有时在做出判断时真的是要靠自己,让别人为你指出方向是不可行的。
许多物联网系统所面临的情景与此相同。集中处理大量传感器数据会减慢决策,并增加带宽需求。而做出明智的决策最好靠近源头。
哪些决策应该靠近网络边缘,哪些应该靠近中心?在哪里进行权衡?哪些应用程序最适合本地决策?为此,三个雾计算专家分享一些见解。
·Helder Antunes,思科公司战略创新团队高级主管,OpenFog(开放雾)联盟主席
·Rhonda Dirvin,ARM公司物联网垂直市场总监
·Matt Vasey,微软公司物联网战略主管
Dirvin和Vasey都是OpenFog联盟的董事会成员。
什么是开放雾联盟?
微软,ARM,思科,戴尔,英特尔等知名公司和普林斯顿大学成立了OpenFog联盟。云计算和单边缘物联网设计随着传感器数据量的增加而成为阻碍。雾计算允许将计算,存储和通信资源放置在云计算和边缘数据中心之间,这减少了技术阻碍,并加速了数字转换。
开放雾联盟定义和扩展了雾计算的应用。它是一个由企业,最终用户,大学组成的独立开放的成员生态系统。
“云技术必须与雾计算无缝协作,以提供无缝的端到端客户体验,”Antunes说。“雾计算比以往任何时候都需要高度可扩展和协作的方法,在广泛的行业和技术方面具有深厚的专业知识。没有一家公司可以单独做。
雾计算在哪里工作最好?
“理想情况下需要智能边缘附近,超低延迟是至关重要的,对于在地理上分散的地区运行的计算,其中连接可能是不连续的,或创建数TB的数据,不会实际流到云端。”Vasey说,“雾计算在基于云计算的控制平面中运行良好,可以在大量节点(包括交通,农业,风能,监控,智能城市和建筑)中提供控制和更广泛的洞察能力。”
智能城市和雾计算
如今,大城市面临交通拥堵,公共安全,高能耗,卫生医疗,以及提供市政服务的挑战。这些挑战可以通过安装一个雾节点网络在单个物联网络中解决。
宽带带宽和连接性的缺乏是建立智能城市的主要问题。虽然大多数现代城市具有提供足够覆盖的一个或多个蜂窝网络,但是这些网络通常具有几乎不能满足现有订户的需求的容量和峰值带宽限制。这为智能城市设想的先进市政服务留下了很少的带宽。部署雾计算架构允许雾节点提供本地处理和存储,这将优化网络使用。
智能城市还面临着安全和安全方面的挑战,其中时间关键性能需要先进的实时分析。市政网络可以携带敏感流量和公民数据,以及运营诸如应急响应的生命关键系统。雾计算可以满足安全性,数据加密和分布式分析要求。
智能建筑和雾计算
楼宇自动化展示了边缘智能和本地化处理的需求。商业建筑可以包含数千个传感器以测量各种建筑操作参数:温度,钥匙卡读取器和停车空间占用率。必须分析来自这些传感器的数据以查看是否需要动作,例如,如果感测到烟雾,则触发火灾警报。雾计算允许自主的本地操作以优化控制功能。
每个楼层,甚至单独的房间可以包含自己的雾节点,其负责执行紧急监视和响应功能,控制气候和照明,以及提供建筑物驻留的计算和存储基础设施,以补充本地智能手机,平板电脑和计算机有限的能力。
雾计算与云计算协同工作,因此可以将构建操作遥测和控制操作的长期历史汇总并上传到云中,以进行大规模分析,确定建筑物的操作。存储的操作历史,然后可以训练机器学习模型,可以用于通过在本地雾基础设施中执行这些机器学习模型来进一步优化建筑操作。
视觉安全和雾计算
现在,停车场、建筑物和其他公共和私人场所都使用摄像机来提高公共安全。在大规模网络上收集的视觉(和其他传感器)数据的纯粹带宽使得将所有数据传输到云计算,以获得实时洞察是不切实际的。想象一个繁忙的机场或城市中心,有许多人和物体在一段时间内移动。实时监测和异常检测对监控系统构成了严格的低延迟要求。及时性对于检测和响应都很重要。
当使用摄像机作为收集图像数据的传感器时,必须解决隐私问题,以使图像不会泄露某人的身份或向任何未授权方披露机密的内容信息。雾计算可以允许实时,延迟敏感的分布式监视系统,并保证隐私安全。
通过雾结构,视频处理被智能地划分在与摄像机和云相同的雾节点之间。这使得能够在长时间间隔内捕获的数据中实时跟踪,异常检测和收集洞察。
雾计算如何降低安全风险?
安全性是使用物联网,网络和云计算技术的任何部署的根本问题。开放雾架构在连接到物联网设备的云和雾节点之间指定了安全的端到端计算环境。这些设备使用基于硬件的不可变根信任,这可以通过在整个基础设施中运行的软件代理来证明。
平台之间的互操作性
“异构平台之间的互操作性是物联网达到其潜力的关键,”Dirven说。“开放雾联盟通过创建一个可互操作的方式来利用从云到边缘的可用计算,存储和网络资源来解决这个问题。
'休斯顿,我们有一个问题',这个著名的报告来自于阿波罗13号月球飞行的机组人员,向美国宇航局在休斯敦的基地报告遇到的一个主要的技术问题。有时技术中心提供帮助是绝对关键,然而在本地处理大多数其他问题,可以通过集中的专业知识和带宽以用于关键决定。
宇航员在可能的情况下自主工作,并在需要时获得技术中心指导。雾计算对于关键任务的物联网应用也是如此。
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。