整體來看，雲端計算市場產品線大致分為：計算、網路、儲存、安全、CDN、中介軟體、資料庫、大資料、AI，再加個IoT。本文主要以產品型別為目錄進行介紹，不做過多技術性解釋，只做基本的產品描述以及適用場景，能對市場產品有個整體的理解。

整個雲平臺都是基於虛擬化技術實現，計算虛擬化、網路虛擬化、儲存虛擬化等，技術細節不再贅述。

文中涉及難免不夠全面，但大致反映出目前雲端計算市場上的需求產品以及未來發展方向，鑑於個人水平有限，文中難免有理解偏差甚至錯誤的地方，如有錯誤還望各位指正。

計算

標準雲主機：

       基本的主機功能，配置不算太高，很多配置在16核、64G以下，當然阿里騰訊這種大平臺支援超高計算能力的。

GPU計算主機：

       配置基本非常高，關於GPU與CPU概念區別如下：

CPU類似以為老教授，從最基礎的1+1到微積分等什麼計算型別都能做，全能型；

GPU類似一個教授帶了一群小學生，教授負責分發任務，小學生只管簡單的加減法。

       目前效能最強悍的應該是阿里的GN6，這個主要用在圖片視訊處理場景較多。

物理伺服器：

       這個沒什麼太多介紹的，就是物理機嘛，看各家介紹和服務了，支援的最高CPU和記憶體差別較大，比如阿里神龍最高可以支援96核，768G（沒用過，具體可能不準確）

分散式高效能運算：

       高效能的平行計算服務，可以理解為是一個雲平臺上的管理服務，能夠實現任意呼叫各種異構例項進行計算，將多例項組合起來，類似超算中心的概念，但是比超算中心更靈活。比如微軟對於此服務的描述：

• 幾分鐘內建立上百個相同的虛擬機器
• 快速擴充套件你的大計算和大資料應用程式

還有種批處理服務，類似這種，但是批處理一般適用於單個任務批量並行處理，適用場景還是有所區別。也就是建立一個分散式計算叢集或者批處理後，不需要你手動再一個一個申請虛擬機器了，平臺會直接幫你把所需要的vm申請完成，你只管提交需要執行的任務，平臺自動給負載到不同的vm進行計算，然後輸出結果。

應用平臺：

可以進行一鍵部署各語言平臺的應用環境，.net，java，php，python，Node.js等，廠商直接將應用環境準備好，你開通後直接部署應用即可，省去了部署應用環境的工作。

容器服務：

基於Docker的容器管理服務，有專業的容器服務提供商，比如靈雀雲。

網路

虛擬網路：

雲上的私有網路，可以將你的所有主機例項放在一個邏輯隔離的虛擬網路中，相當於在物理機房中由交換機和路由器構成的自有網路。並且能通過VPN閘道器與企業IDC組成混合雲。

VPN：

提供一個VPN接入閘道器，傳統的IDC VPN閘道器一般在防火牆或路由器上實現不同地域分支機構間的互聯互通，常用的IPSEC協議型別， VPN閘道器實現本地IDC與公有云加密傳輸。

負載均衡：

支援基於 TCP/UDP 的協議的負載均衡，四層和七層負載，較常用。

應用閘道器類：

Web應用交付閘道器，根據HTTP請求進行負載，類似硬體F5、A10、深信服等廠商的產品，既能進行API級別的路由和負載，還能進行一些SSL的加解密工作等。目前看只有AWS和azure有這個產品，國內阿里和騰訊暫時沒發現，類似的功能很多網際網路公司會通過nginx實現，效率也很高，關鍵是硬體應用交付產品太貴了。

儲存

物件儲存：

簡言之：就是將檔案儲存在雲上，然後可以通過http協議進行訪問。AWS的S3行業內最早實現的產品，目前特別適用於大量音視訊和圖片的場景。

塊儲存：

就是雲盤，能掛載到系統上的儲存盤，主要就是賣容量，關鍵指標是IOPS和吞吐量，最常用的一種儲存型別，雲主機標配，類似於伺服器直接插上一塊硬碟。

檔案儲存：

採用NFS或CIFS命令集訪問資料，以檔案為傳輸協議，通過TCP/IP實現網路化儲存，可擴充套件性好、價格便宜、使用者易管理，如目前在叢集計算中應用較多的NFS檔案系統。相當於系統中的一個共享目錄。

上雲產品：

提供資料從本地上傳到雲上的解決方案，為什麼會出現這種服務，一般情況下，直接將本地資料通過公網拷貝到雲上即可，但在資料量大的時候，通過公網上傳資料簡直就是噩夢，就算500GB的資料，按出口100Mbps專線頻寬來算，就得將近12個小時，這還得保證雲上頻寬也得是100Mbps，成本非常高，何況TCP協議的效率還無法充分利用頻寬。如果是TB或PB級別的那基本不要去嘗試了，時間成本都超高，所以一些雲廠商提供了資料上雲方案，比如Amazon的Snowball（一種硬體儲存裝置，相當於一個超級大容量的行動硬碟）, 是一種PB 級資料傳輸解決方案，阿里的閃電立方服務，騰訊也有CDM。

       目前大資料上雲的最終途徑還是人力快遞，在資料量超過一定級別後，現有的網路傳輸能力還無法支撐，成本隨著資料量的增加就會變得越來越高，再舉個例子，有很多影院在新片上映的時候，高清片源很多都是快遞郵寄硬碟到全國各地，就是因為目前網際網路傳輸能力還不能滿足部分大資料傳輸的場景。頻寬成本和時間成本都很高，還不如郵寄硬碟來的省事。

最常用的三種儲存型別：塊儲存、檔案儲存、物件儲存。其他還有表儲存、佇列儲存等，也算作儲存型別的產品吧，比如redis,kafka，這一大類產品服務，訊息中介軟體類的，後文統一歸類到中介軟體章節介紹。

 

安全

WAF：

Web放火牆，不做太多介紹，硬體能實現的，雲上都能實現，但是這個並不是完全替代硬體的方案，這就好比一個國家打仗一樣，戰場最好是在遠離都城的區域，要是敵人都打到家門口了，那顯得是不是有點被動了，這就好比公網的放火牆一樣，遇到攻擊首先在公網上就開戰了，如果實在打敗了（雲放火牆沒抗住）或者將軍叛變了（雲防火牆出問題了），那敵人直接打到了城門口，這時候至少還有一道硬體放火牆替你扛著。

所以公網上的放火牆能拒敵於千里之外，內網的放火牆能決定你生死！

高防DDoS：

       DDoS流量清洗，防禦SYN Flood、ACK Flood、ICMPFlood、UDP Flood、NTP Flood 、SSDP Flood、DNS Flood、HTTP Flood、CC攻擊。這些都是很基礎的服務，最開始傳統的CDN廠商一直在做，加速的同時提供流量防禦。

場景也是跟WAF一樣，公網和內網相結合更保險。

其他安全產品：

       比如鑑黃服務，圖片或視訊鑑黃，現在網路監管嚴，很多網際網路UGC的平臺非常注重涉黃問題，前幾年一些大點的網際網路公司需招聘幾百人每天進行人工鑑別，成本非常高。

       其他入侵檢測、堡壘機、安全眾測、APP加固、https加密等常見的，還有一些雲廠商獨有的，比如騰訊的活動防刷、遊戲防作弊這些。

CDN

網頁加速

基於http和https的網站加速產品，關鍵技術就是快取，其他能抗高併發，抵禦突發流量等等一些附帶的服務。這是比較專業的一塊內容，這裡不再多介紹，一兩句話介紹不完。

流媒體加速：

       直播或點播的加速，點播是在CDN節點上直接把視訊轉碼成不同的格式，供使用者訪問

；直播涉及推流、轉碼、拉流三個過程，每個過程都可以分開作為單獨的產品服務。

整體來說，CDN這塊並不是市場或技術難點，傳統的CDN廠商都已經做了很多年了，現在只是在原來公有云的基礎上做成一種附加的產品服務，目前市場上沒有技術門檻的只有這兩種型別的CDN加速，也是最來流量的，同時也是最賺錢的，當然傳統的專業CDN廠商提供有很多比較深入的產品，比如底層TCP層的加速服務，大資料傳輸的加速等等，有些是技術門檻、有些是資源門檻導致新來的無法複製，當然這些細分的並不是最能來錢的，所以新進來的廠商都集中在最賺錢的這兩類加速服務上。當然還有類似迅雷的P2P CDN這種，並不是市場主流，有很多不確定性，企業級市場首選還是追求業務穩定性，這種技術還需要企業市場進行驗證。

中介軟體

訊息中介軟體：

訊息佇列（Message Queue，簡稱MQ）是一項高可用、高併發、高可擴充套件、低延時的分散式訊息佇列服務，解耦訊息的生產與消費，多程式可以同時讀寫、互不干擾，為企業級架構的核心產品之一。

各家使用的基礎元件不太一樣，Amazon使用Apache的ActiveMQ，阿里自己開發的RocketMQ，騰訊也是自己開發的CMQ等；還有以開源kafka為基礎的訊息元件，或專用於IoT的微訊息佇列。

至於產品的效能以及穩定性的話，相對來說阿里和騰訊是在自身大併發平臺上試驗過的，相對於其他開源產品更有優勢。

微服務中介軟體：

基於SpringCloud的微服務架構平臺，還有阿里開源的Dubble服務，騰訊的TST服務等等。

資料庫

資料庫就比較容易理解，將傳統的資料庫產品做成SaaS服務的形式按需取用。

關係型資料庫：

常見的MySQL、SQL Server、MariaDB，PostgreSQL，MongoDB。

其他就是各家自研的分散式資料庫了，比如阿里的DRDS、騰訊的TDSQL

非關係型資料庫：

一類是基於redis、memchached開源產品，一類是自研的非關係型資料庫，相容開源協議。

其他型別：

       Hbase分散式儲存、時序資料庫、資料倉儲等。

大資料

大資料計算：

大資料的基礎基本都為Hadoop體系，都是在此基礎上進行一些定製化的優化整合，讓資料處理更靈活，相容性更強，省去了不少自己開發的精力和成本。

還有一種是大廠自用的大資料套件，現在開放出來作為一種服務，這種最開始也是基於Hadoop體系來做的，只是不斷根據自身業務進行了大量的定製化工作，就成了自己的東西，比如阿里的MaxCompute，騰訊的TBDS。

       大資料計算場景大體上分為兩類：1，離線計算；2，實時計算。

離線計算：就是用於實時性不很高的場景，比如百度收錄一個網站後不需要即時能在搜尋引擎中被檢索到，先離線處理後，過幾天才能被檢索到，類似這種就是離線計算，並且最初的Hadoop套件本來就是Google用來作為基礎計算的，並不是為了實時計算場景而設計的。但後來又衍生出來的一些套件可以基於Hadoop進行實時計算，所以目前的所有關於大資料計算的元件統稱為Hadoop體系。

實時計算：需要實時展現處理後的資料，用於實時推薦、使用者行為分析、實時營銷、物聯網資料分析（如常用的地圖交通資料）等場景。比如一般使用spark作為實時計算模組，本來的MapReduce（簡稱MR，MR2版本升級後又命名為Yarn）也可以作為實時計算，但這個效率不如Spark。這個可以詳細瞭解下MR原理就知道為什麼效率不如Spark這種實時流計算模組高了，在此不再贅述。

資料倉儲：

這個概念很好理解，可以類似理解為一個大容量的資料儲存中心，各家產品架構和功能並無較大差別，都是相容SQL語法並且能相容BI工具，剩下的就是相容性、穩定性、效能的差距了。

Amazon的RedShift，百度的Palo服務，其他如阿里騰訊都有各自的服務，資料倉儲在某種程度上類似大資料叢集，只是場景不同，產品定位不太一樣，就好比在使用者行為分析場景中，本身就是一個大資料計算的平臺，不僅需要實時計算，還需要離線計算，處理過的資料儲存後，也可以將其他資料來源比如業務資料導進來結合分析，這也是資料倉儲。所以可以這樣理解，大資料計算平臺側重點在於計算（實時或離線），資料倉儲側重點在於儲存分析（相容不同資料來源和分析工具)，他們的基礎元件和架構可能都一樣，只是設計的側重點不同。實現的基礎元件可以是關係型資料庫，如Greenplum、Vertica、Exadata，也可以是大資料叢集儲存，如HDFS結合Hive分析工具等，也可以是雲端儲存，總之底層實現架構各有各的套路，總體上實現的功能目標都是一致的。

 

分析檢索：

這一類的服務也較常用，特別對於越來越大的資料量，檢索查詢效能顯得格外重要，就好比百度搜尋，檢索一條關鍵字肯定都是毫秒級，海量資料檢索效能直接關係產品服務的使用者體驗，在講究效率的網際網路時代，時間顯得格外重要。

看各家產品，Elasticsearch（簡稱ES）是最常用的產品，檢索效能非常給力，目前最常用的海量資料檢索工具。比如ELK是開源的日誌分析平臺，目前市場上大部分日誌平臺都是基於ELK進行二次開發的，ELK中就整合了Elasticsearch用於儲存分析檢索。這裡舉個例子，本公司曾經使用mysql作為資料儲存，在一般場景查詢效能還能滿足要求，後來隨著客戶體量增加，資料量級越來越大，再使用mysql這種關係型資料庫查詢就有很大的瓶頸，查詢一個較大的報表需要幾十秒，這種等待是不可被客戶接受的，後續更改了架構，加入了ES元件，將資料分離，基礎資料存入mysql，剩下的詳情資料都存入ES中，極大地提高了查詢效能，查詢同樣一張報表縮短至2秒以內。

BI分析：

這個就是一套工具，各廠商基本一致，可以支援接入不同的資料來源，並自定義分析展示報表，基本都是通過sql語句實現定製報表的展現，主要看產品相容性和效能。

AI

在人工智慧領域，首先看國內BAT，百度最早開始把重心放在AI上，完全把自身定位為人工智慧公司，顯然產品也是國內最領先的，阿里和騰訊進度半斤八兩，並通過併購投資行業內一些垂直行業獨角獸完善佈局。國外的佈局較早的公司主要還是集中在Amazon、Google、微軟、IBM、蘋果等巨頭。每家擅長方向不同，根據自身業務型別在AI上的發力點也會有所不同，阿里AI較早應用在電商平臺，Google將深度演算法、機器學習領域運用到搜尋上，IBM在機器人領域從上世紀的沃森就已經開始領先。不論國內還是海外，都是巨頭通過不斷併購完成自己的產業佈局，目前市場估計已經快到了併購的尾期，格局正在形成。

再從整體技術平臺上來分，人工智慧分為三大領域：

1， 機器人：這個領域國外起步很早，最早是工業機器人的應用，用於生產製造，但是這些年國內很多行業巨頭開始發力追趕，或者直接通過收購國外行業巨頭來補充自身技術劣勢，去年美的收購庫卡等。其他行業，比如教育機器人、安防機器人、物流機器人、陪護機器人、醫療機器人等等，甚至還有很多研究出的高模擬xxoo機器人，很多行業都已被滲透，只是在各行業應用的成熟度不同。最大的工業機器人應用公司應該就是富士康了，沒有之一。

2， 平臺系統：包括硬體作業系統等，如百度的apollo系統（自動駕駛）和DuerOS（物聯網裝置，包括家電、傢俱、車載裝置、隨身裝置等等），Amazon的Alexa系統也已應用到echo音響上面並向市場開放（像福特和華為這樣的巨頭也加入了Alexa系統，還有其他很多的傳統制造業，燈泡、開關等等）。佔領底層的作業系統能夠打造出一個完整生態，就好比上世紀的windows一樣，所以這方面的競爭顯得至關重要，曾經的Android就成了革命性的經典，物聯網所描述的萬物互聯的世界正在一步一步地實現。

3， 軟體應用：目前國內獨角獸企業大多都集中在應用領域，文字識別、語音技術、視訊技術、計算機視覺、人臉識別等領域，國內較多AI公司重點應用也在於軟體層面的應用上，IoT市場也正在成為各家巨頭爭奪的焦點，物聯網規模過於龐大，絕對會成為各家競爭的重要戰場，但具體未來能發展成什麼樣，現在下結論還為時尚早。應用最廣泛的語音技術和視覺技術，國內出現了不少獨角獸，商湯科技（SenseTime）、曠視科技、格靈深瞳、Video++、地平線。還有一塊也比較重要，也是資本市場非常關注的領域：AI醫療領域，目前國內應用場景主要包括醫療機器人、醫療影像、遠端問診、藥物挖掘等，知名企業有華大基因、碳雲智慧、麻省理工學院的達芬奇外科手術系統。

文字識別：

OCR技術應用，這個技術並不是新技術，只是之前應用的領域較少，在當前特別使用者追求體驗的環境下，此類技術才得以廣泛應用，各種證件照識別、車牌、表格等還可以自定義識別模板，自動識別省去了很多工作量，就像最簡單的繫結個銀行卡，以前手動輸入卡號還容易出錯，現在直接拍個照自動識別，準確率也很高。

影象識別：

類似文字識別，換成了識別圖片上的影象，比如動植物、車型logo等 。百度搜圖功能可以通過你上傳的圖片即時識別出為各種植物或動物等，其他應用比如在內容推薦功能，根據使用者瀏覽圖片中的物體來判斷使用者的喜好。

還有一類影象稽核應用，頭像稽核甚至鑑黃服務等屬於此類應用。

語音技術：

這個技術也是非常早出現的了，國內的科大訊飛在這方面具有很強的技術積累，主要應用科大的翻譯筆，在去年火了一把。這個技術也是目前各家能實現產品落地的非常好的入口，各種智慧音響層出不窮，阿里有天貓精靈，京東有叮咚、百度有小度在家、亞馬遜的echo、谷歌Home、蘋果的HomePod等等，都是語音互動類應用的具體落地產品，也是物聯網較容易入門並且較有市場的產品。

視訊技術：

       視訊處理技術裡包含文字識別、語音識別、影象識別、人臉識別，應用場景也較多，像最基礎的鑑黃服務，目前的的直播平臺非常注重此類服務，以前是人工鑑黃，現在用工具實現極大地降低成本；同樣在智慧城市安防領域應用也最多，並且也最前衛，結合大資料平臺進行一些特殊場景的應用。目前實現視訊分析的技術基本都是通過將視訊拍照還原成圖片，然後再進行識別，所以歸根結底還是圖片識別技術，只是這個資料量較大，比如在視訊鑑黃服務中，就很難做到實時分析，一般都是離線分析，使用者先上傳完視訊後，平臺才啟動鑑黃程式進行監測，這個中間一般都會有個時間差，就是因為資料分析量過大不能完全達到實時監測，當然也能實現實時，只是成本很高，需要大量計算資源，看業務是否需要實時。

人臉識別：

人臉識別將是應用最廣泛的技術之一，早前支付寶和微信已經整合了社保和公積金查詢服務，即通過人臉識別直接確認身份資訊。包括微信公眾號裡各種通過頭像判斷顏值年齡等，刷臉考勤、會員認證；應用最多是在安防監控領域，特別是公安很早就開始採用人臉識別協助蒐集違法人員資訊，鎖定一個人臉能實現全城攝像頭聯動；再舉個人臉識別的場景，據說某城市所有娛樂場所（特別是某些會所類）攝像頭都已經接入公安平臺，公安通過人臉識別統計所有出入這些場所的人員形成人臉庫，然後從這些人臉庫中分析出哪些人經常出入娛樂會所，還有一些抓嫖分析技術應用，分分鐘定位到你在哪在幹嘛，這也是在安全城市應用中的一個場景。深圳前段時間就啟用人臉識別監測闖紅燈，當然雖說這個技術很高階，但是隻需要一個口罩就能破解，目前人臉識別還無法識別帶著口罩的場景，但還有其他更高明的手段，比如監測步態，公安破案中通過走路步態就能鎖定唯一犯罪嫌疑人。很多技術手段都是在政府公安領域首先應用後才普及到民用市場。

單就說安防領域的話，像國內海康大華技術應該比較領先，早就引入此類技術應用在監控攝像頭上，當然各有各的側重優勢，傳統的應用廠商也跟新興的AI公司進行技術合作，技術上都是取長補短。

在人臉識別中，還能識別情緒，像微軟的情緒識別，你識別出來你的喜怒哀樂。

自然語言：

自然語言，一般指計算機領域人與計算機互動的方法，俗稱人機對話。也可以這樣理解，就是人的語言。經過處理後怎麼讓機器理解，也就是自然語言理解。

針對文字資訊進行語義分析、詞彙分析、句法分析、詞義解析、評論觀點分析、情感傾向分析、詞性標註等。基於這些功能（不限於以上列出功能，目前自然語言處理還在應用發展階段），可以適用於很多場景，如智慧客服、搜素引擎（根據分詞提高搜尋結果）、輿情評論分析（通過分析使用者評論資訊智慧判斷出使用者對於產品服務的滿意度）、內容推薦等。這塊應用場景一般都是結合語音文字視訊影象等，也是目前比較難的一塊技術，需要有很多積累和練習，才能讓自身的平臺更智慧。

總結一下，自然語言就是處理人機互動問題，所以涉及人機互動領域都需要進行自然語言處理。不論是軟體機器人還是硬體機器人，都需要與人互動，應用最廣泛的聊天機器人，蘋果的Siri，微軟的小娜，百度的小度等。

VR/AR：

目前看百度開放了AR的SDK介面，還有Amazon也有對應的SDK，其他廠商未開放對應的服務，這個也是前幾年炒的厲害，具體應用並不是很實用，並且需要技術硬體裝置等整個生態配合，所以市場反應並沒有那麼強烈。

題外話：

人工智慧，特別是在計算機視覺領域，其實應用最成熟的行業就是安防監控，這也得利於大部分技術需要應用在公安政府等領域，方案落地也較早，並且一直處於技術發展前沿。但是有個比較尷尬的問題就是，目前的雲端計算處理能力還真的無法完全勝任安防監控這個領域，為啥呢？雲端計算不是很強大嗎？你可以想象一下一個市區有多少個攝像頭，並且還得把這些攝像頭視訊全部進行處理後再分析，裡面涉及的圖片視訊處理是最耗計算能力和儲存能力的，技術問題像人臉識別等技術在早十幾年前就開始應用了，但關鍵是計算能力，不過這個也在慢慢改善。

物聯網

雲端計算廠商能提供的產品服務從物聯網架構上來分為三類，可以提供全端接入的解決方案，架構圖參考如下：

1， 感知層： 即裝置採集端。

首先就是物聯網系統，比如結合人工智慧的百度的DureOS、Amazon的Alexa系統以及專用於物聯網裝置的FreeRTOS系統等，幫助裝置端實現物聯網化，為什麼系統比較重要，如果佔領了系統層對以後的生態至關重要（硬體不是關鍵），就好比Android一樣，百度還有直接提供積體電路板，基於ST的B-L475E-IOT01物聯網開發套件，板子整合了WiFi模組、藍芽模組、NFC模組等，能直接實現網路傳輸。還有一類是提供軟體SDK，基於目前網際網路上的平臺將現有的網際網路裝置轉換為IoT裝置，針對Android或IOS裝置的SDK，或C、JAVA平臺的，是將傳統的網際網路裝置變成物聯網裝置，因為越來越多的傳統裝置會採用開源系統比如Android，目前大部分家電都預裝Android系統並整合WiFi模組。相對於百度的DureOS，Android只缺少了智慧性，但是這些智慧模組都是可以整合到Android系統中的，所以在某些場景下，特別是家電物聯網，Android系統的可擴充套件性更強，而像一些小型裝置比如音響則採用DureOS更合適。

甚至Amazon還直接提供硬體，如AWS IoT Button就是一款類似小U盤的產品，可以自行開發進行場景定製，車鑰匙、呼叫器、燈泡開關等等，相對小型裝置較適用。

2， 網路層：即網路傳輸。

主要負責傳輸資料，傳統的裝置是沒有網路能力的，需要整合無線通訊模組和其他有線傳輸模組。

無線模組類：即通過OTA傳輸。一種是終端裝置直接具有網路能力，比如傳統的家電裝置、穿戴裝置等，單獨增加一個無線通訊模組，實現成類似手機的上網功能，現在很多家電都是整合WiFi模組，連線固網實現傳輸。阿里也有這樣的產品，比如廣域網通訊模組合宙(Luat)，有方（Neoway），支援GSM/GPRS網路；百度提供SIM卡方式幫助終端裝置實現網路傳輸（天工物聯卡），這些硬體產品將傳統的裝置具備基本網路能力。另一種是終端裝置沒有網路能力，而是智慧閘道器具有，所有裝置資料匯聚到閘道器後，統一回傳至資料平臺。運營商有專門的物聯網路卡，電信NB-IoT網路是目前國內商用最早、覆蓋最全的運營商網路，套餐費每年每戶才20塊。無線傳輸網路，有專用於物聯網的NB-IoT網路，還有傳統的通訊的2G,3G,4G,5G等，詳情可以自行查詢資料學習。

有線傳輸類：比如WiFi或有線網路卡等，智慧閘道器路由器等裝置，通過乙太網進行網路傳輸。比如最常見的溫溼度探頭，首先這些探頭需要有線通過modbus協議直連在modbus閘道器（一般是將modbus協議訊息轉成TCP）上，然後閘道器統一處理後通過TCP協議回傳至資料中心，當然還有另外一種模式，這些探頭本身就是自帶無線WiFi模組或RJ45介面，顯然也比較貴，根據不同的環境進行選擇，不適合佈線的環境就採用無線方式。

其他傳輸：藍芽、NFC等方式。

總結下傳輸方式，大部分基於無線通訊模式（OTA：2G/3G/4G/NB-IoT等）或者乙太網傳輸模式（WiFi、雙絞線等），常見的物聯網傳輸協議基於MQTT、COAP（基於UDP）、HTTP(S)、XMPP或WebSockt等。不同的協議應用的場景不同，在此不再贅述！

3， 應用層：即資料接收處理中心。

最前端為訊息伺服器並整合裝置管理、安全許可權控制等平臺，常用的物聯網傳輸協議MQTT，是基於C/S架構，需要有MQTT伺服器接入訊息（當然也可以通過HTTP等協議實現），實現資料接入、解析、管理，然後再結合雲平臺各種產品實現大資料分析及其他應用場景；

國內廠商中，看BAT佈局，阿里和騰訊產品在感知層裝置端做的比較深，而騰訊則只有幾個平臺的SDK，不提供硬體或網路接入能力，百度和阿里都有硬體產品，雖然是與其他廠商合作，但也可以看出這兩家很關注整個物聯網生態，而不是僅僅提供基於雲平臺的資料接入分析應用服務。

國外廠商中，Amazon產品線覆蓋較全，不僅有物聯網作業系統，還有基於人工智慧的Alexa系統，硬體的按鈕裝置等，網路層倒是沒有過多關注。微軟提供的主要也是應用層的服務，當然也有裝置端的SDK（基於windows、Linux和實時作業系統，支援C、Python、Node.js、Java、.Net環境）。

 

其他

各家雲平臺還有一種產品服務是專門針對媒體視訊類的，視訊處理技術，視訊防盜鏈加密、水印、轉碼、音視訊提取、截圖處理、畫質增強、智慧稽核（鑑黃等）、人臉識別、語音識別、文字識別等。這些技術都是之前產品技術的集合，所以說視訊多媒體服務單從技術上說是一種解決方案，並非某種技術實現。

       還有些比如管理監控類附加產品，這些可以做基本的管理監控用，特別運維監控這塊也是個單獨的專業細分市場。雲廠商產品真的是包羅永珍，還有更多傳統的產品服務被雲化後陸續上線中，但是雲端計算的最基礎能力還是計算、網路、儲存這三方面。其他所有產品服務都是基於這三大基礎能力實現的，不論是大資料還是AI，或是IoT。

       剩下的產品服務都是各家特有的，像阿里有較多的移動端產品，釘釘這些，這並不是各家雲廠商通用的主流產品，在此不再做過多介紹。