“雾计算”（Fog CompuTIng），脱壳于“云计算”，是指将云计算的（部分）功能，部署在网络边缘的设备中，局部的集中化计算。它其实是云计算（Cloud CompuTIng）的延伸概念，这个概念由思科公司于 2011 年提出。

雾计算正在成为科技界的流行词，通常用于与云相比，或者与边缘计算混淆，两者都内置了地理位置：计算机处于边缘，或计算机处于云端。了解雾的独特之处的最简单方法是它与位置无关。雾计算基础设施中的计算机可以是任何地方：从边缘到云，以及介于两者之间的任何地方。

由此可见，“边缘计算”和“雾计算”确实还是有一些差异的。边缘计算主要是在“端”中，这个端是指电子终端设备或传感器；而雾计算还是在“云”中，部署在一定区域内的数据集中站点上。用一个智慧家庭的（WiFi）网络来举例，一个 App 在手机内进行的脱网计算就是边缘计算，而家庭智能盒子（智能 WiFi 网关）则是雾计算的主体。

雾计算通常有以下几个特征：

第一，能够提供和云计算一样的服务，但所提供的资源有限，不如云计算能够提供无限的资源；第二，邻近用户，意味着用户请求的响应时延大大减少；第三，雾计算基础设施以分布式的方式部署在网络的边缘，满足高速移动场景和地理位置分布的场景需求，同时，减缓了网络核心的带宽负载；第四，安全性和隐私性较云计算得到较大保障。

雾计算的应用前景广泛

以一个制造业案例为例，假设某大型公司在中国建立了工厂生产保洁剂。想象整个流程中一个这样的机器——搅拌机（垂直或水平搅拌机），它吸收不同的原料，并将它们进行搅拌，在制造过程中生产出合成混合物。搅拌机的运转原理是以预设的转速定时旋转，搅拌机筒吸收到不同的原材料，其运转会耗费一定量的能源。

如果我们利用物联网生态系统，让这个设备成为“智能搅拌机”会怎样？搅拌机安装的大量传感器为各种参数捕捉数据，然后数据传回服务器（云）进行后续分析。如何提供功率消耗的效率？这就是与雾计算的联系。以前考虑的物联网架构是利用云存储和分析数据做出决定，但是为了让资产／机器成为“智能设备”，我们需要雾计算架构，也就是增加本地实时计算数据流的能力，并向历史信号学习帮助机器做出决策来改善结果。这将是一个利用机器学习优化机器功耗，搭建雾计算网络的场景。

基于这些自主学习规则，通过增加和降低设置来保持在最佳能耗模式，机器可以调整操作参数。当数据传输到云端，云端用新数据组更新机器学习模型，那么数据规则和（自主）学习就可以更新了。一旦更新，它会被推回边缘，边缘节点利用更新模型来更新规则，进一步改善结果。

如今我们可以看到在运算设备上更现实也更个人化的雾计算，例如笔记本、智能手机、智能手表和平板电脑。最普遍的例子是最新的智能变频空调。在空调开启后，系统收集房间的温度和使用信息，自动调整空调的频率，同时学习用户的使用模式并计算出最合适的系统开关机时间和模式，使空调的实用性和功耗降方面达到一个动态的平衡。在产业应用方面，利用边缘计算架构，将计算推向边缘节点（网络的逻辑极端），这赋予了机器感知实时数据的能力，可以立即采取措施减少商业损失。

在之前的商业用例中，改善能耗只是可能改善的结果之一。边缘计算还可以用于进行各种即时的优化处理，例如缓解资产故障或提高产出质量；学习一个规则使机器会自动做出决策来更改操作设置来避免故障或改善结果质量。易迈云（EMCloud）相信，通过推动计算边缘化，我们也将智能推到边缘，因此让设备或资产能够做出自主决策来改善结果，并成为智能设备。未来雾计算将与云计算相辅相成、有机结合，为万物互联时代的信息处理提供更完美的软硬件支撑平台。