由于物聯網的發展，現有的云網絡已經不能適應日益增長的數據負載和處理需求，特別是在實時性方面。連接到物聯網的消費者和企業設備的增加給云服務帶來了太大的壓力，即使是最尖端的提供商。雖然它提供了一個集中的體系結構，但是帶寬不夠，而且成本太高。物聯網云服務面臨的其他問題包括高延遲、易受網絡攻擊、缺乏位置意識和停機時間問題。為了解決這些問題，公司正慢慢轉向fog計算，它將云擴展到更接近產生物聯網數據并對其進行操作的東西。在這里，設計使用端點(例如傳感器、攝像機)和云數據中心之間的本地計算節點(fog節點)來收集、存儲和處理數據，而不是使用遠程云數據中心。它基本上是指分散計算結構。此外，它的靈活性以及從集中云和網絡邊緣設備收集和處理數據的能力，使其成為緩解我們今天面臨的信息過載的最具資源和新興技術之一。

重要特征

霧計算的一些主要功能包括低延遲和位置感知，廣泛的地理分布，移動性和可擴展性，以包括許多節點。這就是為什么霧計算系統以廣泛分布的方式非常靠近最終用戶部署的原因。托管的霧計算節點擁有足夠的計算能力和存儲能力來處理資源密集型用戶請求。這些霧節點還可以在沒有第三方干擾的情況下處理任務，并在物聯網連續性中共同提供計算靈活性，更好的通信和存儲容量。在啟用實時交互的同時，基于霧的分析可以增強自覺和響應的重現客戶需求關系。由于霧計算可以獨立于云運行由于具有服務器，因此即使在沒有網絡連接到云的情況下，也可以確保用戶獲得連續，不間斷的服務。當它靠近最終用戶時，它還增強了加密數據的安全性，從而減少了對其所部署的系統中敵對元素的暴露。它還提高了QoS，并為資源受限的設備提供了軟件和安全更新。

霧計算vs邊緣計算

有時，霧計算經常可互換地用于術語邊緣計算。盡管兩者在將數據和情報推送到數據源附近的分析平臺方面提供了相同的功能，但是邊緣計算和霧計算之間的關鍵區別在于該數據的處理位置。在邊緣計算的情況下，像可編程自動化控制器一樣，在靠近數據生成的地方進行數據處理。相反，在霧計算中，數據在霧節點或IoT網關內處理，霧節點或IoT網關位于網絡的局域網(LAN)級別內。

常用應用

在霧計算中有多種應用。例如，由于霧網絡的能力和彈性，可以通過實時數據分析提供低延遲，移動性和位置標識，因此在線流媒體平臺可以提供不間斷的觀看服務。同樣，在醫療保健領域，我們每天都會產生大量的患者數據。利用霧計算可以減少耗時數分鐘的數據傳輸并將其轉換為秒。對于患者護理而言，這是非常重要的，因為它將大大提高服務速度。

就自動駕駛系統(ADS)而言，公司需要整合多種先進技術，例如多模式傳感器，計算機視覺，人工智能和機器學習等。這些技術可以幫助系統執行數據融合，圖像分析，映射和預測確定傳動系統的最佳動作和控制。因此，有了霧計算環境，就可以在邊緣(汽車中)及其端點(制造商)之間實現所有這些數據功能的通信。