从物联网从业者的角度来看，经常看到对计算更加可用和分布式的需求。当开始将物联网与ot和it系统整合时，面临的第一个问题是设备发送到服务器的庞大数据量。 在一个工厂自动化的场景中，可能有数百个集成的传感器，这些传感器每1秒发送3个数据点。大部分的传感器数据在5秒钟之后就完全没用了。 数百个传感器，多个网关，多个进程，和多个系统，需要几乎在瞬间处理这些数据。实际上智能扫地机器人的相关产品也一度受到用户的好评，这也是产品最好的自我肯定了。
大多数数据处理的支持者都支持云模型，即总是应该向云发送一些东西。 这也是第一种物联网计算基础。
1 物联网的云计算
通过物联网和云计算模型，基本上推动和处理你的感官数据在云。 你有一个摄入模块，它可以接收数据并存储在一个数据湖（一个非常大的存储器） ，然后对它进行并行处理（它可以是 spark，azure hd insight，hive，等等） ，然后使用快节奏的信息来做决定。
自从开始构建物联网解决方案，现在有了许多新的产品和服务，可以非常容易地做到这一点：
可以使用 aws kinesis 和 big data lambda services
可以利用 azure 的生态系统，让构建大数据能力变得极其容易
或者，可以使用像 google cloud 产品这样的工具如cloud iot core
在物联网中面临的一些挑战是：
私有平台的使用者和企业对于拥有他们的数据在谷歌，微软，亚马逊等感到不舒服
延迟和网络中断问题
增加了存储成本、数据安全性和持久性
通常，大数据框架不足以创建一个能够满足数据需求的大型摄入模块
2 面向物联网的雾计算
通过雾计算，可以变得更加强大。 雾计算使用的是本地处理单元或计算机，而不是将数据一路发送到云端并等待服务器处理和响应。
4-5年前，还没有像 sigfox 和 lorawan 那样的无线解决方案，ble也没有mesh或远程功能。因此，必须使用更昂贵的网络解决方案，以确保能够建立一个安全，持久的连接到数据处理单元。 这个中心单元是解决方案的核心，很少有专业的解决方案提供商。
从实施一个雾网络中可以了解到：
这并不是很简单，需要知道和理解很多事情。构建软件，或者说在物联网上所做的，是更直接和开放的。 而且，当把网络当成一道屏障时，它会降低速度。
对于这样的实现，需要一个非常大的团队和多个供应商。 通常也会面临供应商的锁定。
openfog是一个由著名业内人士开发的专为雾计算架构而设计的开放雾计算框架。 它提供了用例，试验台，技术规格， 还有一个参考体系结构。
3 物联网边缘计算
物联网是关于捕捉微小的交互作用，并尽可能快地做出反应。 边缘计算离数据源最近，能够在传感器区域应用机器学习。 如果陷入了边缘和雾计算的讨论，应该明白，边缘计算是所有关于智能传感器节点的应用，而雾计算仍然是关于局域网络，可以为数据量大的操作提供计算能力。
像微软和亚马逊这样的行业巨头已经发布了 azure iot edge 和 aws green gas，用于提高物联网网关和传感器节点上的机器智能，这些网关和传感器节点拥有良好的计算能力。 虽然这些都是非常好的解决方案，可以让工作变得非常简单，但是它显著地改变了从业者所知道和使用的边缘计算的含义。
边缘计算不应该要求机器学习算法在网关上运行来构建智能。 2015年，alex 在 eci 会议上谈到了嵌入式人工智能在神经记忆处理器上的工作：
真正的边缘计算将发生在这样的神经元装置上，它们可以预装机器学习算法，服务于单一的目的和责任。 那会很棒吗？ 让我们假设仓库的结束节点可以对很少的几个关键字符串执行本地 nlp，这些关键字符串构成密码，比如“芝麻开门”！
这种边缘设备通常有一个类似神经网络的结构，所以当加载一个机器学习算法的时候，基本上就是在里面燃烧了一个神经网络。 但这种燃烧是永久性的，无法逆转。
有一个全新的嵌入式设备空间，可以在低功率传感器节点上促进嵌入式边缘智能。
4 物联网的 mist 计算
可以做以下事情来促进物联网的数据处理和智能化：
基于云计算的模型
基于雾的计算模型
边缘计算模型
这里有一种计算机类型，它补充了雾和边缘计算，使它们变得更好，而不需要再等上年。 可以简单地引入物联网设备的网络功能，分配工作负载，既没有雾也没有边缘计算提供的动态智能模型。
建立这种模式可以带来高速的数据处理和智能提取的设备，具有256kb 的内存大小和 ～ 100kb秒的数据传输速率。 对于 mesh 网络，肯定会看到这样一个计算模型的促进者，会有人提出一个更好的基于 mist 系统的模型，可以很容易地使用它。