設備上。

為了進一步完善對霧計算的理解以推動相關產業發展，思科、ARM、戴爾、Intel、微軟、普林斯頓大學邊緣計算實驗室于2015年11月聯合發起成立了OpenFog聯盟，截至目前已經發展了來自15國家的53個成員單位。

OpenFog聯盟對霧計算的定義為：是一個把計算、存儲、控制、網絡資源/服務部署在從云到物之間的任何地方的系統級的水平體系結構。

可見，這一定義還是把霧計算的應用主要集中在物聯網，只不過在端與云的連接通路上進行了服務提供的連續化。

其他研究人員和組織還對霧計算的含義進行了自己的闡釋或者延伸，可進一步查閱文獻[3-5]。

雖然業界尚未對“霧計算”的定義達成共識，但可以肯定的是，霧計算是把數據采集、數據處理和應用分析集中到網絡邊緣的設備上從而滿足實時反饋型物聯網應用對于時延等的嚴苛需求。

在物聯網中，很多垂直行業應用都需要及時的反饋和對終端的控制指令下達，也就是實時反饋型物聯網應用，這類應用對于時延、可靠性、安全的要求更高。特別是在工業互聯網和車聯網場景下，云端處理的方式不能滿足延時與可靠性要求，還存在更多的安全漏洞。

由此，對于實時反饋型物聯網應用，可以采用分級處理：

第一級處理靠近場景的邊緣，及時處理本地數據并實時反饋，處理結果分析和匯總可以在云端進行；第二級處理則在云端進行，處理結果可以根據策略反饋給第一級的邊緣處理節點。

為了滿足上兩級處理的架構，可以在邊緣節點上引入霧計算，要求邊緣的節點能夠解決處理時延的問題，滿足時延敏感的應用需求，并且邊緣節點需要考慮應用的存儲容量、數據流量、計算分布。

這樣，與物聯網傳統3級架構（感知層、網絡層和平臺層）不同的是，新的架構則是通過在物聯網網關處引入具備存儲、計算、路由能力的霧計算平臺，實現霧計算與物聯網傳統3級架構的融合，實現“邊緣智能化”。

可見，霧計算的未來研究方向之一是“霧-云協作”。霧并非云的替代，兩者應該協同工作。對于一項業務而言，何時真正需要中間件（霧），何時僅需要云，目前仍然是一個待解的開放式問題。

此外，除了“霧-云協作”，文獻[6]（2018年5月出版）還給出了接下來霧計算的其他未來研究方向，包括服務的水平與垂直可擴展性、霧伸縮、基于霧的定制應用、移動霧計算的“移動性”、霧聯盟-霧間資源共享、能耗與通信效率之平衡、本地數據存儲之周期、存儲安全與通信安全、語意認知霧計算，可進一步查閱研究。