Nest开源Thread协议

简介:

Nest在GitHub上发布了其Thread协议的源代码。

早在2005年,Microsoft和Intel就已经向Internet Society提交了一份文件草案,提出通过低速无线个域网标准(6LoWPAN)的网络传输IPv6包的标准。通过IEEE 802.15.4网络传输IPv6包,后来被称为RFC 4944的文件,是IETF发布为建议标准类型的标准。十一年过去了,Nest Labs开源了 OpenThread,这是基于其Thread协议实现的,通过6LoWPAN标准连接的智能家居网络。

自Alphabet、Nest 、Samsung、ARM、 Silicon Labs和 Yale公司成立Thread Group,开发连接家庭中各台设备的标准和协议后过去不久。协议应该是轻量级的、安全的、高能效的并运行在802.15.4工作频段上的。Nest的Thread协议只是个出发点。Thread Group已经拥有了超过200名成员,开发了超过30款产品,希望这次发布的Thread可以获得更多的认可。

Nest基于BSD 3许可证开源了Thread协议,似乎与Thread Group不相近庭。ARM,、Qualcomm、Texas Instruments以及一些其他的公司为OpenThread的开发做出了贡献,但是作为Thread Group的几个创始人, Samsung等其他公司却不在贡献者列表上。Nest 的发言人告诉InfoQ,决定开源Thread协议旨在加速它在行业内被广泛运用:

OpenThread是Nest主要负责的,而不是Thread Group。通过OpenThread,Nest希望将Nest产品中所用的技术在更多供应商和制造商中广泛采用,以加速智能产品家居网络产品的开发进展。随着越来越多的供应商运用Thread,制造商可以有机会选择一个成熟的网络技术,而不需要创建它们自己的产品,消费者将会有越来越多安全可靠的相关产品可以选择。

OpenThread实现支持所有Thread网络层IPv6、6LoWPAN、IEEE 802.15.4和MAC安全,并创建一个设备之间没有单一故障点的网状网络。

本文转自d1net(转载)

相关文章
|
运维 Kubernetes 监控
揭秘高效运维:如何用kubectl top命令实时监控K8s资源使用情况?
揭秘高效运维:如何用kubectl top命令实时监控K8s资源使用情况?
3895 0
|
12月前
|
搜索推荐 API
淘宝商品数据洞察:解锁精准营销新策略
在快速变化的商业环境中,高效的营销策略对企业至关重要。通过API获取淘宝APP的商品细节数据,企业可以精准分析产品特性、强化卖点,并制定灵活的价格策略。利用用户画像实现个性化营销,选择最佳渠道并优化内容,从而提升品牌影响力。这一方法不仅帮助企业抓住目标消费者,还能增强市场竞争力,促进长期发展。
|
缓存 监控 Linux
Linux配置成代理服务器
代理服务器(Proxy Server)是一种位于计算机网络中的中间服务器,它充当了客户端和目标服务器之间的中介,用于转发客户端请求并获取目标服务器的响应。代理服务器的主要功能包括以下几点:
6789 1
|
并行计算 Serverless API
函数计算操作报错合集之出现 "AttributeError: 'NoneType' object has no attribute 'pop'" 错误,是什么原因
在使用函数计算服务(如阿里云函数计算)时,用户可能会遇到多种错误场景。以下是一些常见的操作报错及其可能的原因和解决方法,包括但不限于:1. 函数部署失败、2. 函数执行超时、3. 资源不足错误、4. 权限与访问错误、5. 依赖问题、6. 网络配置错误、7. 触发器配置错误、8. 日志与监控问题。
396 1
|
安全 网络安全 数据安全/隐私保护
深入理解HTTP协议:工作原理与安全性
【6月更文挑战第28天】HTTP是互联网基础协议,用于浏览器与服务器通信。基于请求-响应模型,无状态且可扩展。但其明文传输、缺乏身份验证和数据完整性校验导致安全问题。HTTPS 加入SSL/TLS,提供加密、身份验证和完整性校验,保障网络安全。了解HTTP原理和安全至关重要。
|
开发框架 自然语言处理 Python
LangChain与智能Agent构建问题之MetaGPT安装如何解决
LangChain与智能Agent构建问题之MetaGPT安装如何解决
219 0
|
存储 资源调度 JavaScript
vue使用pinia存储数据并保持数据持久化
vue使用pinia存储数据并保持数据持久化
560 0
|
机器学习/深度学习 传感器 编解码
2023最新 | 单目深度估计网络结构的通用性研究
单目深度估计已经被广泛研究,最近已经报道了许多在性能上显著改进的方法。然而,大多数先前的工作都是在一些基准数据集(如KITTI数据集)上进行评估的,并且没有一项工作对单目深度估计的泛化性能进行深入分析。本文深入研究了各种骨干网络(例如CNN和Transformer模型),以推广单目深度估计。首先,评估了分布内和分布外数据集上的SOTA模型,这在网络训练期间从未见过。然后,使用合成纹理移位数据集研究了基于CNN和Transformer的模型中间层表示的内部属性。通过大量实验,观察到transformer呈现出强烈的形状偏差,而CNN具有强烈纹理偏差。
2023最新 | 单目深度估计网络结构的通用性研究
|
Java 数据库连接 数据库
深入理解 Java Bean 的生命周期及各个阶段解析
深入理解 Java Bean 的生命周期及各个阶段解析
|
前端开发 开发工具 git
一篇文章搞懂Markdown
一篇文章搞懂Markdown