1. 边缘计算是什么,和云计算的区别是什么
“边缘计算”的概念本身并不是一个“新鲜词”。早在2003年，CDN服务商Akamai就与IBM合作推出了最早的“边缘计算”。如果以时间维度看，从亚马逊在2006年推出AWS看作是云计算的起点开始，那么它要比云计算被提出的时间更更加的早。
不过，过去很多年的时间由于技术和应用场景等各种原因，边缘计算一直没有获得太多的关注，直到5G时代的到来，才让一直处在“很边缘”的边缘计算得到了全新的发展良机。
云计算是通过使计算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，企业数据中心的运行将与互联网更相似。这使得企业能够将资源切换到需要的应用上，根据需求访问计算机和存储系统。
云计算vs边缘计算
云计算的不足
随着边缘计算的兴起，在太多场景中需要计算庞大的数据并且得到即时反馈。这些场景开始暴露出云计算的不足，主要有以下几点：大数据的传输问题：据估计，到2020 年，每人每天平均将产生 1.5GB 的数据。随着越来越多的设备连接到互联网并生成数据，以中心服务器为节点的云计算可能会遇到带宽瓶颈。数据处理的即时性：据统计，无人驾驶汽车每秒产生约 1GB 数据，波音 787 每秒产生的数据超过 5GB；2020 年我国数据储存量达到约 39ZB，其中约 30% 的数据来自于物联网设备的接入。海量数据的即时处理可能会使云计算力不从心。隐私及能耗的问题：云计算将身体可穿戴、医疗、工业制造等设备采集的隐私数据传输到数据中心的路径比较长，容易导致数据丢失或者信息泄露等风险；数据中心的高负载导致的高能耗也是数据中心管理规划的核心问题。
边缘计算的优势和发展
边缘计算的发展前景广阔，被称为“人工智能的最后一公里”，但它还在发展初期，有许多问题需要解决，如：框架的选用，通讯设备和协议的规范，终端设备的标识，更低延迟的需求等。随着 IPv6 及 5G 技术的普及，其中的一些问题将被解决，虽然这是一段不小的历程。相较于云计算，边缘计算有以下这些优势。
优势一：更多的节点来负载流量，使得数据传输速度更快。
优势二：更靠近终端设备，传输更安全，数据处理更即时。
优势三：更分散的节点相比云计算故障所产生的影响更小，还解决了设备散热问题。
两者既有区别，又互相配合上文讲了云计算的缺点以及边缘计算的优点，那么是不是意味着在未来，边缘计算更胜云计算一筹呢？其实不然！云计算是人和计算设备的互动，而边缘计算则属于设备与设备之间的互动，最后再间接服务于人。边缘计算可以处理大量的即时数据，而云计算最后可以访问这些即时数据的历史或者处理结果并做汇总分析。
2. 云计算的要求高不高
其实说到云计算对服务器的要求，这个没有准确的答复，但是一般来说，云计算使用的服务器比传统服务器在技术支持及硬件配置上要高出不少。毕竟云计算需要有强大的运算功能，如果服务器的支持不到位，那么很容易宕机，甚至无法提供相关的访问。总结云计算对服务器的要求主要体现在以下几个方面(当然，云计算对虚拟主机的影响有兴趣的朋友也可以阅读 云计算对虚拟主机发展有哪些影响)。
第一，架构要求高。
云计算对服务器的要求包括几个大的模块，如网络处理模块，比如存储，系统处理模块等。那么在架构上，云计算的要求就显得比较高，因此服务器一般会完成整体的架构设计，然后降低一些功耗满足冗余管理。
第二，高密度要求。
高密度是云计算对服务器的基本要求，服务器高密度的话对于云计算的延时性有很大提升，而且整体反应速度也比较快。
第三，虚拟化技术。
服务器要有一定的虚拟化能力，或者说，服务器的虚拟化程度是直接影响到云计算的最终效果。而且利用虚拟化可以有效的提升资源使用率，负载均衡效果更好，还减少了能耗。
第四，横向扩展性。
云计算可以说是规模非常大的，如果我们不能达到扩展能力，那么基本就无法满足云这个概念。因此云计算对服务器的横向扩展能力要非常高，只有这样才可以更安全更简化的提升使用效率。
从以上不难看出，云计算对服务器的要求还是比较高的。
3. 海康威视萤石，大华乐橙，一般的，他们的云计算视频监控延时大概是多少 有谁知道吗急！！！
要看你摄像头所在的网络还有你现在所用的网络来决定，我见过延时2秒的，也见过延时4-5秒的，一样的设备牌子，型号
4. 云计算服务器的概念是什么
“云计算是下一代计算的基础之一。它是一个 ‘网络即所有计算的平台’ 的世界，其中我们现在视为计算机的一切东西都只是一个连接到我们所构建的大型计算机的设备。云计算是一种思考我们将来如何提供计算服务的奇妙方法。”
服务器作为网络的节点，存储、处理网络上80％的数据、信息，因此也被称为网络的灵魂。做一个形象的比喻：服务器就像是邮局的交换机，而微机、笔记本、PDA、手机等固定或移动的网络终端，就如散落在家庭、各种办公场所、公共场所等处的电话机。我们与外界日常的生活、工作中的电话交流、沟通，必须经过交换机，才能到达目标电话；同样如此，网络终端设备如家庭、企业中的微机上网，获取资讯，与外界沟通、娱乐等，也必须经过服务器，因此也可以说是服务器在“组织”和“领导”这些设备。
选服务器的话建议还是选品牌服务器，推荐一款性价比比较高的服务器，亿万克服务器，性价比高，算力强：业界最先进的X86平台，搭载最强悍的算力引擎，业界国内领先！延时低：自主独有存储管理软件，轻松处理各种并发热数据，业界国内领先！
5. 大数据云计算好不好学习
说一下大数据的四个典型的特征：
数据量大；
数据类型繁多，（结构化、非结构化文本、日志、视频、图片、地理位置等）；
商业价值高，但需要在海量数据之上，通过数据分析与机器学习快速的挖掘出来；
处理时效性高，海量数据的处理需求不再局限在离线计算当中。
第一章：Hadoop
在大数据存储和计算中Hadoop可以算是开山鼻祖，现在大多开源的大数据框架都依赖Hadoop或者与它能很好的兼容。
关于Hadoop，你至少需要搞清楚这些是什么：
自己学会如何搭建Hadoop，先让它跑起来。建议先使用安装包命令行安装，不要使用管理工具安装。现在都用Hadoop 2.0。
目录操作命令；上传、下载文件命令；提交运行MapRece示例程序；打开Hadoop WEB界面，查看Job运行状态，查看Job运行日志。知道Hadoop的系统日志在哪里。
以上完成之后，就应该去了解他们的原理了：
MapRece：如何分而治之；HDFS：数据到底在哪里，究竟什么才是副本；
Yarn到底是什么，它能干什么；NameNode到底在干些什么；Resource Manager到底在干些什么；
如果有合适的学习网站，视频就去听课，如果没有或者比较喜欢书籍，也可以啃书。当然最好的方法是先去搜索出来这些是干什么的，大概有了概念之后，然后再去听视频。
第二章：更高效的WordCount
在这里，一定要学习SQL，它会对你的工作有很大的帮助。
就像是你写（或者抄）的WordCount一共有几行代码？但是你用SQL就非常简单了，例如：
SELECT word,COUNT(1) FROM wordcount GROUP BY word；
这便是SQL的魅力，编程需要几十行，甚至上百行代码，而SQL一行搞定；使用SQL处理分析Hadoop上的数据，方便、高效、易上手、更是趋势。不论是离线计算还是实时计算，越来越多的大数据处理框架都在积极提供SQL接口。
另外就是SQL On Hadoop之Hive于大数据而言一定要学习的。
什么是Hive？
官方解释如下：The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax。
为什么说Hive是数据仓库工具，而不是数据库工具呢？
有的朋友可能不知道数据仓库，数据仓库是逻辑上的概念，底层使用的是数据库，数据仓库中的数据有这两个特点：最全的历史数据（海量）、相对稳定的；所谓相对稳定，指的是数据仓库不同于业务系统数据库，数据经常会被更新，数据一旦进入数据仓库，很少会被更新和删除，只会被大量查询。而Hive，也是具备这两个特点，因此，Hive适合做海量数据的数据仓库工具，而不是数据库工具。
了解了它的作用之后，就是安装配置Hive的环节，当可以正常进入Hive命令行是，就是安装配置成功了。
了解Hive是怎么工作的
学会Hive的基本命令：
创建、删除表；加载数据到表；下载Hive表的数据；
MapRece的原理（还是那个经典的题目，一个10G大小的文件，给定1G大小的内存，如何使用Java程序统计出现次数最多的10个单词及次数）；
HDS读写数据的流程；向HDFS中PUT数据；从HDFS中下载数据；
自己会写简单的MapRece程序，运行出现问题，知道在哪里查看日志；
会写简单的Select、Where、group by等SQL语句；
Hive SQL转换成MapRece的大致流程；
Hive中常见的语句：创建表、删除表、往表中加载数据、分区、将表中数据下载到本地；
从上面的学习，你已经了解到，HDFS是Hadoop提供的分布式存储框架，它可以用来存储海量数据，MapRece是Hadoop提供的分布式计算框架，它可以用来统计和分析HDFS上的海量数据，而Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只需要编写简单易上手的SQL语句，Hive负责把SQL翻译成MapRece，提交运行。
此时，你的”大数据平台”是这样的：那么问题来了，海量数据如何到HDFS上呢？
第三章：数据采集
把各个数据源的数据采集到Hadoop上。
3.1 HDFS PUT命令
这个在前面你应该已经使用过了。put命令在实际环境中也比较常用，通常配合shell、python等脚本语言来使用。建议熟练掌握。
3.2 HDFS API
HDFS提供了写数据的API，自己用编程语言将数据写入HDFS，put命令本身也是使用API。
实际环境中一般自己较少编写程序使用API来写数据到HDFS，通常都是使用其他框架封装好的方法。比如：Hive中的INSERT语句，Spark中的saveAsTextfile等。建议了解原理，会写Demo。
3.3 Sqoop
Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库，Oracle、MySQL、SQLServer等之间进行数据交换的开源框架。就像Hive把SQL翻译成MapRece一样，Sqoop把你指定的参数翻译成MapRece，提交到Hadoop运行，完成Hadoop与其他数据库之间的数据交换。
自己下载和配置Sqoop（建议先使用Sqoop1，Sqoop2比较复杂）。了解Sqoop常用的配置参数和方法。
使用Sqoop完成从MySQL同步数据到HDFS；使用Sqoop完成从MySQL同步数据到Hive表；如果后续选型确定使用Sqoop作为数据交换工具，那么建议熟练掌握，否则，了解和会用Demo即可。
3.4 Flume
Flume是一个分布式的海量日志采集和传输框架，因为“采集和传输框架”，所以它并不适合关系型数据库的数据采集和传输。Flume可以实时的从网络协议、消息系统、文件系统采集日志，并传输到HDFS上。
因此，如果你的业务有这些数据源的数据，并且需要实时的采集，那么就应该考虑使用Flume。
下载和配置Flume。使用Flume监控一个不断追加数据的文件，并将数据传输到HDFS；Flume的配置和使用较为复杂，如果你没有足够的兴趣和耐心，可以先跳过Flume。
3.5 阿里开源的DataX
现在DataX已经是3.0版本，支持很多数据源。
第四章：把Hadoop上的数据搞到别处去
Hive和MapRece进行分析了。那么接下来的问题是，分析完的结果如何从Hadoop上同步到其他系统和应用中去呢？其实，此处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。需要熟练掌握。
HDFS API：同3.2.
Sqoop：同3.3.使用Sqoop完成将HDFS上的文件同步到MySQL；使用Sqoop完成将Hive表中的数据同步到MySQL。
如果你已经按照流程认真完整的走了一遍，那么你应该已经具备以下技能和知识点：
知道如何把已有的数据采集到HDFS上，包括离线采集和实时采集；
知道sqoop是HDFS和其他数据源之间的数据交换工具；
知道flume可以用作实时的日志采集。
从前面的学习，对于大数据平台，你已经掌握的不少的知识和技能，搭建Hadoop集群，把数据采集到Hadoop上，使用Hive和MapRece来分析数据，把分析结果同步到其他数据源。
接下来的问题来了，Hive使用的越来越多，你会发现很多不爽的地方，特别是速度慢，大多情况下，明明我的数据量很小，它都要申请资源，启动MapRece来执行。
第五章：SQL
其实大家都已经发现Hive后台使用MapRece作为执行引擎，实在是有点慢。因此SQL On Hadoop的框架越来越多，按我的了解，最常用的按照流行度依次为SparkSQL、Impala和Presto.这三种框架基于半内存或者全内存，提供了SQL接口来快速查询分析Hadoop上的数据。
我们目前使用的是SparkSQL，至于为什么用SparkSQL，原因大概有以下吧：使用Spark还做了其他事情，不想引入过多的框架；Impala对内存的需求太大，没有过多资源部署。
5.1 关于Spark和SparkSQL
什么是Spark，什么是SparkSQL。
Spark有的核心概念及名词解释。
SparkSQL和Spark是什么关系，SparkSQL和Hive是什么关系。
SparkSQL为什么比Hive跑的快。
5.2 如何部署和运行SparkSQL
Spark有哪些部署模式？
如何在Yarn上运行SparkSQL？
使用SparkSQL查询Hive中的表。Spark不是一门短时间内就能掌握的技术，因此建议在了解了Spark之后，可以先从SparkSQL入手，循序渐进。
关于Spark和SparkSQL，如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的。
第六章：数据多次利用
请不要被这个名字所诱惑。其实我想说的是数据的一次采集、多次消费。
在实际业务场景下，特别是对于一些监控日志，想即时的从日志中了解一些指标（关于实时计算，后面章节会有介绍），这时候，从HDFS上分析就太慢了，尽管是通过Flume采集的，但Flume也不能间隔很短就往HDFS上滚动文件，这样会导致小文件特别多。
为了满足数据的一次采集、多次消费的需求，这里要说的便是Kafka。
关于Kafka：什么是Kafka？Kafka的核心概念及名词解释。
如何部署和使用Kafka：使用单机部署Kafka，并成功运行自带的生产者和消费者例子。使用Java程序自己编写并运行生产者和消费者程序。Flume和Kafka的集成，使用Flume监控日志，并将日志数据实时发送至Kafka。
如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的。
这时，使用Flume采集的数据，不是直接到HDFS上，而是先到Kafka，Kafka中的数据可以由多个消费者同时消费，其中一个消费者，就是将数据同步到HDFS。
如果你已经认真完整的学习了以上的内容，那么你应该已经具备以下技能和知识点：
为什么Spark比MapRece快。
使用SparkSQL代替Hive，更快的运行SQL。
使用Kafka完成数据的一次收集，多次消费架构。
自己可以写程序完成Kafka的生产者和消费者。
从前面的学习，你已经掌握了大数据平台中的数据采集、数据存储和计算、数据交换等大部分技能，而这其中的每一步，都需要一个任务（程序）来完成，各个任务之间又存在一定的依赖性，比如，必须等数据采集任务成功完成后，数据计算任务才能开始运行。如果一个任务执行失败，需要给开发运维人员发送告警，同时需要提供完整的日志来方便查错。
第七章：越来越多的分析任务
不仅仅是分析任务，数据采集、数据交换同样是一个个的任务。这些任务中，有的是定时触发，有点则需要依赖其他任务来触发。当平台中有几百上千个任务需要维护和运行时候，仅仅靠crontab远远不够了，这时便需要一个调度监控系统来完成这件事。调度监控系统是整个数据平台的中枢系统，类似于AppMaster，负责分配和监控任务。
7.1 Apache Oozie
Oozie是什么？有哪些功能？
Oozie可以调度哪些类型的任务（程序）？
Oozie可以支持哪些任务触发方式？
安装配置Oozie。
7.2 其他开源的任务调度系统
Azkaban，light-task-scheler，Zeus，等等。另外，我这边是之前单独开发的任务调度与监控系统，具体请参考《大数据平台任务调度与监控系统》。
第八章：我的数据要实时
在第六章介绍Kafka的时候提到了一些需要实时指标的业务场景，实时基本可以分为绝对实时和准实时，绝对实时的延迟要求一般在毫秒级，准实时的延迟要求一般在秒、分钟级。对于需要绝对实时的业务场景，用的比较多的是Storm，对于其他准实时的业务场景，可以是Storm，也可以是Spark Streaming。当然，如果可以的话，也可以自己写程序来做。
8.1 Storm
什么是Storm？有哪些可能的应用场景？
Storm由哪些核心组件构成，各自担任什么角色？
Storm的简单安装和部署。
自己编写Demo程序，使用Storm完成实时数据流计算。
8.2 Spark Streaming
什么是Spark Streaming，它和Spark是什么关系？
Spark Streaming和Storm比较，各有什么优缺点？
使用Kafka + Spark Streaming，完成实时计算的Demo程序。
至此，你的大数据平台底层架构已经成型了，其中包括了数据采集、数据存储与计算（离线和实时）、数据同步、任务调度与监控这几大模块。接下来是时候考虑如何更好的对外提供数据了。
第九章：数据要对外
通常对外（业务）提供数据访问，大体上包含以下方面。
离线：比如，每天将前一天的数据提供到指定的数据源（DB、FILE、FTP）等；离线数据的提供可以采用Sqoop、DataX等离线数据交换工具。
实时：比如，在线网站的推荐系统，需要实时从数据平台中获取给用户的推荐数据，这种要求延时非常低（50毫秒以内）。根据延时要求和实时数据的查询需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。
OLAP分析：OLAP除了要求底层的数据模型比较规范，另外，对查询的响应速度要求也越来越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的数据模型比较规模，那么Kylin是最好的选择。
即席查询：即席查询的数据比较随意，一般很难建立通用的数据模型，因此可能的方案有：Impala、Presto、SparkSQL。
这么多比较成熟的框架和方案，需要结合自己的业务需求及数据平台技术架构，选择合适的。原则只有一个：越简单越稳定的，就是最好的。
6. 云计算的要求高不高
1.架构要求高。 云计算对服务器的要求包括几个大的模块,如网络处理模块,比如存储,系统处理模块等。那么在架构上,云计算的要求就显得比较高,因此服务器一般会完成整体的架构设计,然后降低一些功耗满足冗余管理。
2.高密度要求。 高密度是云计算对服务器的基本要求,服务器高密度的话对于云计算的延时性有很大提升,
7. 关于“云计算”
IT 界总是不是推出一些崭新的概念，让我们目不暇接。NC、网格计算、IPv6、Web2.0、SOA、SaaS……有些如过眼烟云，有些却改变了我们的生活。
在“网格”概念提出将近 10 年后，又一个类似其改进版的新概念“云计算”被重新提了出来。
网络上有关“云计算”的解释性描述摘录：
（1）所谓“云计算”是指通过网上的中央数据中心，实现PC上的各种应用与服务。目前，亚马逊、谷歌、Salesforce等数十家公司已经建立了计算中心，可以高效处理数据外包业务，并使之成为象电一样，企业可以轻松购买的商品。
（2）“云计算”是一种全新的商业模式，其核心部分依然是数据中心，它使用的硬件设备主要是成千上万的工业标准服务器，它们由英特尔或AMD生产的处理器以及其他硬件厂商的产品组成。企业和个人用户通过高速互联网得到计算能力，从而避免了大量的硬件投资。
简而言之，云计算将使未来的互联网变成超级计算的乐土。“云计算的基本原理是，通过使计算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，企业数据中心的运行将更与互联网相似。这使得企业能够将资源切换到需要的应用上，根据需求访问计算机和存储系统。”在11月中旬的上海IBM创新论坛上，IBM高性能随需解决方案团队副总裁Willy Chiu对记者解释说。
这可是一种革命性的举措，打个比方，这就好比是从古老的单台发电机模式转向了电厂集中供电的模式。它意味着计算能力也可以作为一种商品进行流通，就像煤气、水电一样，取用方便，费用低廉。最大的不同在于，它是通过互联网进行传输的。
谷歌大中国区总裁李开复教授眼中的“云计算”：
互联网络的快速发展正在对人们的生活和工作方式产生着深刻影响。继传统的个人计算机、客户/服务器的计算模式之后，崭新的“云计算（Cloud Computing）”模式展现了现代互联网络的重要特质。
事实上，当任何一个人在互联网上提交一个查询请求时，互联网上可能有成千上万台计算机在为他同时搜索众多的数据库，并运用不同的方法为他提供可能的搜索结果。也就是说，人们不是从自己的计算机上，也不是从某个指定的服务器上，而是从浩瀚如云海的互联网络上，通过各种设备（如移动终端等）获得所需的信息、知识、服务等。这个世界已经从以硬件为中心转向以软件为中心，并正转向以服务为中心的时代。
但是，针对这种新的计算模式，如何能够实施有效的查询和控制，成为许多与会者关注的问题。李开复博士着重阐述了云计算四个方面的重要特点：
1．云上的海量数据存储；
2．无数的软件和服务置于云中；
3．它们均构筑于各种标准和协议之上；并且，
4．可以通过各种设备来获得。
李开复博士进一步阐述了推动云计算发展的六个方面的因素：
1．以用户为中心：数据存在于云海之中，并且伴随着你和你的设备，你可以在任何时间、任何地点以某种便捷的方式安全地获得它或与他人分享。
2．以任务为中心：人们可以方便地与合作者共同规划并执行各项任务，并随时随地进行有效的交流和沟通。
3．强大的功能：置于云海中由成千上万的计算机群提供的强大计算能力、存储能力等将能够为你完成传统上单台计算机根本无法完成的事情。
4．智能化：基于海量数据的数据挖掘技术来获得大量的新知识。作为一个典型的示例，基于这种新技术的语言翻译将更加强大。我们在互联网络上，可以看到这样一种模式：海量的数据 + 海量的分析 ==〉知识。
5．基础设施的可行性：如今，上千台的PC级服务器可以获得极高的性能。Google正在建设更强大的“计算机群农场”（就像高产的奶牛场一样）。
6．并行软件的可编程性：怎样编写可以在上千台计算机上并行执行的程序？Google如今已经开发了一系列新的开发方法和技术。
云计算对于大多数民众而言还是一个生疏的词汇。其实，即便对许多计算机领域的专业人士而言，云计算或许也是个崭新的词汇。但是，它已经存在，并正在给我们的生活和工作带来深刻的变化。Google、IBM、Microsoft 等一批着名的信息产业界的领衔企业正在联手开展相关的研究，并展示了广阔的应用前景。同时，我们也注意到，在此次大会上，众多的中国学者，特别是青年学者们，也带来了各自的研究成果，与世界各国的同行们共同为“One World，one Web”的构建贡献着力量。
网眼理解的“云计算”：
“云计算”的鼻祖可以追溯到大型机和PC时代人们的“分布式计算”理想。当初的终端、局域网、PC机曾试图实现广泛的分布式应用，始终没有真正实现。后来的互联网为大型分布式计算提供了可能，“网格计算”就曾经号称要把互联网变成一台超级、大型、并行的计算机，我们可以利用互联网上众多电脑的空闲计算资源来运行我们的应用。然而炒作多年，“网格计算”的宏伟理想并没有得到广泛实现，一些据说实现了网格计算的应用，老百姓始终不能窥见其真面目，不知道是不是真的。
随着互联网的发展，网速在不断提升，接入互联网的机器越来越多，人们对大容量、高密度计算的需求在不断上升。人们对分布式计算的梦想再次被唤醒，“网格”概念有些过时，“云计算”对它重新包装、升级一下，推陈出新。云计算的物理基础就是互联网，没有互联网和互联网上大量的主机(host)形成的“网云”，是谈不上“云”计算的。
云计算不像 Web2.0 那样更偏重商业炒作，云计算更多的是一个偏重技术的概念。但是众多大型公司比如微软、SUN、谷歌、IBM 等的商业宣传和运作仍然会对云计算这个概念的推广和将来的应用起到至关重要的作用。商业公司需要新概念来刺激行业发展，而新技术也需要大型商业公司的包装和资金投入来推动。
任何技术概念都不是空穴来风，许多概念本身都是有关联的，技术都有或远或近的亲缘关系。云计算是个宏观的概念，其具体实施，可能与 Web Servise、SOA、XmlPRC、SaaS 都有关系。云计算即将把互联网上的各种计算资源整合在一起，例如 PC、手机、掌上电脑及其他移动终端，实现计算的无处不在、无时不在，在云计算时代，“网络就是计算机”有望成为可见的东西。
我们不希望仅仅看到那些公司喊一些空口号，我们更希望看到具体的动作。我们需要看到他们的具体方案、现实案例和开发工具。任何技术概念，如果让大多数程序员靠边站，都不可能产生革命性的影响。希望“网格”概念的遐想真正用“云计算”得到实现。
8. 工业相机的传输延时有多少，由什么决定
理论传输时间为：当前设定的曝光时间加该工业相机帧率的倒数。
例如当前曝光时间0.01秒， 相机的帧率是30帧， 那么传输时间就是 0.01+1/30 秒。