1. 邊緣計算是什麼,和雲計算的區別是什麼
「邊緣計算」的概念本身並不是一個「新鮮詞」。早在2003年，CDN服務商Akamai就與IBM合作推出了最早的「邊緣計算」。如果以時間維度看，從亞馬遜在2006年推出AWS看作是雲計算的起點開始，那麼它要比雲計算被提出的時間更更加的早。
不過，過去很多年的時間由於技術和應用場景等各種原因，邊緣計算一直沒有獲得太多的關注，直到5G時代的到來，才讓一直處在「很邊緣」的邊緣計算得到了全新的發展良機。
雲計算是通過使計算分布在大量的分布式計算機上，而非本地計算機或遠程伺服器中，企業數據中心的運行將與互聯網更相似。這使得企業能夠將資源切換到需要的應用上，根據需求訪問計算機和存儲系統。
雲計算vs邊緣計算
雲計算的不足
隨著邊緣計算的興起，在太多場景中需要計算龐大的數據並且得到即時反饋。這些場景開始暴露出雲計算的不足，主要有以下幾點：大數據的傳輸問題：據估計，到2020 年，每人每天平均將產生 1.5GB 的數據。隨著越來越多的設備連接到互聯網並生成數據，以中心伺服器為節點的雲計算可能會遇到帶寬瓶頸。數據處理的即時性：據統計，無人駕駛汽車每秒產生約 1GB 數據，波音 787 每秒產生的數據超過 5GB；2020 年我國數據儲存量達到約 39ZB，其中約 30% 的數據來自於物聯網設備的接入。海量數據的即時處理可能會使雲計算力不從心。隱私及能耗的問題：雲計算將身體可穿戴、醫療、工業製造等設備採集的隱私數據傳輸到數據中心的路徑比較長，容易導致數據丟失或者信息泄露等風險；數據中心的高負載導致的高能耗也是數據中心管理規劃的核心問題。
邊緣計算的優勢和發展
邊緣計算的發展前景廣闊，被稱為「人工智慧的最後一公里」，但它還在發展初期，有許多問題需要解決，如：框架的選用，通訊設備和協議的規范，終端設備的標識，更低延遲的需求等。隨著 IPv6 及 5G 技術的普及，其中的一些問題將被解決，雖然這是一段不小的歷程。相較於雲計算，邊緣計算有以下這些優勢。
優勢一：更多的節點來負載流量，使得數據傳輸速度更快。
優勢二：更靠近終端設備，傳輸更安全，數據處理更即時。
優勢三：更分散的節點相比雲計算故障所產生的影響更小，還解決了設備散熱問題。
兩者既有區別，又互相配合上文講了雲計算的缺點以及邊緣計算的優點，那麼是不是意味著在未來，邊緣計算更勝雲計算一籌呢？其實不然！雲計算是人和計算設備的互動，而邊緣計算則屬於設備與設備之間的互動，最後再間接服務於人。邊緣計算可以處理大量的即時數據，而雲計算最後可以訪問這些即時數據的歷史或者處理結果並做匯總分析。
2. 雲計算的要求高不高
其實說到雲計算對伺服器的要求，這個沒有準確的答復，但是一般來說，雲計算使用的伺服器比傳統伺服器在技術支持及硬體配置上要高出不少。畢竟雲計算需要有強大的運算功能，如果伺服器的支持不到位，那麼很容易宕機，甚至無法提供相關的訪問。總結雲計算對伺服器的要求主要體現在以下幾個方面(當然，雲計算對虛擬主機的影響有興趣的朋友也可以閱讀 雲計算對虛擬主機發展有哪些影響)。
第一，架構要求高。
雲計算對伺服器的要求包括幾個大的模塊，如網路處理模塊，比如存儲，系統處理模塊等。那麼在架構上，雲計算的要求就顯得比較高，因此伺服器一般會完成整體的架構設計，然後降低一些功耗滿足冗餘管理。
第二，高密度要求。
高密度是雲計算對伺服器的基本要求，伺服器高密度的話對於雲計算的延時性有很大提升，而且整體反應速度也比較快。
第三，虛擬化技術。
伺服器要有一定的虛擬化能力，或者說，伺服器的虛擬化程度是直接影響到雲計算的最終效果。而且利用虛擬化可以有效的提升資源使用率，負載均衡效果更好，還減少了能耗。
第四，橫向擴展性。
雲計算可以說是規模非常大的，如果我們不能達到擴展能力，那麼基本就無法滿足雲這個概念。因此雲計算對伺服器的橫向擴展能力要非常高，只有這樣才可以更安全更簡化的提升使用效率。
從以上不難看出，雲計算對伺服器的要求還是比較高的。
3. 海康威視螢石，大華樂橙，一般的，他們的雲計算視頻監控延時大概是多少 有誰知道嗎急！！！
要看你攝像頭所在的網路還有你現在所用的網路來決定，我見過延時2秒的，也見過延時4-5秒的，一樣的設備牌子，型號
4. 雲計算伺服器的概念是什麼
「雲計算是下一代計算的基礎之一。它是一個 『網路即所有計算的平台』 的世界，其中我們現在視為計算機的一切東西都只是一個連接到我們所構建的大型計算機的設備。雲計算是一種思考我們將來如何提供計算服務的奇妙方法。」
伺服器作為網路的節點，存儲、處理網路上80％的數據、信息，因此也被稱為網路的靈魂。做一個形象的比喻：伺服器就像是郵局的交換機，而微機、筆記本、PDA、手機等固定或移動的網路終端，就如散落在家庭、各種辦公場所、公共場所等處的電話機。我們與外界日常的生活、工作中的電話交流、溝通，必須經過交換機，才能到達目標電話；同樣如此，網路終端設備如家庭、企業中的微機上網，獲取資訊，與外界溝通、娛樂等，也必須經過伺服器，因此也可以說是伺服器在「組織」和「領導」這些設備。
選伺服器的話建議還是選品牌伺服器，推薦一款性價比比較高的伺服器，億萬克伺服器，性價比高，算力強：業界最先進的X86平台，搭載最強悍的算力引擎，業界國內領先！延時低：自主獨有存儲管理軟體，輕松處理各種並發熱數據，業界國內領先！
5. 大數據雲計算好不好學習
說一下大數據的四個典型的特徵：
數據量大；
數據類型繁多，（結構化、非結構化文本、日誌、視頻、圖片、地理位置等）；
商業價值高，但需要在海量數據之上，通過數據分析與機器學習快速的挖掘出來；
處理時效性高，海量數據的處理需求不再局限在離線計算當中。
第一章：Hadoop
在大數據存儲和計算中Hadoop可以算是開山鼻祖，現在大多開源的大數據框架都依賴Hadoop或者與它能很好的兼容。
關於Hadoop，你至少需要搞清楚這些是什麼：
自己學會如何搭建Hadoop，先讓它跑起來。建議先使用安裝包命令行安裝，不要使用管理工具安裝。現在都用Hadoop 2.0。
目錄操作命令；上傳、下載文件命令；提交運行MapRece示常式序；打開Hadoop WEB界面，查看Job運行狀態，查看Job運行日誌。知道Hadoop的系統日誌在哪裡。
以上完成之後，就應該去了解他們的原理了：
MapRece：如何分而治之；HDFS：數據到底在哪裡，究竟什麼才是副本；
Yarn到底是什麼，它能幹什麼；NameNode到底在幹些什麼；Resource Manager到底在幹些什麼；
如果有合適的學習網站，視頻就去聽課，如果沒有或者比較喜歡書籍，也可以啃書。當然最好的方法是先去搜索出來這些是干什麼的，大概有了概念之後，然後再去聽視頻。
第二章：更高效的WordCount
在這里，一定要學習SQL，它會對你的工作有很大的幫助。
就像是你寫（或者抄）的WordCount一共有幾行代碼？但是你用SQL就非常簡單了，例如：
SELECT word,COUNT(1) FROM wordcount GROUP BY word；
這便是SQL的魅力，編程需要幾十行，甚至上百行代碼，而SQL一行搞定；使用SQL處理分析Hadoop上的數據，方便、高效、易上手、更是趨勢。不論是離線計算還是實時計算，越來越多的大數據處理框架都在積極提供SQL介面。
另外就是SQL On Hadoop之Hive於大數據而言一定要學習的。
什麼是Hive？
官方解釋如下：The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax。
為什麼說Hive是數據倉庫工具，而不是資料庫工具呢？
有的朋友可能不知道數據倉庫，數據倉庫是邏輯上的概念，底層使用的是資料庫，數據倉庫中的數據有這兩個特點：最全的歷史數據（海量）、相對穩定的；所謂相對穩定，指的是數據倉庫不同於業務系統資料庫，數據經常會被更新，數據一旦進入數據倉庫，很少會被更新和刪除，只會被大量查詢。而Hive，也是具備這兩個特點，因此，Hive適合做海量數據的數據倉庫工具，而不是資料庫工具。
了解了它的作用之後，就是安裝配置Hive的環節，當可以正常進入Hive命令行是，就是安裝配置成功了。
了解Hive是怎麼工作的
學會Hive的基本命令：
創建、刪除表；載入數據到表；下載Hive表的數據；
MapRece的原理（還是那個經典的題目，一個10G大小的文件，給定1G大小的內存，如何使用Java程序統計出現次數最多的10個單詞及次數）；
HDS讀寫數據的流程；向HDFS中PUT數據；從HDFS中下載數據；
自己會寫簡單的MapRece程序，運行出現問題，知道在哪裡查看日誌；
會寫簡單的Select、Where、group by等SQL語句；
Hive SQL轉換成MapRece的大致流程；
Hive中常見的語句：創建表、刪除表、往表中載入數據、分區、將表中數據下載到本地；
從上面的學習，你已經了解到，HDFS是Hadoop提供的分布式存儲框架，它可以用來存儲海量數據，MapRece是Hadoop提供的分布式計算框架，它可以用來統計和分析HDFS上的海量數據，而Hive則是SQL On Hadoop，Hive提供了SQL介面，開發人員只需要編寫簡單易上手的SQL語句，Hive負責把SQL翻譯成MapRece，提交運行。
此時，你的」大數據平台」是這樣的：那麼問題來了，海量數據如何到HDFS上呢？
第三章：數據採集
把各個數據源的數據採集到Hadoop上。
3.1 HDFS PUT命令
這個在前面你應該已經使用過了。put命令在實際環境中也比較常用，通常配合shell、python等腳本語言來使用。建議熟練掌握。
3.2 HDFS API
HDFS提供了寫數據的API，自己用編程語言將數據寫入HDFS，put命令本身也是使用API。
實際環境中一般自己較少編寫程序使用API來寫數據到HDFS，通常都是使用其他框架封裝好的方法。比如：Hive中的INSERT語句，Spark中的saveAsTextfile等。建議了解原理，會寫Demo。
3.3 Sqoop
Sqoop是一個主要用於Hadoop/Hive與傳統關系型資料庫，Oracle、MySQL、SQLServer等之間進行數據交換的開源框架。就像Hive把SQL翻譯成MapRece一樣，Sqoop把你指定的參數翻譯成MapRece，提交到Hadoop運行，完成Hadoop與其他資料庫之間的數據交換。
自己下載和配置Sqoop（建議先使用Sqoop1，Sqoop2比較復雜）。了解Sqoop常用的配置參數和方法。
使用Sqoop完成從MySQL同步數據到HDFS；使用Sqoop完成從MySQL同步數據到Hive表；如果後續選型確定使用Sqoop作為數據交換工具，那麼建議熟練掌握，否則，了解和會用Demo即可。
3.4 Flume
Flume是一個分布式的海量日誌採集和傳輸框架，因為「採集和傳輸框架」，所以它並不適合關系型資料庫的數據採集和傳輸。Flume可以實時的從網路協議、消息系統、文件系統採集日誌，並傳輸到HDFS上。
因此，如果你的業務有這些數據源的數據，並且需要實時的採集，那麼就應該考慮使用Flume。
下載和配置Flume。使用Flume監控一個不斷追加數據的文件，並將數據傳輸到HDFS；Flume的配置和使用較為復雜，如果你沒有足夠的興趣和耐心，可以先跳過Flume。
3.5 阿里開源的DataX
現在DataX已經是3.0版本，支持很多數據源。
第四章：把Hadoop上的數據搞到別處去
Hive和MapRece進行分析了。那麼接下來的問題是，分析完的結果如何從Hadoop上同步到其他系統和應用中去呢？其實，此處的方法和第三章基本一致的。
HDFS GET命令：把HDFS上的文件GET到本地。需要熟練掌握。
HDFS API：同3.2.
Sqoop：同3.3.使用Sqoop完成將HDFS上的文件同步到MySQL；使用Sqoop完成將Hive表中的數據同步到MySQL。
如果你已經按照流程認真完整的走了一遍，那麼你應該已經具備以下技能和知識點：
知道如何把已有的數據採集到HDFS上，包括離線採集和實時採集；
知道sqoop是HDFS和其他數據源之間的數據交換工具；
知道flume可以用作實時的日誌採集。
從前面的學習，對於大數據平台，你已經掌握的不少的知識和技能，搭建Hadoop集群，把數據採集到Hadoop上，使用Hive和MapRece來分析數據，把分析結果同步到其他數據源。
接下來的問題來了，Hive使用的越來越多，你會發現很多不爽的地方，特別是速度慢，大多情況下，明明我的數據量很小，它都要申請資源，啟動MapRece來執行。
第五章：SQL
其實大家都已經發現Hive後台使用MapRece作為執行引擎，實在是有點慢。因此SQL On Hadoop的框架越來越多，按我的了解，最常用的按照流行度依次為SparkSQL、Impala和Presto.這三種框架基於半內存或者全內存，提供了SQL介面來快速查詢分析Hadoop上的數據。
我們目前使用的是SparkSQL，至於為什麼用SparkSQL，原因大概有以下吧：使用Spark還做了其他事情，不想引入過多的框架；Impala對內存的需求太大，沒有過多資源部署。
5.1 關於Spark和SparkSQL
什麼是Spark，什麼是SparkSQL。
Spark有的核心概念及名詞解釋。
SparkSQL和Spark是什麼關系，SparkSQL和Hive是什麼關系。
SparkSQL為什麼比Hive跑的快。
5.2 如何部署和運行SparkSQL
Spark有哪些部署模式？
如何在Yarn上運行SparkSQL？
使用SparkSQL查詢Hive中的表。Spark不是一門短時間內就能掌握的技術，因此建議在了解了Spark之後，可以先從SparkSQL入手，循序漸進。
關於Spark和SparkSQL，如果你認真完成了上面的學習和實踐，此時，你的」大數據平台」應該是這樣的。
第六章：數據多次利用
請不要被這個名字所誘惑。其實我想說的是數據的一次採集、多次消費。
在實際業務場景下，特別是對於一些監控日誌，想即時的從日誌中了解一些指標（關於實時計算，後面章節會有介紹），這時候，從HDFS上分析就太慢了，盡管是通過Flume採集的，但Flume也不能間隔很短就往HDFS上滾動文件，這樣會導致小文件特別多。
為了滿足數據的一次採集、多次消費的需求，這里要說的便是Kafka。
關於Kafka：什麼是Kafka？Kafka的核心概念及名詞解釋。
如何部署和使用Kafka：使用單機部署Kafka，並成功運行自帶的生產者和消費者例子。使用Java程序自己編寫並運行生產者和消費者程序。Flume和Kafka的集成，使用Flume監控日誌，並將日誌數據實時發送至Kafka。
如果你認真完成了上面的學習和實踐，此時，你的」大數據平台」應該是這樣的。
這時，使用Flume採集的數據，不是直接到HDFS上，而是先到Kafka，Kafka中的數據可以由多個消費者同時消費，其中一個消費者，就是將數據同步到HDFS。
如果你已經認真完整的學習了以上的內容，那麼你應該已經具備以下技能和知識點：
為什麼Spark比MapRece快。
使用SparkSQL代替Hive，更快的運行SQL。
使用Kafka完成數據的一次收集，多次消費架構。
自己可以寫程序完成Kafka的生產者和消費者。
從前面的學習，你已經掌握了大數據平台中的數據採集、數據存儲和計算、數據交換等大部分技能，而這其中的每一步，都需要一個任務（程序）來完成，各個任務之間又存在一定的依賴性，比如，必須等數據採集任務成功完成後，數據計算任務才能開始運行。如果一個任務執行失敗，需要給開發運維人員發送告警，同時需要提供完整的日誌來方便查錯。
第七章：越來越多的分析任務
不僅僅是分析任務，數據採集、數據交換同樣是一個個的任務。這些任務中，有的是定時觸發，有點則需要依賴其他任務來觸發。當平台中有幾百上千個任務需要維護和運行時候，僅僅靠crontab遠遠不夠了，這時便需要一個調度監控系統來完成這件事。調度監控系統是整個數據平台的中樞系統，類似於AppMaster，負責分配和監控任務。
7.1 Apache Oozie
Oozie是什麼？有哪些功能？
Oozie可以調度哪些類型的任務（程序）？
Oozie可以支持哪些任務觸發方式？
安裝配置Oozie。
7.2 其他開源的任務調度系統
Azkaban，light-task-scheler，Zeus，等等。另外，我這邊是之前單獨開發的任務調度與監控系統，具體請參考《大數據平台任務調度與監控系統》。
第八章：我的數據要實時
在第六章介紹Kafka的時候提到了一些需要實時指標的業務場景，實時基本可以分為絕對實時和准實時，絕對實時的延遲要求一般在毫秒級，准實時的延遲要求一般在秒、分鍾級。對於需要絕對實時的業務場景，用的比較多的是Storm，對於其他准實時的業務場景，可以是Storm，也可以是Spark Streaming。當然，如果可以的話，也可以自己寫程序來做。
8.1 Storm
什麼是Storm？有哪些可能的應用場景？
Storm由哪些核心組件構成，各自擔任什麼角色？
Storm的簡單安裝和部署。
自己編寫Demo程序，使用Storm完成實時數據流計算。
8.2 Spark Streaming
什麼是Spark Streaming，它和Spark是什麼關系？
Spark Streaming和Storm比較，各有什麼優缺點？
使用Kafka + Spark Streaming，完成實時計算的Demo程序。
至此，你的大數據平台底層架構已經成型了，其中包括了數據採集、數據存儲與計算（離線和實時）、數據同步、任務調度與監控這幾大模塊。接下來是時候考慮如何更好的對外提供數據了。
第九章：數據要對外
通常對外（業務）提供數據訪問，大體上包含以下方面。
離線：比如，每天將前一天的數據提供到指定的數據源（DB、FILE、FTP）等；離線數據的提供可以採用Sqoop、DataX等離線數據交換工具。
實時：比如，在線網站的推薦系統，需要實時從數據平台中獲取給用戶的推薦數據，這種要求延時非常低（50毫秒以內）。根據延時要求和實時數據的查詢需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。
OLAP分析：OLAP除了要求底層的數據模型比較規范，另外，對查詢的響應速度要求也越來越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的數據模型比較規模，那麼Kylin是最好的選擇。
即席查詢：即席查詢的數據比較隨意，一般很難建立通用的數據模型，因此可能的方案有：Impala、Presto、SparkSQL。
這么多比較成熟的框架和方案，需要結合自己的業務需求及數據平台技術架構，選擇合適的。原則只有一個：越簡單越穩定的，就是最好的。
6. 雲計算的要求高不高
1.架構要求高。 雲計算對伺服器的要求包括幾個大的模塊,如網路處理模塊,比如存儲,系統處理模塊等。那麼在架構上,雲計算的要求就顯得比較高,因此伺服器一般會完成整體的架構設計,然後降低一些功耗滿足冗餘管理。
2.高密度要求。 高密度是雲計算對伺服器的基本要求,伺服器高密度的話對於雲計算的延時性有很大提升,
7. 關於「雲計算」
IT 界總是不是推出一些嶄新的概念，讓我們目不暇接。NC、網格計算、IPv6、Web2.0、SOA、SaaS……有些如過眼煙雲，有些卻改變了我們的生活。
在「網格」概念提出將近 10 年後，又一個類似其改進版的新概念「雲計算」被重新提了出來。
網路上有關「雲計算」的解釋性描述摘錄：
（1）所謂「雲計算」是指通過網上的中央數據中心，實現PC上的各種應用與服務。目前，亞馬遜、谷歌、Salesforce等數十家公司已經建立了計算中心，可以高效處理數據外包業務，並使之成為象電一樣，企業可以輕松購買的商品。
（2）「雲計算」是一種全新的商業模式，其核心部分依然是數據中心，它使用的硬體設備主要是成千上萬的工業標准伺服器，它們由英特爾或AMD生產的處理器以及其他硬體廠商的產品組成。企業和個人用戶通過高速互聯網得到計算能力，從而避免了大量的硬體投資。
簡而言之，雲計算將使未來的互聯網變成超級計算的樂土。「雲計算的基本原理是，通過使計算分布在大量的分布式計算機上，而非本地計算機或遠程伺服器中，企業數據中心的運行將更與互聯網相似。這使得企業能夠將資源切換到需要的應用上，根據需求訪問計算機和存儲系統。」在11月中旬的上海IBM創新論壇上，IBM高性能隨需解決方案團隊副總裁Willy Chiu對記者解釋說。
這可是一種革命性的舉措，打個比方，這就好比是從古老的單台發電機模式轉向了電廠集中供電的模式。它意味著計算能力也可以作為一種商品進行流通，就像煤氣、水電一樣，取用方便，費用低廉。最大的不同在於，它是通過互聯網進行傳輸的。
谷歌大中國區總裁李開復教授眼中的「雲計算」：
互聯網路的快速發展正在對人們的生活和工作方式產生著深刻影響。繼傳統的個人計算機、客戶/伺服器的計算模式之後，嶄新的「雲計算（Cloud Computing）」模式展現了現代互聯網路的重要特質。
事實上，當任何一個人在互聯網上提交一個查詢請求時，互聯網上可能有成千上萬台計算機在為他同時搜索眾多的資料庫，並運用不同的方法為他提供可能的搜索結果。也就是說，人們不是從自己的計算機上，也不是從某個指定的伺服器上，而是從浩瀚如雲海的互聯網路上，通過各種設備（如移動終端等）獲得所需的信息、知識、服務等。這個世界已經從以硬體為中心轉向以軟體為中心，並正轉向以服務為中心的時代。
但是，針對這種新的計算模式，如何能夠實施有效的查詢和控制，成為許多與會者關注的問題。李開復博士著重闡述了雲計算四個方面的重要特點：
1．雲上的海量數據存儲；
2．無數的軟體和服務置於雲中；
3．它們均構築於各種標准和協議之上；並且，
4．可以通過各種設備來獲得。
李開復博士進一步闡述了推動雲計算發展的六個方面的因素：
1．以用戶為中心：數據存在於雲海之中，並且伴隨著你和你的設備，你可以在任何時間、任何地點以某種便捷的方式安全地獲得它或與他人分享。
2．以任務為中心：人們可以方便地與合作者共同規劃並執行各項任務，並隨時隨地進行有效的交流和溝通。
3．強大的功能：置於雲海中由成千上萬的計算機群提供的強大計算能力、存儲能力等將能夠為你完成傳統上單台計算機根本無法完成的事情。
4．智能化：基於海量數據的數據挖掘技術來獲得大量的新知識。作為一個典型的示例，基於這種新技術的語言翻譯將更加強大。我們在互聯網路上，可以看到這樣一種模式：海量的數據 + 海量的分析 ==〉知識。
5．基礎設施的可行性：如今，上千台的PC級伺服器可以獲得極高的性能。Google正在建設更強大的「計算機群農場」（就像高產的奶牛場一樣）。
6．並行軟體的可編程性：怎樣編寫可以在上千台計算機上並行執行的程序？Google如今已經開發了一系列新的開發方法和技術。
雲計算對於大多數民眾而言還是一個生疏的詞彙。其實，即便對許多計算機領域的專業人士而言，雲計算或許也是個嶄新的詞彙。但是，它已經存在，並正在給我們的生活和工作帶來深刻的變化。Google、IBM、Microsoft 等一批著名的信息產業界的領銜企業正在聯手開展相關的研究，並展示了廣闊的應用前景。同時，我們也注意到，在此次大會上，眾多的中國學者，特別是青年學者們，也帶來了各自的研究成果，與世界各國的同行們共同為「One World，one Web」的構建貢獻著力量。
網眼理解的「雲計算」：
「雲計算」的鼻祖可以追溯到大型機和PC時代人們的「分布式計算」理想。當初的終端、區域網、PC機曾試圖實現廣泛的分布式應用，始終沒有真正實現。後來的互聯網為大型分布式計算提供了可能，「網格計算」就曾經號稱要把互聯網變成一台超級、大型、並行的計算機，我們可以利用互聯網上眾多電腦的空閑計算資源來運行我們的應用。然而炒作多年，「網格計算」的宏偉理想並沒有得到廣泛實現，一些據說實現了網格計算的應用，老百姓始終不能窺見其真面目，不知道是不是真的。
隨著互聯網的發展，網速在不斷提升，接入互聯網的機器越來越多，人們對大容量、高密度計算的需求在不斷上升。人們對分布式計算的夢想再次被喚醒，「網格」概念有些過時，「雲計算」對它重新包裝、升級一下，推陳出新。雲計算的物理基礎就是互聯網，沒有互聯網和互聯網上大量的主機(host)形成的「網雲」，是談不上「雲」計算的。
雲計算不像 Web2.0 那樣更偏重商業炒作，雲計算更多的是一個偏重技術的概念。但是眾多大型公司比如微軟、SUN、谷歌、IBM 等的商業宣傳和運作仍然會對雲計算這個概念的推廣和將來的應用起到至關重要的作用。商業公司需要新概念來刺激行業發展，而新技術也需要大型商業公司的包裝和資金投入來推動。
任何技術概念都不是空穴來風，許多概念本身都是有關聯的，技術都有或遠或近的親緣關系。雲計算是個宏觀的概念，其具體實施，可能與 Web Servise、SOA、XmlPRC、SaaS 都有關系。雲計算即將把互聯網上的各種計算資源整合在一起，例如 PC、手機、掌上電腦及其他移動終端，實現計算的無處不在、無時不在，在雲計算時代，「網路就是計算機」有望成為可見的東西。
我們不希望僅僅看到那些公司喊一些空口號，我們更希望看到具體的動作。我們需要看到他們的具體方案、現實案例和開發工具。任何技術概念，如果讓大多數程序員靠邊站，都不可能產生革命性的影響。希望「網格」概念的遐想真正用「雲計算」得到實現。
8. 工業相機的傳輸延時有多少，由什麼決定
理論傳輸時間為：當前設定的曝光時間加該工業相機幀率的倒數。
例如當前曝光時間0.01秒， 相機的幀率是30幀， 那麼傳輸時間就是 0.01+1/30 秒。