AWS在re: Invent 2017大会上确立公有云发展节奏 - 至顶网
AWS在re: Invent 2017大会上确立公有云发展节奏
siliconANGLE
Amazon Web Services公司继续在公有云市场上保持主导地位。在上周于拉斯维加斯召开的第六届re: Invent大会上，AWS讨论了其如何通过深入投资核心基础设施即服务与云数据库产品以实现差异化优势。展望未来，该公司明确表示将通过对人工智能、流媒体以及&物联网&等足以改变游戏规则的重要技术进行战略投资，进一步实现业务的持续增长。
在本届大会第一天的主题演讲当中，AWS首席执行官Andy Jassy（如上图）强调称，AWS在全球云市场继续保持着惊人的增长速度与一马当先的发展势头。过去一年来，其年营收水平同比增长42%，达到180亿美元。目前AWS拥有数百万活跃客户，且客户群体涵盖以AWS为起点的初创企业、各大垂直行业中的大型私营机构、政府、学术乃至其它组织客户。
在这种势头的背后，可以看到诸多用户都在积极利用公有云支持自身核心应用程序与工作负载。此外，客户正陆续将其它新型工作负载&&例如机器学习与深度学习&&引入AWS云当中。为了应对全球各地的市场需求增长，Jassy宣布AWS计划将云服务推广到全球更多服务区内，且各服务区也将拥有更为丰富的可用区选项。此外，此次大会的主要讨论还集中在AWS如何在各个领域内拓展其合作伙伴生态系统，从而立足各类垂直与应用场景提供令人满意的云解决方案。
正如Jassy及其他多位主要发言人所提到，AWS正在以下核心领域推进战略投资：
凭借着本次大会上与IaaS相关的公告内容如雨点般袭来，AWS很明显将进一步深化其以云计算为核心的价值主张。该公司也将更有力地转向平台即服务方向，进而与微软、IBM、谷歌以及其它厂商展开正面竞争。然而，就目前来看，AWS的多元发展计划还没有涵盖软件即服务领域&&因此身处这一领域的微软、甲骨文以及Salesforce.com可以暂时松一口气了。另外，此次大会上并没有提供任何与多供应商、多云场景相关的可靠消息&&但这也可以理解，毕竟目前大多数客户应付单一云环境（通常为AWS）都感到吃力，更遑论多云选项了。
AWS公司已经不再满足于原本的业务发展重心&&即鼓励各企业客户将其旧有应用程序、数据及工作负载全面迁移至云环境中&&而开始专注于客户开发新的、更具价值以及颠覆性的云应用程序。为此，在今年的大会上，AWS反复强调了开发商与独立软件供应商生态系统这一议题。对AWS而言，这无疑是在对Azure以及Google Cloud Platform在公有云IaaS市场上的挑衅举动所作出的回应。AWS的解决思路在于进一步强调其在开发工具层面的创新&&特别是在机器学习、深度学习、人工智能以及分析等层面&&并将借此化解竞争对手的攻势。
在本届大会上，AWS公司还公布了一系列核心EC2基础设施即服务的全新实例类型。这些实例专门用于为客户的各类基础设施即服务工作负载提供更具性价比的使用体验：
Amazon EC2 P3实例: 这些实例支持利用通用型图形处理单元计算实例以处理深度学习及其它AI型工作负载。AWS最多可提供8个英伟达Volta GV100 GPU，用于以较低成本与更佳敏捷性加速客户的高级工作负载。
Amazon EC2 H1实例: 这些实例负责为客户提供指向TB级别数据的高速连续访问能力，同时带来更多虚拟中央处理单元、更为可观的内存容量与每TB本地磁性存储比，外加高达25 Gb每秒的选定AWS服务区内逻辑分组或实例集群的网络传输带宽。
Amazon EC2 M5实例: 这些实例相较于M4实例拥有更为强大的性价比表现，可支持两倍于M4的浮点运算处理能力。
Amazon EC2 T2无限实例: 这些实例可在任何时段内提供高CPU性能，而价格则按临时使用率峰值计算。
Amazon EC2裸机实例:这些实例允许操作系统直接运行在底层硬件之上，且不致对AWS的各项固有优势造成影响。
除此之外，AWS还宣布简化对EC2竞价实例容量的访问方式。通过帮助客户为新一代容器化、无服务器以及其它云微服务方案提供规模更小的云实例，此举相较于按需实例将为客户节约高达90%的使用成本。
AWS还公布了其全新系统管理器。AWS系统管理器提供一套统一的仪表板，可帮助客户以规模化方式操作并管理EC2基础设施。其支持对计算及存储资源进行逻辑分组、自动进行常规部署与工作流管理，并可实现云基础设施的安全管理。
顺带一提，令我们期待万分、但并没有被AWS纳入公告的一项重要消息，在于其如何将AI技术纳入服务管理工具，从而进一步促进对IaaS、容器、数据库以及其它云资源进行更为细致且动态的监控与优化。考虑到AWS已经在其大量解决方案组合中整合了机器学习及其它人工智能功能，此次服务管理中AI的缺席实在令人有些费解。
基于VMware的混合云
客户希望能够在公有云与内部数据中心之间实现混合云一致性，而其关键在于利用相同的软件对两端基础设施进行管理。
正因为如此，AWS与VMware之间的合作对于两家公司才拥有如此重要的意义。为了支持AWS/VMware公有/私有混合云方案的扩展，两家公司宣布将进一步推动VMware Cloud on AWS在全球更多AWS服务区中上线。美国东部服务区的客户们现在已经能够使用VMware Site Recovery以及VMware vMotion，从而大规模移动、运行并保护生产云工作负载。
VMware Cloud on AWS目前支持三十二套主机集群以及每组织多软件定义数据中心，未来还将支持每软件定义数据中心十套主机集群。这意味着单一客户将能够支持包含数以万计虚拟机的庞大运行环境。客户软件定义数据中心环境将运行在高性能、专用且高度安全的下一代AWS硬件基础设施之上。
在本届大会上，两家合作伙伴还公布了以下新功能，用于增强混合云的功能性、性能、可用性、迁移方式与灵活性：
AWS 与VMware正着手扩展VMware Cloud on AWS的规模、网络连接性以及安全功能，旨在进一步支持更多资源密集型应用程序&&具体包括Oracle、Oracle RAC、微软SQL Server、Apache Spark以及Hadoop。
借助VMware vSphere vMotion、新的L2扩展网络功能以及AWS Direct Connect，客户将能够把应用程序由内部VMware集群迁移至VMware on AWS当中，不会造 成任何应用程序中断，且无需变更任何网络配置。
VMware Hybrid Cloud Extension是一款面向VMware Cloud on AWS的附加SaaS方案，负责在运行有vSphere 5.0+的内部环境与VMware Cloud on AWS之间实现大规模迁移，且无需进行任何平台重构、重新测试或者工具变更。
VMware Wavefront云服务允许客户立足VMware Cloud on AWS实现对应用程序的可视化、警报设置与故障排查。Wavefront by VMware还提供一套开放API平台，可支持超过80项集成并借此从各类应用程序量化指标收集程序（例如Java、Ruby、Python以及Go）中收集时序数据，并将结果交付至MySQL、Pivotal、Kubernetes以及AWS等服务指标收集程序处。
云原生计算服务
AWS对其平台即服务方案作出了显著强化，旨在满足希望在EC2上运行容器化微服务、函数即服务以及其它云原生应用程序的客户的实际需求。通过这种方式，AWS将自身定位为一套功能更加全面的平台，从而进一步丰富其作为云服务供应商的业务涵盖范围。
在这方面公布的最为重要的内容，无疑是Amazon弹性容器服务（简称AWS ECS）for Kubernetes，整体简称为EKS。作为AWS现有ECS产品的替代方案，AWS EKS能够在ECS之上运行全托管Kubernetes编排服务，且无需客户自行安装、操作及维护Kubernetes集群。AWS亦在与云原生计算基金会开展密切合作，确保供应商提交的Kubernetes支持与标准同开源库实现紧密结合。
与此相关的还有Amazon Fargate的推出&&其立足ECS与EKS之上负责支持容器的精简部署与管理。Fargate能够在几秒钟之内将业务流程扩展到数万个容器，且无需用户管理底层基础设施。借助Fargate，AWS客户不再需要调配、配置或者扩展虚拟机集群以运行容器。相反，他们能够直接上传容器镜像并指定资源需求，而Fargate会即时完成容器启动。
为了满足AWS产品组合中的PaaS与中间件功能，该公司还宣布了新的安全威胁监控服务（Amazon GuardDuty）、新的预配置应用程序安全规则（AWS Web应用程序防火墙合作伙伴托管规则）、新的消息代理服务（Amazon MQ）以及一款用于发现资源的无服务器应用程序（AWS Serverless App Repository）。
对于开发者群体，AWS进一步扩展了其对无状态、事件驱动型微服务的编程方式的简化范畴。此次推出的AWS Cloud9是一套立足浏览器的集成开发环境，支持Lambda函数协同编码、执行与调试。Cloud9提供一套预配置软件开发工具包，其中包含的各类库、插件与共享库可帮助开发团队解决复杂云无服务器应用开发工作中出现的各类难题。
对于成千上万使用无服务器功能的AWS客户而言，这项新方案的出现无疑是个好消息。事实上，过去一年中，客户对AWS Lambad的使用率提高了约300%。AWS目前已经在其众多服务当中全面嵌入Lambda，这将引导客户更加深入地将相关函数应用至自身云应用程序当中。
数据存储、处理与管理服务
AWS的Aurora关系云数据库运行于众多开源引擎之上（包括PostgreSQL与MySQL），且已经成为增长速度最快的Amazon服务。
在本届大会上， AWS方面宣布对Aurora以及其它现有云数据库进行多项重要功能强化，为图形分析添加新的特定云数据库选项，同时在自家服务组合内引入更多数据保护与管理功能。这些项目进一步提升了AWS数据管理体系的完整性，帮助相关AWS客户得以享受到这一系列性能出色且极为灵活的云计算服务。
AWS方面宣布了两项新的基于Aurora的服务&&其中全新Aurora Multi-Master支持跨越多座数据中心实现数据库读取与写入操作的向外扩展，从而确保任何AWS实例或可用区出现故障时，皆不致引发停机问题。而新的Aurora Serverless则负责为应用程序及其各类工作负载提供按需数据库自动规模伸缩能力。其以点播方式启动，在不再使用时自行关闭，且整个过程无需额外管理。客户仅需要为其实际使用的数据库容量进行按秒付费。
在Amazon DynamoDB云NoSQL数据库方面，AWS公司引入了以下两项新服务：
DynamoDB Global Tables:负责创建多主节点表，用于自动跨越两个或更多AWS服务进行复制。其优势在于能够构建起高性能且全球分布式云应用程序，支持对本地可用表的低延迟读取与写入，亦可通过多服务区冗余保障应用程序可用性。这些功能易于设置，且无需对应用程序进行任何重写。
DynamoDB备份与恢复: 可通过即时及按需方式自动连续备份数百TB级别的数据，且不会对应用程序性能造成任何影响。其还支持时间点数据恢复功能。
新推出的Amazon Neptune图形数据库适用于需要配合高度关联性数据集的应用程序，例如推荐引擎、反欺诈与社交网络等等。Neptune能够存储数十亿项图形关系，自动扩展容量、支持低延迟查询、跨可用区进行数据复制，同时支持完整的备份与恢复功能。其在SparQL中启用图形查询，并可将结果实现为Apache TinkerPop与W3C RDF图形模型。
在其核心Amazon S3数据湖服务方面，AWS推出了新的S3 Select API。这使得各类应用程序能够检索其中的数据子集，从而显著提升应用程序性能表现&&这是因为当需要处理的内容存在于子集当中时，应用程序将无需检索整体对象。
其它新的云数据管理功能还包括服务器端数据库加密及自动将移动应用程序数据同步至AWS云当中。
分析、机器学习、深度学习与AI
本届大会上的相当一部分公告着力对AWS的分析、机器学习、深度学习以及人工智能产品组合作出补充。其中一部分内容旨在帮助开发人员更快围绕AWS云构建起复杂的AI应用程序以及开放式生态系统。此外，AWS还宣布一个新的研究项目以及新的实验室建设计划，旨在促进机器学习技术在云领域的发展以及商业化进程。
其中最值得一提的当数Amazon SageMaker。这项新的AI相关云服务顺利将AWS引入了日益增长的AI开发工具市场，同时为用户提供内置有DevOps工作流方案。这项全托管服务可为数据科学家与开发者团队提供一个抽象层，从而以协作方式构建并部署复杂的AI驱动型应用。SageMaker还帮助开发人员从其S3数据湖内提取数据，提供一套预优化算法库、以规模化方式构建及训练模型，通过机器学习驱动型超参数优化功能实现模型优化，最终以实时方式将这些模型部署在生产EC2云实例当中。SageMaker还可配合AWS近期公布的Gluon API，从而加快高性能模型的编码速度。
用于构建及训练模型的底层开发构架与运行时库无法为用户所接触; 开发人员通过预告构建的Jupyter记事本访问SageMaker，并利用其选择的AI建模框架（包括MXNet、TensorFlow、CNTK、Caffe 2、Theano、Torch或者PyTorch）加以运行，最终可利用内置的自动规模伸缩机制实现EC2内模型部署。
考虑到自然语言处理已经成为多种AI应用程序的核心，AWS此次公布了多项新服务，用于支撑并扩展去年推出的Polly NLP（即自然语言处理）产品。新的Amazon Clair提供一项持续训练隆恩，利用机器学习技术以加速分析存储在S3中的大量文档。新的Amazon Transcribe预览版则可将S3中存储的音频对象进行语音到文本转化，可识别不同说话者，支持自定义词汇表，确保标点符号与格式正确，并在输出结果中应用时间戳。新的Amazon Translate则可立足多种人类语言进行实时机器学习驱动型翻译。最后，新的Amazon Comprehend利用机器学习技术识别文本对象中的实体，包括关键性短语、主题以及情感倾向等等。
在另一组以前一年人工智能公告内容为基础的新消息中，AWS推出了Amazon Rekognition Video。此项新服务将利用深度学习技术对流媒体及静态视频内的对象及活动进行检测、追踪人员位移、识别人脸、审查内容并发现名人。在相关公告中，最新发布的AWS DeepLens（现为内部预览版本）为一款可完全编程的摄像机; 开发人员可利用其配合SageMaker、预建模型以及代码示例一同构建并训练出能够对AWS云内传输的视频流进行分析的人工智能模型。
AWS的大部分人工智能方案主要集中在流媒体的实时处理领域。为了为新一代低延迟富媒体应用提供补充性EC2后端，AWS升级了现有流媒体服务，并推出一系列新的流媒体基础设施服务选项。
AWS方面为其Kinesis实时流计算解决方案添加了新的Video Streams功能。这项新服务可传输流视频与时间编码数据，从而针对各视频内容对象使用低延迟机器学习、深度学习与其它分析技术&&且无论内容处于动态抑或静态之下。Kinesis Video Streams简化了视频类云服务的开发流程，其能够从数百万台设备处获取视频流，同时提供安全、持久且可搜索的媒体时间索引与其它内容对象存储功能，并通过无服务器Lambda函数进行编程。
新的Elemental基础设施服务家族负责云环境下视频货币化视频资产的创建、开发、发布、优化以及管理。新的解决方案包括AWS Elemental MediaStore（为媒体内容提供一致URL的库）、AWS Elemental MediaPackage（流媒体对象及时打包）、AWS Elemental MedialLive（实时视频加载与压缩）、AWS Elemental MediaConvert（基于文件的视频处理）以及AWS Elemental Media Tailor（面向个性化与货币化视频内容的服务器端广告插入服务）。
在边缘场景中，往往涉及大量新型云应用&&包括移动、嵌入式与物联网设备。在本届大会上，AWS大幅扩展了其物联网产品组合，旨在支持设备管理、安全性、分析以及其它边缘支持型基础设施服务。
在边缘分析方面，AWS显然将其无服务器Lambda函数定位为开发人员用于构建边缘应用程序的基础性工具，同时亦继续保持着公有云对所有内容的集中控制肋条。然而，与AWS的其它服务一样，这些新的物联网与边缘计算计划并未扩展至私有、混合或多云环境层面。
在本届大会上与物联网相关的公告中，AWS先后公布了Greengrass增强方案以进一步提升边缘部署的复杂难题解决能力。新的AWS Greengrass ML Inference可直接将各类机器学习模型部署在设备当中，而无论该设备当前是否接入云端，其都可以实现本地推理。在新版本中，AWS Greengrass现在能够支持设备级Lambda函数，从而实现模型本地加载与本地推理。此外，AWS Greengrass现在还能够支持增强型数据与状态同步、设备安全与运行中更新。除此之外，Greengrass现在还包含一套OPC-UA协议适配机制，且部署有多套面向英特尔与英伟达硬件的边缘优化型机器学习模型。
为了支持AI注入式边缘应用程序的开发、部署、优化以及管理，AWS还公布了以下新产品：
Amazon FreeRTOS: 这款新型免费开源微控制器操作系统使得小型低功耗边缘计算设备变得更易于编程、部署、保护以及维护。其可轻松接入AWS Greengrass核心设备，且包含有本地AWS Greengrass、IoT Core以及各类安全库。其还包含一款来自Microchip、TI、ST以及NXP的预打包微控制器驱动程序。
AWS IoT 1-Click: 这项新服务简化了利用本地与云Lambda函数构建新型物联网应用程序的具体流程。通过点击编程，开发人员将能够轻松建立起定制化无服务器功能，并触发各类预先嵌入的设备操作。
AWS IoT Device Management: 这项新服务可帮助企业快速添加、高效组织、持续监控及远程管理接入的物联网设备。其支持批量智能设备添加、运行中更新、元数据与状态索引、细粒度监控、日志记录以及全局搜索等功能。
AWS IoT Device Defender: 计划于2018年推出，这项新服务将帮助企业强化物联网的审计、保护、认证与加密能力，同时保障政策得到切实执行。其支持全局设备审计、安全配置、行为基准与监控、漏洞评估、异常检测、警报以及修复等功能。
AWS IoT Analytics:目前处于预览阶段，此项新服务能够轻松对物联网设备数据进行分析。其可从多台设备及其它云数据源处收集物联网数据，对这些数据进行预处理与填充，并以原始或时序格式将其存储在AWS云中，并通过AWS云计算技术实现即时查询或者通过AWS QuickSight解决方案进行更为复杂的分析与可视化处理。分析师们将能够利用预先构建的Jupyter记事本深入探索这些数据并进行建模。AWS IoT Analytics包含多种Jupyter记事本、经过优化的SQL查询引擎且可与AWS SageMaker自动集成。
以设备为中心的云解决方案
在本届大会上，亦出现了一些与新型解决方案相关的重要消息。事实上，此类解决方案将能够把复杂的新设备同AWS现有的各类数据驱动型AI云服务融合在一起。
最值得注意的是，AWS公布了Alexa for Business。这一新产品能够将Alexa设备、Alexa技能以及Alexa用户以安全方式大规模纳入业务应用之内。其中提供的API可用于根据实际工作应用情况建立囊括情景信息的语音技能，从而顺利解决诸如日程管理、会议安排与数据库查询等任务。其还支持将员工的个人Alexa设备添加至采用Alexa的业务环境之内，从而实现集中式管理。另外，其还提供多种预打包Alexa技能，并允许开发人员通过定制确保其满足企业的实际需求。
如上所述，新近发布的AWS DeepLens内部预览版提供一款可完全编程的视频摄像机，开发人员可利用其配合SageMaker、预建模型以及代码示例共同构建并训练出能够对AWS云内所传输视频者分析的模型。
最后但同样重要的是，AWS发布了Amazon Sumerian预览版&&这是一套工具包，可立足浏览器帮助开发人员快速创建并运行虚拟现实、增强现实与3D应用程序，且无需掌握任何专业的编程或3D图形知识。Sumerian能够在Oculus Rift、HTC Vive以及iOS移动设备等流行硬件之上提供身临其境般的交互式场景，且即将支持Android ARCore。Sumerian与Amazon Lex以及Amazon Polly的整合，则让开发人员能够在虚拟人物与人类用户之间建立起更加引人入胜的语音互动功能。
保存二维码到相册，用微信扫一扫，可以分享到微信朋友圈和好友啦！
即将跳转至电脑版页面您确认跳转吗？工业控制系统发展趋势:PLC的虚拟化和软件定义 - 计世网
工业控制系统发展趋势:PLC的虚拟化和软件定义
作者:佚名 |
来源:cechina
因为互联网每新增加一种产品的存储、营销等成本可以趋近于零，所以互联网的这种特质决定了其针对各个行业必然具有天然的侵略性和颠覆性。
互联网是一个颇具颠覆性和侵略性的思想和体系，从它的诞生之日起短短十多年时间，就跨界打击多个行业并取得巨大成功。总结起来，互联网的核心思想就是规模经济，以规模形成经济效应，即在初始阶段，进行大规模的资本投资，提供满足基本需求的产品，大规模的发展客户，以求达到规模经济性。并在达到一定规模后就开始多元化批量复制这种规模经济，形成多元化的规模发展。因为互联网每新增加一种产品的存储、营销等成本可以趋近于零，所以互联网的这种特质决定了其针对各个行业必然具有天然的侵略性和颠覆性。
在互联网向工业控制系统领域逐渐***之后，诞生了工业互联网、工业4.0以及工业物联网等市场营销概念和体系。这些概念喧嚣尘上，一时满城风雨。喧嚣之后可能归于沉寂，然而来自互联网的***已不可阻挡。
天下大势，浩浩荡荡，顺之者昌，逆之者亡。作为工业控制系统从业者，我们应该抛开市场营销的概念迷雾，去追寻互联网概念下工业控制系统的技术变革。在这样的变革时代，工业4.0、智能工厂、工业互联网等倡导的理念及其技术的实现将不得不在短时间内重新配置，因此需要重新灵活配置工业控制系统的核心设备PLC。如何来灵活配置PLC成为工业互联网真正实现工业互联的的背后支撑。因此本文从这样的角度出发，描述了在工业互联网时代，工业互联网的背后核心技术。
壹、工业控制系统的核心PLC
可编程逻辑控制器，英文称Programmable Logic Controllers，简称PLC（本文在后续一律简称PLC）是带有模块化组件的小型工业计算机，旨在自动化定制控制过程。我理解的控制过程就是通过程序对物理设备进行控制的过程，而这个程序就是通过逻辑表达的形式实现的（梯形图或其他PLC编程语言）。在PLC内部，将真实物理设备通过一个符号或字符串进行逻辑表示，因此编写的程序就是对这些逻辑进行编程和组合、循序控制的过程。这个控制过程是可编程的，可自定义的。因此称之为可编程逻辑控制器（PLC）。
PLC一直在发展中，至今尚未对其下最后的定义。国际电工学会（IEC）曾先后于1982年11月、1985年1月和1987年2月发布了PLC标准草案的第一，二，三稿。在第三稿中，对PLC作了如下定义：可编程逻辑控制器（PLC）是一种数字运算操作电子系统，专为在工业环境下应用而设计。它采用了可编程序的存储器，用来在其内部存储执行逻辑运算、顺序控制、定时、计数和算术运算等操作的指令，并通过数字的、模拟的输入和输出，控制各种类型的机械或生产过程。可编程逻辑控制器（PLC）及其有关的外围设备，都应按易于与工业控制系统形成一个整体、易于扩充其功能的原则设计。
在工业控制系统领域内，工业生产环境的物理机器和生产线通常由硬件PLC控制，这也被认为是当前最优化的解决方案并以此驱动工业自动化进程多年。为了更好地理解PLC的目的，让我们看一下PLC的简史。
工业自动化在PLC之前就已经开始了。在20世纪早期到中期，工业自动化通常使用复杂的机电式继电器电路来实现。机电继电器是一种电子控制器件，它具有控制系统（又称输入回路）和被控制系统（又称输出回路），当输入量(如电压、电流、温度等)达到规定值时，使被控制的输出电路导通或断开的电器。但是，通过继电器这种架构制造简单的自动化所需的继电器、导线和空间的数量都存在很多问题。一个简单的工厂控制过程的实现就需要成千上万的继电器！如果逻辑电路中有什么东西需要更改的话，那更是灾难性的。
1968年，第一台可编程逻辑控制器（PLC）问世，取代了工业生产中复杂的继电器电路实现的工业自动化控制。最开始提出明确想法的是美国通用公司。在1968年的时候他们想要一台可以取代继电器控制的装置。次年，美国数字设备公司为通用公司研制出了第一台可编程控制器PDP-14，并且试用成功，这就是世界上第一台PLC。到70年代后期，PLC开始进入快速发展阶段，运行速度快速提升，小型化也有实质性的进步。80年代初开始在西方国家广泛应用，并快速成长，那段时间可谓是PLC的黄金时期。之后又发展了大型机和超小型机。到21世纪，PLC规模不断扩大，I/O点数增加，多CPU并行工作，大容量存储，高速扫描等，模块化、标准化成为主流，成本大幅度缩减，应用更加广泛。
PLC的设计可以让熟悉继电器逻辑和控制原理图的控制工程师和技术人员能够轻松编程。其中最初始的实现就是梯形图逻辑，该逻辑被设计用来模拟控制电路原理图。梯形图看起来像是控制电路，其中电力从左到右通过闭合触点来激励继电器线圈。如下图1所示：
图1--梯形图逻辑示例
上图的梯形图看起来像简单的控制电路原理图，左侧显示开关、按钮、传感器等输入源，右侧显示输出源。通过这样的梯形逻辑等直观的界面编程来实现复杂的自动化过程，比使用之前的继电器更加便捷高效，而且过渡到PLC的学习成本也降至最低。PLC是微机技术与传统的继电接触控制技术相结合的产物，它克服了继电接触控制系统中的机械触点的接线复杂、可靠性低、功耗高、通用性和灵活性差的缺点，充分利用了微处理器的优点，又照顾到现场电气操作维修人员的技能与习惯，特别是PLC的程序编制，不需要专门的计算机编程语言知识，而是采用了一套以继电器梯形图为基础的简单指令形式，使用户程序编制形象、直观、方便易学；调试与查错也都很方便。用户在购到所需的PLC后，只需按说明书的提示，做少量的接线和简易的用户程序编制工作，就可灵活方便地将PLC应用于生产实践。
而基于这样的梯形图逻辑进行编程，只需要根据现场工厂环境的的生产流程对照编程梯形图逻辑即可，从而实现控制过程的可编程性。这个可编程逻辑控制器（PLC）虽然是可编程的，但是和现今热炒的软件定义还是有一些区别，主要在于可编程逻辑控制器（PLC）的可编程性具有一定的限制条件。即每台可编程逻辑控制器（PLC）对其进行编程，都需要特定的编程软件将程序实现之后，通过和可编程逻辑控制器（PLC）通讯来实施最终的控制过程程序的上载。可编程逻辑控制器（PLC）介于传统硬件设备和软件定义之间，实现了数据平面的可编程性，但是控制平面并没有抽离出来实现统一集中控制。
PLC是为了应对机电继电器复杂的机器控制而开发的。目的是开发更灵活的控制系统，减少机器停机时间，并用这种新设备执行逻辑功能。从PLC开发出来到现在，确实也达到了最初设计和开发的目的。PLC已经在工业自动化领域默默奉献了有几十年的历史，即使在对安全至关重要的应用中，它们也已经实现了对机器进行控制的可靠性。以至于几乎所有的现代工业自动化的控制器都是由PLC实现，在工业环境下，PLC几乎无所不能。
贰、工业控制系统发展趋势
第一次工业革命发生于18世纪到19世纪，通过创造新的制造工艺改进了生产流程从而促进了社会的进步。当时的制造业主要依赖于手工进行商品的生产，而诞生于英国的第一次工业革命改变了这种状况，使得机器制造业能够更好地利用水和蒸汽动力促进生产力提升。而这些改进的创新思想和体系在第二次、第三次工业革命中自然也起了很大的作用。正在进行的工业革命是第四次工业革命，也被称为工业4.0（德国提出）或工业互联网（美国提出）。工业4.0的基本概念与其他工业革命相同：通过改进业务流程和制造工艺，减少生产时间，降低生产材料成本，减少制造缺陷产品的数量，并通过创造能够代替人工作的机器来使工业制造更容易。
工业4.0或工业互联网是正在进行的工业革命的术语。它最初是指制造业的数字化，但实际上也指医疗、物流、石油和天然气等其他行业的数字化。也指我们经常听到的有关智能工厂，智能城市或智能设备的概念。工业4.0是关于物联网（IoT），网络物理系统（CPS），信息技术（IT）和操作技术（OT）的融合，其中，变革首先从信息技术领域引发，云计算，机器学习和大数据等IT技术引导现代信息企业采用新的业务模式，改进自身业务流程和运营效率，提升企业核心竞争力。而这些IT新技术的发展解决了互联网企业和传统企业共同的一个诉求，即解决规模不断扩张、业务快速变化的挑战，同时还有效控制成本。在传统企业中，其他类型的企业愿意通过在早期阶段部署新技术来承担风险，而工业企业可能会更谨慎。由于工业环境的特殊性，工业企业的这个诉求是否能够借鉴互联网企业的成功还是一个未知数。为了克服这个门槛，这个行业需要创新，因此类似工业4.0等概念和体系的兴起，目的就是为了进行大量的研究、测试和实施这些技术变革引导到工业企业中。
关于实践的最新进展情况，我们通过分析传统的自动化金字塔模型来进行说明。传统的自动化金字塔（图2）代表了当今工业控制系统领域的一个典型模型。从传感器到执行器的所有物理设备都处于现场级，用于控制这些现场级物理设备的数据和动作处于第二级，第二级通过使用PLC等物理硬件来控制现场级的物理硬件。第三个级别是一个数据采集和监控级别，允许用户通过SCADA系统监视和控制他们的工业控制过程。SCADA是数据采集与监视控制系统的缩写，典型的SCADA架构包括传统自动化金字塔的前三个级别。MES和ERP系统则在SCADA架构之上。MES代表制造执行系统，它是指实时监控制造数据的系统。MES系统可以跟踪整个生产过程的货物情况。企业资源规划（ERP）系统提供了自动化金字塔的最高级别。ERP系统管理核心业务流程的实时监控，如生产或产品计划，物料管理和财务情况等。
图2--传统的自动化金字塔
工业4.0和网络物理系统到来后，传统的基于该金字塔模型的工业控制系统架构正在发生变化。首先在最顶层的ERP和MES就逐渐实现互联和融合，实现了生产数据的上层联动，并最终利用云计算、大数据乃至人工智能的数据存储和运算的优势将生产数据进行深度挖掘和加工，并最终输出优化的生产数据用于提高生产效率。而在下层的生产执行层设备和系统，则也处于智能和重构阶段，比如最终生产数据的终端以及产生变化，包括人们身穿的跑鞋、智能工厂里面的智能生产线，这些从传感器到执行器的所有物理设备已经在向数字化、智能化方向发展并且已经取得成绩。因此可以发现，在工业互联网或工业40时代，工业控制系统最终的体系变革是将传统的金字塔模型从两端进行变革。准确一点来说，工业互联网侧重的是上层生产数据的技术变革，即工业控制系统和云计算、大数据、人工智能等的融合，提倡将工业控制系统的数据上载到工业云上，利用云进行数据挖掘和分析从而优化生产的过程。所以在现在的工业互联网架构实现上，其体系架构实现要么是工业互联网平台直接和PLC设备直接采集PLC上的生产数据，要么是工业互联网平台采集工业控制系统的实时数据库中的数据，要么就是开发出一个数据采集网关，通过数据采集网关将所有数据全部采集后，网关再将数据上传至工业互联网平台。所以工业互联网本质上来说就是一个将工业控制系统数据全部汇聚到一个云计算平台上。工业4.0则侧重于实现底层从传感器到执行器的所有物理设备的数字化和智能化，并且实现这些终端设备直接将该数据上传。上传的平台可能是MES，历史数据库也可能是工业互联网平台。对大多数企业来说，工业4.0首先要实现的第一步就是通过MES系统对生产系统所有相关子系统进行垂直整合和数字化，以实现实时的工厂运营透明度。同时横向整合还包括功能区的连接。在此MES起到了信息转盘的核心元素功能，对大数据进行收集、分析、处理以及为支持其他系统数据交换。
在自动化控制诞生之前，系统和机器的生产必须依靠手工进行操作。而自动化所带来的好处是，将那些需要重复操作的环节利用自动化控制实现，解放了人的双手并实现了诸多优势--从缩短上市时间到减少故障产品均能够很好表现自动化控制的优点。尽管如此，随着市场需求的不断增长，人们还是嫌弃现有的自动化控制无法满足生产效率的需求，而实质也是这样。人们需要更多的灵活性来保障快速的产品生产上市销售，灵活性是现在工业自动化的关键和重点。这些灵活性表现在：越来越多的工厂数据应该是可复用的，逻辑代码应该是易于移动和可重用的，系统应该是模块化和可扩展的，生产企业应该根据自己的需求选择他们的优选供应商而不是现在的绑定销售等等。
工业互联网和工业4.0的这些实现支持了未来工业控制系统灵活性和可扩展性的需求。工业互联网使得我们的生产数据可以进行规模化集中存储，实现以前不可能实现的大数据，并利用云计算平台前所未有的计算能力对这些大数据进行分析，挖掘和优化生产效率。工业4.0使得现场设备、机器和工厂已经变得&更智能&，所以我们可以谈论智能设备、智能机器和智能工厂。但是，我们会发现，无论是工业互联网还是工业4.0，均未对工业控制系统的的&大脑&PLC做出任何更进一步的技术变革。这种两头重中间轻的现象，就好比是高速路上的收费站，光高速路扩宽远远不能够实现更大的汽车吞吐，矗立与高速路上的各个收费站才是这条路上的瓶颈点。因此现在针对收费站都需要设置更多收费窗口、实现电子收费等等举措改革而适应高速快速增长的车流。适用于工业控制系统领域也是一样，控制的核心PLC设备不能够灵活扩展，无疑这一限制将会大大减弱工业控制系统灵活性和可扩展性。
因此目前业界针对工业互联网、工业4.0等的技术体系探索，重点将围绕PLC展开。
具体来说实现PLC灵活性和可扩展性的方案主要有以下两种：
1、实现PLC虚拟化。利用PLC虚拟化是虚拟PLC（vPLC）取代传统硬件PLC；
2、PLC硬件重构，实现下一代新型和智能的PLC设备，取代传统硬件PLC。
这两种技术是目前工业向互联网转化的技术热点和研究方向，至少从理论实现的角度上来说，实现PLC虚拟化将最大程度的保障现有的大部分厂家及其用户的现有利益，并且基于信息系统的成功案例，使得大家对其实现信心满满。另外的PLC硬件重构，主要以软件定义思想为核心，将PLC硬件的逻辑运算平面和逻辑控制平面进行分离，PLC硬件将实现通用的逻辑运算，统一由控制器进行控制平面的逻辑控制和逻辑管理。
叁、PLC的虚拟化和软件定义
虚拟化和云计算在ICT领域取得巨大成功，其创新程度甚至颠覆了整个ICT旧有的架构体系，从里到外全部翻了一遍。其效果也是相当显著，至少将现在的ICT环境的运营成本利用虚拟化和云计算技术已经显著降低，至于降低多少，降低到什么程度，我相信这是一个众口难调的数字。但是至少使用虚拟化和云计算的企业，已经享受了其带来的好处，并且当前虚拟化和云计算技术已经成为办公室和企业界最先进的解决方案。但是在工业应用中部署这些技术和解决方案并不容易，因为在工业环境中，要求通常很高，系统故障、实时性等对工业生产和应用来说是至关重要的。而工业互联网和工业4.0旧是着手于解决虚拟化和云计算等先进IT创新技术运用于工业领域并提高工业生产效率的变革和技术实现。在工业互联网和工业4.0的实践当中，工业互联网和工业4.0技术在当前来说，是否已经如此发达和可靠，以至于它们可以在需要满足稳定性和实时计算等较高要求的工业控制环境中使用，这是值得怀疑的。但是从一些公开发表的案例和统计数据来看，制造商已经开始从工业互联网和工业4.0技术中受益，这些受益的部分主要是利用工业互联网或工业4.0技术，他们可以使用实时生产数据来帮助更有效地规划生产过程，从而提高生产效率和降低运营成本。这些案例的成功使得人们在备受鼓舞的同时，积极投入成本研发下一步的技术解决方案和完善当前技术实现。在当前，类似西门子等工控设备厂商和从事IT领域的虚拟化云计算厂商均将目光投入到尝试虚拟化控制平面上面，使用软件而不是物理硬件来降低运营成本，并拥有更加灵活的控制环境。PLC虚拟化或软件定义的PLC，换句话说，使用虚拟PLC（vPLC）或软件定义的PLC是他们下一步研究和实现的目标。至少从目前的技术实现和研究方向上以及IT的成功经验上看，大势是如此的。
PLC虚拟化或软件定义的PLC，其技术思想都是将传统专用的硬件功能解耦。因为在工业互联网或工业4.0时代，工厂车间中具有更高级别应用程序的机器的数据集成主要是使用传统协议完成的，而传统协议缺乏对新设备灵活集成的支持。两者之间总是存在着矛盾，如何解决这种矛盾？只能在这两者之间引入一个中间层，通过虚拟化PLC控制器或软件定义PLC将控制逻辑与机器分离，可以获得更灵活的重新配置。
PLC虚拟化或软件定义PLC通过允许用户更换或添加组件而不影响系统的其他部分，实现轻松的可扩展性和系统模块化。PLC虚拟化或软件定义PLC设计为开放平台，允许用户选择首选组件和解决方案，这意味着用户可以灵活地选择不同的供应商（无供应商锁定）。在工业3.0系统中，在同一个体系结构中使用多个供应商的组件并不那么容易，或者根本不可能。PLC虚拟化或软件定义PLC中通常没有硬件依赖性，所以很容易迁移和重用软件。PLC虚拟化或软件定义PLC使用虚拟化或软件定义技术，使用更多的软件而不是硬件，因为所需的硬件数量较少，所以降低了成本，缩小了占用空间。目标是提供现成的和可供销售的COTS（COTS =商业现成的）软件/硬件产品以实现整体解决方案的灵活选择和可扩展性。虚拟化技术和软件定义的体系结构是以软件为中心的模式，在系统集中管理、网络处理和安全性方面具有优势。远程监控降低了运营成本，而维护工程师或操作员并不总是需要现场检查机器的状态。集中管理简化了远程监控，因为只需访问一个软件平台即可管理您的资产。通过云计算和使用智能传感器（包括通信能力和板载诊断的传感器），机器数据被推送到云端，数据可以通过用户界面（HMI）访问。机器数据可以用于预测性维护，这意味着机器数据可以用来预估机器即将发生故障的时间。
PLC虚拟化在这里并非是指软件PLC（SoftPLC）或安装虚拟机里面的软件PLC，而是指将PLC执行环境与I/O模块解耦，并将PLC执行环境标准化、模块化、虚拟化的实现。而软件定义则是将PLC的逻辑抽象出来，利用软件定义网络的实现思路，通过一个应用程序商店的方式实现针对PLC执行动作的程序开发和管理，让应用程序定义硬件PLC的功能。也就是将PLC的逻辑控制、程序存储和IO模块分离，利用应用程序实现逻辑控制部分。
工业互联网或工业4.0在实现PLC虚拟化或软件定义的PLC时，均使用到了以下技术：
l 基于管理程序或容器的虚拟化
l 软件定义网络（SDN）
l 网络功能虚拟化（NFV）等
PLC虚拟化典型的架构实现在学术界和工业界比较典型的架构和描述是：
图3 PLC虚拟化架构
在PLC虚拟化中，PLC I/O总线被高速网络功能所取代，SDN允许在I/O结构上创建灵活的虚拟通道，以适应vPLC实例和I/O模块之间的连接流，例如传感器接口或运行控制器，并且基于SDN的控制可以提供灵活的业务隔离。此外，由于近年来在现场可编程门阵列（FPGA）和专用集成电路（ASIC）技术方面的进展，这种I/O模块可以使用FPGA或ASIC模块以更低的复杂度来构建。在这种架构中，SDN重新配置是通过SDN控制器经由与其北向接&&&互的高可用性（HA）服务器（图中未示出）来管理的。HA服务器连续监视SDN交换机统计信息和路径可达性，在性能下降或故障的情况下触发重新配置过程。
这种PLC虚拟化架构的实现主要考虑的网络因素是，这种分散式模型与远程或分布式I/O PLC拓扑具有相似之处，其中网络I/O模块充当PLC机架的扩展。在直通交换中的进步以及远程直接存储器访问技术（RDMA）中，特别是在融合以太网情形中，已经允许在10G以太网交换结构中端口到端口的延迟缩小到百分之几纳秒以及应用延迟缩小到微秒级。此外，诸如英特尔的数据平面开发工具包（DPDK）、思科的VPP等资源允许实现绕过内核的低延迟、高吞吐量数据包处理机制，将网络堆栈带入用户空间，并使适配器能够执行直接内存访问操作到应用程序内存。这使得满足在以数微秒的单位时间内，传输的抖动和闪断的要求成为可能，从而允许在商用服务器硬件上实现裸机性能。
这种PLC虚拟化架构的实现主要考虑的计算因素是，首先，由于采用了硬件辅助虚拟化等技术使得服务器近乎利用原始性能，低延迟I/O机制或适用于数字信号处理任务的ISA扩展的可用性的提高，现代x86或ARM处理器已经能够替代独立PLC应用中的微控制器。其次，诸如Jailhouse（西门子），Xtratum、PikeOS等实时静态分区管理程序的可用性支持为实时工作负载托管RTOS客户VM。即在计算方面，PLC虚拟化主要考虑实时性、安全性和性能要求。在针对PLC虚拟化上，其运行的实时静态分区管理程序，在考虑工业控制系统的这些特性上，其虚拟化管理程序设计需要同时考虑一下几种模式的混合：
1、完全虚拟化模式，其中操作系统完全未经修改在安全分区中运行。在此模式下，虚拟化管理程序确保其中运行的操作系统不会以任何方式损害或影响并行运行的其他操作系统，并且其上运行的操作系统不经任何修改即可运行在虚拟化管理程序上。但是，这是以牺牲轻微的性能损失为代价的。这种模式主要运行与实时性不强的工业应用或企业应用。
2、半虚拟化模式，为了保证实时代码或实时操作系统的硬实时性和稳定性，虚拟机管理程序还具有称为&特权模式或半虚拟化&的部署模式。在特权模式或半虚拟化模式下，操作系统保留完整的硬件访问权限并使用虚拟机管理程序提供的半虚拟化接口。这允许操作系统以原生速度运行，而不需要虚拟机管理程序添加任何延迟。
3、即在工业控制系统环境中，其设计的虚拟化管理程序必须是具有半虚拟化特征的虚拟化管理程序，所以在物联网或工业互联网时代，Xen具有的先天优势又开始远远领先与其他虚拟化管理程序。
在查看了目前国外厂家的工业控制系统虚拟化管理程序的设计后，其典型的情况大都是使用完全虚拟化模式和半虚拟化模式的混合，其中一些实例运行监控级功能，另一些实例运行硬实时控制功能。半虚拟化模式或特权模式不会引入任何延迟，因此使其适用于实时性应用程序。操作系统之间的通信通过虚拟网络或SDN网络、共享内存来实现。
而软件定义架构的PLC更强调的是一种体系，一种实现思想。即和软件定义网络、软件定义世界一样，PLC设备的智能化和标准化的体现就是典型的软件定义的PLC，包括PLC轻松连接至互联网；将APP和分析结果嵌入机器和云，实现智能化和自我意识；无需更换PLC硬件即可改变和升级PLC设备功能，为用户提供智能，实现持续改进；通过API和生态系统扩大工业互联网平台应用。
一个典型的实现架构是：首先具有一台工业机器，可以用来测试整个生产过程。这台机器可以看作是一套可以通过OT控制协议控制的输入和输出。这是理想的实时协议，因为它确保消息在一定的时间窗内到达。然后开发一个雾计算或边缘计算层，通过工业控制协议在运行时间内与机器进行通信。其运行时会将读取的数据从机器发送到虚拟PLC，然后将PLC的输出返回给机器。如下图4所示：
图4 软件定义架构下的PLC实现
国外根据这个技术框架测试的技术方案实现，
图5 技术方案
该技术方案选择了将Raspberry Pi与UniPi扩展板结合模拟工业机器，UniPi扩展板为Raspberry Pi提供数字输入和继电器控制，使用CODESYS控制软件，这些输入和输出被映射到Modbus寄存器，并最终由上层通过工业控制协议Modbus来实现工业控制操作。然后在边缘层或雾计算层，使用OpenPLC充当逻辑控制器，OpenPLC是一个标准化的软件PLC，可以运行结构化文本（ST）程序。OpenPLC包含一个Web服务器，通过它可以将我们的PLC程序上传到PLC中运行。模拟工业机器与PLC之间的通信通过Modbus完成。最后是PLC需要实现与工业云连接，这一步通过Node-RED工具实现和OpenPLC的结合。Node-RED是一个基于流量的物联网工具。它可以连接不同的设备、API和其他服务。在边缘层或雾计算层中，通过Node-RED将PLC和OPC UA协议服务器连接起来实现通信，并在云端安装OPC UA客户端实现边缘层或雾计算层与云端的通讯工作。
边缘层或雾计算层使用Node-RED作为运行时，OpenPLC作为虚拟PLC。 Modbus消息可以使用外部包发送和接收。机器的输入通过Modbus节点读入并通过另一个Modbus节点发送给虚拟PLC。虚拟PLC处理这些数据并将结果写入其内部的Modbus寄存器。然后Node-RED对PLC的输出进行轮询，并将结果发送回机器。在OPC UA节点的帮助下，可以将数据发送到OPC UA服务器，或者可以在运行时间内托管自己的服务器。然后，IT系统或云端可以通过这个OPC UA协议以统一的方式查阅所有数据。
这只是一个基于框架实现的一个最简单的例子，也是最终实现比较理解的例子，PLC的虚拟化和软件定义后，针对下层IO解耦，将实现工业控制系统的最大灵活性和可扩展性，此外还有诸多好处。而在实现这个的图中，目前已有的工业云平台均以兼容传统PLC架构的模式在运行。举例来说，西门子公司的MindSphere工业云平台，该平台采用基于云的开放物联网架构，可以将传感器、控制器以及各种信息系统收集的工业现场设备数据，通过安全通道实时传输到云端，并在云端为企业提供大数据分析挖掘、工业 APP 开发以及智能应用增值等服务。其架构如下图所示：
图6 MindSphere工业云平台架构
MindSphere 平台包括边缘连接层、开发运营层，应用服务层 三个层级。主要包括 MindConnect、MindClound、MindApps 三个核心要素，其中，MindConnect 负责将数据传输到云平台， MindClound 为用户提供数据分析，应用开发环境及应用开发工具，MindApps 为用户提供集成行业经验和数据分析结果的工业智能应用。
在MindConnect层中，目前主要兼容的还是去采集现场PLC或历史数据库的数据，直接连接到PLC或历史数据库上进行数据采集，或者通过数据采集网关进行数据采集，均以兼容传统架构的方式运行。
这种模式或技术解决方案我们可以称为工业互联网的第一阶段，要实现真正意义上工业互联网或工业4.0所构建的蓝图，仅仅将数据采集上来进行大数据分析、预测、优化等还不够，我们还需要设备本身拥有智能计算、智能处理的能力。而这些优化和计算的能力针对终端来说，可能智能设备本身的计算能力即可满足，但是在真正的工业生产过程中，最终的控制过程还需要PLC来进行控制，PLC的智能计算、智能处理必须具有软件定义的能力，只有通过软件定义的PLC，才能够通过上层的数据分析、预测和优化之后，根据应用功能优化和调整PLC控制程序，实现工业生产的效率提升，同时也避免了人员的繁琐调试等，提高运营成本。而现有的云平台还无法做到直达底层的优化&&&定义，因此只有在打通关键核心控制设备PLC后，才能够打通工业互联网的第二阶段。
工业互联网、工业4.0、中国制造2025本质都是互联网深度参与到工业生产中，从而将生产力提升到一个全新的高度。过去10年是消费者互联网的10 年。上一波互联网浪潮中，互联网在全球连接起数十亿人，同时也造就了Google、亚马逊这样的互联网巨头。互联网在流通、消费、零售、沟通行业的高潮已经有目共睹，互联网在工业生产的领域的浪潮。据通讯巨头思科公司估计，到2020年，互联网会造就150亿至500亿的连接设备，同时还包括人与物、物与物的连接，是传统互联网时代的连接人数的几倍甚至更多。
未来已来，愿日生不殆。
责任编辑：焦旭
如果您密切关注产业互联网领域的最新动态、深度分析和政策解读，订阅计世网邮件将是您的最佳途径。