近日，物聯網開發平臺「 機智云 」正式發布了其 4.0 版本，新版本在原有設備接入、管理和服務功能之外增加了「ECE邊緣計算引擎」「RTBD實時大數據平臺」「Giga ML吉咖機器學習」「D3動態數據編排引擎」四個新產品。據悉，此次發布的四種新產品采用「霧計算」與云計算相結合的技術，組成大規模物聯網大數據和機器學習體系，幫助物聯網產品和服務研發者降低產品開發部署和維護難度。

「霧計算」是什么

「霧計算（Fog Computing）」概念 2011 年由思科提出，在霧計算模式中，數據、數據處理和應用程序集中在網絡邊緣設備當中，而不是全部儲存在云里。霧計算是云計算概念的延伸，它并非由性能強大的服務器組成，也不具備強大的計算能力，而是由性能相對較弱、更為零散分部的計算設備組成。

霧計算是介于云計算和個人計算之間的半虛擬化服務計算架構模型，常被應用于工廠、汽車、電器等日常生活用品當中。云計算強調整體計算能力，一般由一些集中地高性能計算設備完成計算，霧計算則強調數量，不管單個計算節點多弱都要發揮作用，因此具有低延時、位置感知、更為廣泛的地理分布、適應移動性應用、支持更多邊緣節點等特征。這些特征使得移動業務部署更加方便，也讓霧計算更適合物聯網發展。

機智云 CEO 黃灼告訴TECH2IPO/創見：「從前的互聯網是由 PC 和服務器組成的，PC 和服務器都具有比較強的計算能力，到了移動互聯網時代，手機其實也有很強的計算能力。但到了物聯網時代，一個花瓶一個桌子一個燈都是一個節點（節點的計算能力就相對較弱了）。現在大部分物聯網架構都是把這些設備數據采到云端進行運算，并作出決策，但設備端數據采樣率遠高于往云端扔數據的速度，特別是一些低功耗速率的設備。」

引入霧計算概念方面，黃灼在專訪中向記者表示：「引入霧計算概念是把云端服務器能力釋放到一些路由器、網關層面上，讓這些有處理能力的設備去支撐這些『笨設備』。我們更進一步，采用腳本語言定義的微應用，專門做數據處理、協議轉換、進程之間和設備之間的互聯互通，將程序和云端結合起來，實時把運算和應用部署到霧節點，設備不用重啟、不用 OTA 馬上就見效了。霧計算并不會取代云端，云端還是會把數據匯總，但霧計算會配合和放大云端的匯總能力，讓運算規模跟數據采集規模都大大提升，效率和相應速度也大大提升。」

機智云4.0如何應用「霧計算」

此次，機智云 4.0 應用霧計算與云計算相結合的技術發布了四款新產品。

ECE（Edge Computing Engine）邊緣計算引擎

ECE 邊緣計算引擎 是運行在設備通信模組或近場通信網關上的微應用容器，提供霧計算的運行環境，協調程序和底層硬件環境的關系。ECE 和云端微應用管理及分發機制組成了機智云的「霧計算」層。微應用由開發者自行定義，以輕量級對腳本語言（JavaScript，Lua，Python等）構成。腳本可以根據云端的管理機制實時更新和加載，無需重啟設備和 OTA 固件升級。開發者可以直接在云端編寫各種腳本，ECE 下載到微應用容器中，動態加載這些腳本代碼，實時應用到設備和數據上，從而改變設備行為，進行多樣化的本地的運算和決策，讓「端」變得更加聰明，反應速度更加快，把日漸流行的「軟件定義硬件 Software Defined Device」升級到「云端定義硬件 Cloud Defined Device」。

RTBD（Real Time Big Data）實時大數據平臺

RTBD 實時大數據平臺是專門為物聯網應用而生的實時大數據分析、處理、輸出平臺。RTBD 特別適用于存儲和計算物聯網行業最常見的基于時間序列的數據（Time Series Data） 和實時的流數據（Streaming Data）。基于搜索引擎技術，RTBD 存儲量大（可達 EB 級）, 內置強大的實時運算能力，復雜的數據聚合結果可以在毫秒級輸出。RTBD 還具有多種計算引擎的整合能力可以方便地通過與 Hadoop/Spark/Storm 等計算平臺的整合完成復雜計算。人性化的管理界面讓開發者可以方便地定義數據查詢腳本，并即時生成對應的 API，使應用賦能在數據層面有質的提升。

D3（Dynamic Data Director）動態數據編排引擎?

D3 動態數據編排引擎幫助開發者快速的定義和部署個性化的數據處理業務。通過圖形化的拖拉拽交互方式，開發者可以靈活地編排數據流轉邏輯，打造個性化的數據業務系統。D3 支持第三方數據源和企業自定義的數據導入，可以通過腳本甚至機器學習的模塊來對數據進行處理。開發者定義完數據處理模型后，D3 會自動運行，動態處理數據, 并實時執行對應的動作（Action），省去編寫和部署服務端代碼的繁重工作。

Giga ML 吉咖機器學習

Giga ML 吉咖機器學習是專門為物聯網設計的機器學習產品。基于機智云的云端＋霧端計算架構，吉咖機器學習可以把數據采集和處理邏輯動態分配到設備和網關端，讓海量的終端設備參與到機器學習的運算中，大大的增加了可采集和處理的數據量和全網絡的運算資源，可以高效的實現復雜的的機器學習算法。本次發布的 Giga ML 跟機智云的 D3 數據編排有機結合，提供「預測引擎」和「推薦引擎」等機器學習功能模塊，極大的降低了機器學習在物聯網領域的應用的開發和部署門檻。