① 玻璃的雾度如何定义和计算
雾度
定义
透明或半透明材料的内部或表面由于光漫射造成的云雾状或混浊的外观。以漫射的光通量与透过材料的光通量之比的百分率表示。
计算方法
用标准“c”光源的一束平行光垂直照射到透明或半透明薄膜、片材、板材上，由于材料内部和表面造成散射，使部分平行光偏离入射方向大于2.5º的散射光通量Td与透过材料的光通量T2之比的百分率，即：雾度计算公式。是透明或半透明材料光学透明性的重要参数。
雾度和透光率是两个概念。雾度大的材料可以是透光率不很低。如果用这样的材料做窗玻璃，白天房间显得很明亮，但又有隐蔽性；如果做汽车挡风玻璃，那显然要求两者都好，以便于观察真切
② 雾计算是边缘计算有什么区别
雾计算
首先说说“雾计算”，处理能力放在包括 IoT设备的LAN里面。这个网络内的IoT网关，或者说是雾节点用于数据收集，处理，存储。多种来源的信息收集到网关里，处理后的数据发送回需要该数据的设备。
雾计算的特点是处理能力强的单个设备接收多个端点来的信息，处理后的信息发回需要的地方。和云计算相比延迟更短。
和边缘计算相比较的话，雾计算更具备可扩展性。具有集中处理的设备，设想的网络是从多个端点发送数据的大的网络。
雾计算不需要精确划分处理能力的有无。根据设备的能力也可以执行某些受限处理，但是更复杂的处理实施的话需要积极的连接。
以吸尘器为例说明，集中化的雾节点(或者IoT网关)继续从家中的传感器收集信息，检测到垃圾的话就启动吸尘器。
边缘计算
边缘计算，进一步推进了雾计算的“LAN内的处理能力”的理念，处理能力更靠近数据源。不是在中央服务器里整理后实施处理，而是在网络内的各设备实施处理。
这样，通过把传感器连接到可编程自动控制器(PAC)上，使处理和通信的把握成为可能。
和雾计算相比的优点，根据它的性质单一的故障点比较少。各自的设备独立动作，可以判断什么数据保存在本地，什么数据发到云端。
以吸尘器为例说明，边缘计算的解决方案里传感器各自判断有没有垃圾，来发送启动吸尘器的信号。
虽然这2个解决方案带来的东西有点相似，但是数据的收集，处理，通信的方法确实是不同的。都有各自的长处和短处，在各种情况下也会出现适合或不适合。IoT在我们的生活中越来越广泛，将来接触的机会也会更多，只记录数据的传感器已经是明日黄花了。
③ 什么是雾计算 雾计算的优势是什么
雾计算的概念在2011年被人提出，在2012年被作了详细定义。正如云计算一样，雾计算也定义得十分形象。云是高高的天上，十分抽象，而雾则接近地面，与你我同在。雾计算没有强力的计算能力，只有一些弱的，零散的计算设备。
雾计算是一种对云计算概念的延伸，上面介绍的云计算弱点，雾计算都不具备。除此之外，它主要使用的是边缘网络中的设备，数据传递具有极低时延。雾计算具有辽阔的地理分布，带有大量网络节点的大规模传感器网络。雾计算移动性好，手机和其他移动设备可以互相之间直接通信，信号不必到云端甚至基站去绕一圈，支持很高的移动性。
雾计算并非是些性能强大的服务器，而是由性能较弱、更为分散的各种功能计算机组成，雾计算是介于云计算和个人计算之间的，是半虚拟化的服务计算架构模型，强调数量，不管单个计算节点能力多么弱都要发挥作用。与云计算相比，雾计算所采用的架构更呈分布式，更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中，而不像云计算那样将它们几乎全部保存在云中，数据的存储及处理更依赖本地设备，而非服务器。雾计算是新一代分布式计算，符合互联网的“去中心化”特征。自从思科提出了雾计算，已经有ARM、戴尔、英特尔、微软等几大科技公司以及普林斯顿大学加入了这个概念阵营，并成立了非盈利性组织开放雾联盟，旨在推广和加快开放雾计算的普及，促进物联网发展。雾计算是以个人云，私有云，企业云等小型云为主。
雾计算和云计算完全不同。云计算是以IT运营商服务，社会公有云为主的。雾计算以量制胜，强调数量，不管单个计算节点能力多么弱都要发挥作用。云计算则强调整体计算能力，一般由一堆集中的高性能计算设备完成计算。雾计算扩大了云计算的网络计算模式，将网络计算从网络中心扩展到了网络边缘，从而更加广泛地应用于各种服务。雾计算有几个明显特征：低延时和位置感知，更为广泛的地理分布，适应移动性的应用，支持更多的边缘节点。这些特征使得移动业务部署更加方便，满足更广泛的节点接入。[
④ 边缘计算与雾计算
随着物联网的快速发展以及大数据2.0时代的来临，预计不久的将来将有500亿台物联网设备连接到互联网，有50％的物联网网络将面临网络带宽的限制，40％的数据需要在网络边缘分析、处理与储存。
过去，数据在前端采集通过网络传输在云端计算，计算结果等一系列数据返回前端进行相应操作。然而，我们现在面临的是巨大的物联网设备的接入，每天产生的数据量给网络带来了巨大的传输压力，近TB级别的操作转移到云中进行实时数据交互是非常不现实的。
对于一辆自主驾驶的汽车来说，它需要更低的网络延迟，这也要求将计算能力转移到更近的边缘，以提高其工作的安全性。基于此背景，雾计算和边缘计算得到了广泛的重视。
先来看看边缘计算和雾计算的概念。
雾计算
这个概念由思科在2011首创，是相对于云计算而言的。它并非是些性能强大的服务器，而是由性能较弱、更为分散的各种功能计算机组成，渗入电器、工厂、汽车、街灯及人们生活中的各种物品。
简单点说，它拓展了云计算的概念，相对于云计算它离产生数据的地方更近，数据、数据相关的处理和应用程序都集中于网络边缘的设备中，而不是几乎全部保存在云端。这里因“云”而“雾”的命名源自“雾是更贴近地面的云”这句话。
边缘计算
它进一步推进了雾计算中“局域网处理能力”的理念，但实际上边缘计算的概念提出比雾计算还要早。边缘计算的起源可以追溯到上个世纪90年代，当时Akamai公司推出了内容传送网络(CDN)，该网络在接近终端用户设立了传输节点，这些节点能够存储缓存的静态内容，如图像和视频等。
边缘计算的处理能力更靠近数据源，其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的边缘末端。
某些应用程序可能会收集大量数据，这些数据被发送到中央云服务的成本很高。但是它们收集的数据中可能只有少量是有用的。如果在网络边缘进行某些处理并且仅将相关信息发送到云，则可以有效降低成本。
例如安全摄像头，将24小时视频发送到中央服务器将是非常昂贵的，其中23个小时可能只是一个空荡荡的走廊。如果使用边缘计算，您可以选择仅发送实际发生某事的那一小时。
那么两者究竟有什么区别？
简单点来说，雾计算和边缘计算都涉及到处理更接近原点的数据。关键的区别在于处理发生的确切位置。
为了区分边缘计算和雾计算，让我们考虑以智能城市为例。
想象一下配备了智能交通管理基础设施的智能城市，交通信号灯上连接了一个传感器，可以检测到交叉路口每侧有多少车辆在等待，并优先为最大等待数量的车道转动绿灯。这是一个相当简单的计算，可以使用边缘计算在交通灯本身中执行。这减少了需要通过网络发送的数据量，从而降低了运营和存储成本。
现在，想象一下这些交通信号灯是连接对象网络的一部分，包括更多交通信号灯，行人过路处，污染监视器，公交车GPS跟踪器等等。
是否在五秒钟或十秒内将交通信号灯变为绿色，这样一个决定就会变得更加复杂。也许此时有一辆公共汽车在交叉路口的一侧迟到了，也许该市决定在下雨时优先考虑行人和骑自行车的人，也许附近设有人行横道或自行车道，等等，都会影响最终的判断。
在这种更复杂的情况下，计算的判断逻辑也会更复杂一些，此时我们可以在本地部署一个微型数据中心，以便分析来自多个边缘节点的数据。这些微型数据中心就像局域网内的本地迷你云一样，被认为是雾计算。
由此看来，物联网需要真正的边缘计算/雾计算来应对日益增大的数据处理需求。未来边缘计算市场规模将超万亿，成为与云计算平分秋色的新兴市场。