اگرچه محاسبات ابری به عنوان یک روش کارآمد برای پردازش و ذخیره داده‌ها عمل کرده است اما با این حال چالش‌هایی مانند: افزایش تقاضای برنامه‌های بلادرنگ (RealTime) یا برنامه‌های حساس به تاخیر و برنامه‌های با محدودیت پهنای باند شبکه، هنوز نمی‌توانند با استفاده از محاسبات ابری حل شوند. از سوی دیگر در سال‌های اخیر ظهور اینترنت اشیا ارتباط بین همه تجهیزات گسترده در همه جا را ایجاد کرده است که باعث تولید بی‌سابقه حجم عظیم و ناهمگن داده، معروف به انفجار داده شده است به گونه‌ای که برای پشتیبانی از تقاضاهای حساس به زمان، یک الگوی محاسباتی جدید به نام رایانش مه (Fog Computing) معرفی شده است. رایانش مه سرویس‌های ابری را به لبه شبکه گسترش می‌دهد و محاسبه‌ها، ارتباط‌ها و ذخیره‌سازی را به دستگاه‌های لبه و کاربران نهایی نزدیک‌تر می‌کند که هدف آن افزایش تحرک، پهنای باند شبکه، امنیت، حریم خصوصی و کاهش تاخیر است. محاسبه ابری با سه جنبه کلیدی خود یعنی: زیرساخت به عنوان سرویس، پلتفرم به عنوان سرویس و نرم‌افزار به عنوان سرویس و مزایای ذاتی آن نظیر: قابلیت ارتجاعی و مقیاس‌پذیری، هنوز با چالش‌های متعددی مواجه است. توافقات سطح خدمات SLA (Service Level Agreement)ها نیز ممکن است پردازش را در مکان‌هایی که ارائه‌دهنده ابر فاقد مراکز داده‌ها است با محدودیت مواجه کنند. رایانش مه یک الگوی جدید برای رسیدگی به چنین مسائلی است که تامین منابع و خدمات خارج از ابر را در لبه شبکه، نزدیک به دستگاه‌های نهایی یا در مکان‌هایی که توسط SLAها تصریح شده است، ممکن می‌سازد. رایانش مه جایگزینی برای رایانش ابری نیست بلکه یک مکمل قدرتمند است که پردازش در لبه را در حالی که هنوز امکان تعامل با ابر را ارائه می‌دهد ممکن می‌سازد. رایانش مه به عنوان یک مدل محاسباتی نوظهور که هنوز به مرحله پیاده‌سازی نرسیده است با گسترش ابر به لبه شبکه باعث بهبود عملکرد ابر و لبه می‌شود. در این آموزش مفاهیم پایه‌ای مه معرفی می‌شود و پس از آن به کاربردهای بالقوه آن اشاره می‌گردد و در پایان با ارائه چالش‌های پیش رو در رایانش مه آموزش مقدماتی به نتیجه می‌رسد.
