隨著物聯(lián)網的演變和發(fā)展，所有可以想象到的東西(或事物)和產業(yè)都將變得更加智能：智能家居和智慧城市、智能制造機械、智能汽車、智能健康等等。無數(shù)被授權收集和交換數(shù)據的東西正在形成一個全新的網絡——物聯(lián)網——一個可以在云中收集數(shù)據、傳輸數(shù)據和完成用戶任務的物理對象網絡。

　　物聯(lián)網和大數(shù)據正在走向勝利之路。不過，要想從這一創(chuàng)新中獲益，還需要解決一些挑戰(zhàn)和問題。在本文中，我們很高興與大家分享多年來在物聯(lián)網咨詢領域積累的知識。
 

 

　　物聯(lián)網大數(shù)據如何應用

　　首先，有多種方法可以從物聯(lián)網大數(shù)據中獲益：在某些情況下，通過快速分析就足夠了，而一些有價值的見解只有在經過深入的數(shù)據處理之后才能獲得。

　　實時監(jiān)測。通過連網設備收集的數(shù)據可以用于實時操作：測量家中或辦公室的溫度、跟蹤身體活動(計算步數(shù)、監(jiān)測運動)等;實時監(jiān)測在醫(yī)療保健中被廣泛應用(例如，獲取心率、測量血壓、糖分等);它還成功地應用于制造業(yè)(用于控制生產設備)、農業(yè)(用于監(jiān)測牛和作物)和其他行業(yè)。

　　數(shù)據分析。在處理物聯(lián)網生成的大數(shù)據時，我們有機會超越監(jiān)測，并從這些數(shù)據中獲得有價值的見解：識別趨勢，揭示看不見的模式并找到隱藏的信息和相關性。

　　流程控制和優(yōu)化。來自傳感器的數(shù)據提供了額外的上下文情境信息，以揭示影響性能和優(yōu)化流程的重要問題。

　　▲交通管理：跟蹤不同日期和時間的交通負荷，以制定出針對交通優(yōu)化的建議，例如，在特定時間段增加公共汽車的數(shù)量，看看是否有改觀，以及建議引入新的交通信號燈方案和修建新的道路，以減少街道的交通擁堵狀況。

　　▲零售：跟蹤超市貨架中商品的銷售情況，并在商品快賣完之前及時通知工作人員補貨。

　　▲農業(yè)：根據傳感器的數(shù)據，在必要時給作物澆水。

　　預測性維護。通過連網設備收集的數(shù)據可以成為預測風險、主動識別潛在危險狀況的可靠來源，例如：

　　▲醫(yī)療保?。罕O(jiān)測患者健康狀態(tài)并識別風險(例如，哪些患者有糖尿病、心臟病發(fā)作的風險)，以便及時采取措施。

　　▲制造業(yè)：預測設備故障，以便在故障發(fā)生之前及時解決。

　　并非所有的物聯(lián)網解決方案都需要大數(shù)據。還應注意的是，并非所有的物聯(lián)網解決方案都需要大數(shù)據(例如，如果智能家居擁有者要借助智能手機來關燈，則可以在沒有大數(shù)據的情況下執(zhí)行此操作)。重要的是要考慮減少處理動態(tài)數(shù)據的工作量，并避免存儲將來沒有用處的大量數(shù)據。

　　物聯(lián)網中的大數(shù)據挑戰(zhàn)

　　除非處理大量數(shù)據以獲取有價值的見解，否則這些數(shù)據完全沒用。此外，在數(shù)據收集、處理和存儲方面還有各種挑戰(zhàn)。

　　▲數(shù)據可靠性。雖然大數(shù)據永遠不會100%準確，但在分析數(shù)據之前，請務必確保傳感器工作正常，并且用于分析的數(shù)據質量可靠，且不會因各種因素(例如，機器運行的不利環(huán)境、傳感器故障)而損壞。

　　▲要存儲哪些數(shù)據。連網設備會產生萬億字節(jié)的數(shù)據，選擇存儲哪些數(shù)據和刪除哪些數(shù)據是一項艱巨的任務。更重要的是，一些數(shù)據的價值還遠遠沒有顯現(xiàn)出來，但將來您可能需要這些數(shù)據。如果您決定為將來存儲數(shù)據，那么面臨的挑戰(zhàn)就是以最小的成本做到這一點。

　　▲分析深度。一旦并非所有大數(shù)據都很重要，就會出現(xiàn)另一個挑戰(zhàn)：什么時候快速分析就足夠了，什么時候需要進行更深入的分析以帶來更多價值。

　　▲安全。毫無疑問，各個領域的連網事物可以讓我們的生活變得更加美好，但與此同時，數(shù)據安全也成一個非常重要的問題。網絡罪犯可以侵入數(shù)據中心和設備，連接到交通系統(tǒng)、發(fā)電廠、工廠，并從電信運營商那里竊取個人數(shù)據。物聯(lián)網大數(shù)據對于安全專家來說還是一個相對較新的現(xiàn)象，相關經驗的缺失會增加安全風險。

　　物聯(lián)網解決方案中的大數(shù)據處理

　　在物聯(lián)網系統(tǒng)中，物聯(lián)網體系架構的數(shù)據處理組件因輸入數(shù)據的特性、預期結果等而不同。我們已經制定了一些方法來處理物聯(lián)網解決方案中的大數(shù)據。

　　數(shù)據來自與事物相連的傳感器。“事物”可以是任何物體：烤箱、汽車、飛機、建筑、工業(yè)機器、康復設備等。數(shù)據可以是周期性的，也可以是流式的。后者對于實時數(shù)據處理和迅速管理事物至關重要。

　　事物將數(shù)據發(fā)送到網關，以進行初始數(shù)據過濾和預處理，從而減少了傳輸?shù)较乱粋€物聯(lián)網系統(tǒng)中的數(shù)據量。

　　邊緣分析。在進行深入數(shù)據分析之前，有必要進行數(shù)據過濾和預處理，以選擇某些任務所需的最相關數(shù)據。此外，此階段還可以確保實時分析，以快速識別之前在云中通過深度分析所發(fā)現(xiàn)的有用模式。

　　對于基本協(xié)議轉換和不同數(shù)據協(xié)議之間的通信，云網關是必需的。它還支持現(xiàn)場網關和中央物聯(lián)網服務器之間的數(shù)據壓縮和安全數(shù)據傳輸。

　　連網設備生成的數(shù)據以其自然格式存儲在數(shù)據湖中。原始數(shù)據通過“流”進入數(shù)據湖。數(shù)據保存在數(shù)據湖中，直到可以用于業(yè)務目的。清理過的結構化數(shù)據存儲在數(shù)據倉庫中。

　　機器學習模塊根據之前積累的歷史數(shù)據生成模型。這些模型定期(例如，一個月一次)用新數(shù)據流更新。輸入的數(shù)據被累積并應用于訓練和創(chuàng)建新模型。當這些模型經過專家的測試和批準后，控制應用程序就可以使用它們，以響應新的傳感器數(shù)據發(fā)送命令或警報。

　　總結

　　物聯(lián)網產生大量數(shù)據，可用于實時監(jiān)控、分析、流程優(yōu)化和預測性維護等。然而，應該記住，從各種格式的海量數(shù)據中獲得有價值的見解并不是一件容易事情：您需要確保傳感器工作正常，數(shù)據得到安全傳輸和有效處理。此外，始終存在一個問題：哪些數(shù)據值得存儲和處理。

　　盡管存在一些挑戰(zhàn)和問題，但應記住，物聯(lián)網的發(fā)展勢頭強勁，并可以幫助多個行業(yè)的企業(yè)開辟新的數(shù)字機遇。