2018年物联网的五种参考总体架构框架设计开发 技术要求 万物共享解决方案 物联网平台架构设计

设计物联网 (IoT) 解决方案时面临的最大挑战之一是处理复杂性。典型的 IoT 解决方案涉及许多完全不同的 IoT 设备,这些设备附带的传感器会生成数据,然后需要分析这些数据来获取洞察。IoT 设备直接连接到网络或通过网关设备连接到网络,这使得设备不仅能够相互通信,还能与云服务和应用程序通信(图 1)。

物联网体系架构图

 

边缘计算描述了在 IoT 网络边缘发生的事情,物理设备在这里连接到云。由于注重减少延迟、改善隐私和减少数据驱动 IoT 应用程序中的带宽成本,边缘计算架构在 IoT 中变得越来越普遍。

本文将讨论在设计数据驱动的 IoT 架构时可以应用的以下策略。这些策略可帮助您简化开发,管理复杂性,并确保 IoT 解决方案保持可扩展、灵活和稳健。

  • 采用分层架构
  • 安全设计
  • 自动化操作
  • 互操作性设计
  • 遵循参考架构

IoT 参考架构的组件

物联网体系框架图

参考架构的细节因应用领域而异;但是,大多数 IoT 参考架构至少都描述了以下能力:

  • a. 管理设备及其数据
  • b. 连接和通信
  • c. 分析和应用

物联网框架图

此外,参考架构通常还会描述解决非功能需求的机制,例如灵活性、可靠性、服务质量、互操作性和集成。

a. 管理设备及其数据

参考架构的设备管理方面涉及到管理设备、设备身份和设备生命周期。参考架构描述:

  • 组装设备
  • 更新设备固件
  • 应用新配置
  • 触发远程操作,比如禁用、启用或停运设备

b. 连接和通信

管理设备之间、设备与网关之间,以及网关与云服务和应用程序之间的连接和双向通信,这是 IoT 参考架构中常常描述的另一种关键能力。对于边缘计算,事件驱动的架构是个不错的选择,可使用发布/订阅协议和消息代理在设备和服务之间通信。

c. 分析和应用

为了从来自 IoT 设备的数据获取价值,云应用程序提供了可视化和分析工具来处理数据流或批量数据,以识别可操作的洞察。根据具体用例,决策管理和业务流程工具可触发警报或执行操作来进行响应。

物联网平台,应该是基于现在的互联网,通讯技术来建构,而不依赖与特定的硬件模块,用户可以基于自身的设备技术架构,简单轻松接入物联网。

在物联网中存在4大核心模块,那就是设备管理,用户管理,数据传输管理,数据管理,只有具备了这四大核心模块,才能认为是一个完整的物联网平台,而所有其他的功能模块都是基于此四大功能模块的延展。

分享五种物联网解决方案,这是让你的企业步入物联网成功道路的起点。

1.捕获新的数据源

每天,公司从与客户和供应商的互动中捕获数据,还能获得基于经济、天气、社交媒体等的第三方数据。下面讲述如何获取这些数据:
找到一条全新的数据流
为你的企业设置相关计划,找到一个新的数据源。比如,一些工业设备可能已经有能力输出信息,但是现在信息可能还没有被捕获到。或者可用的公共数据可以容易地集成并与当前信息相关联。
结构化现有的数据流
你可能有一个现存的非结构化数据源,但当前的形式不是特别好用。那么充分结构化当前的这份数据以使它易被企业其他人访问,从而带来新的视野。
容易的机会
观察流行的消息队列,诸如Apache Kafka,从而为消息流建立交通枢纽。
通过查看哪些信息可从现有工业设备中捕获,来深入钻研工业物联网。

2.审视一项新应用

头脑风暴出一项新应用,能交付出新的客户利益或者操作效率。选择包括:
一项新的移动应用。
一项用户体验推进,通过投递更加精准和相关的信息实现。
针对客户和互联网商业的省时工具。
当开展计划并实施时,问问你自己:
什么样的数据源组合能提供最大价值?
这项应用能受益于实时数据吗?
我可以移动到一个推模型,而不是一个拉模型的应用程序交互性?

3.建立一个物联网分析应用

基于对现有或新数据的最新观察的分析帮助业务向前推动。考虑将现有的机器学习模型应用到现存工作流上,或者将模型应用于新的即将到来的物联网生成的数据流上。
比如,许多机器学习模型或者在较早的谈话统计模型中,可以用预测模型标记语言或PMML来输出。
具体来说,诸如SAS导出模型到PMML的工具可以直接集成到实时管道中。像Apache Spark这样的现代转换层和像MemSQL这样的分布式数据库可以本地托管这些模型,从而可以实时记录传入的数据。
架构师可以扩展当前流行的函数库(例如MLlib和TensorFlow),以使用这些工具创建预测分析应用程序。

4.确保正确的基础数据架构

成功的IoT部署需要从边缘数据收集一直到数据中心。像OSI Software提供了一款收集工具,可以帮助你将数据输入你的管道。
一旦进入数据中心,一个共同的架构涉及到集成以下层。

消息队列

在消息层,Apache Kafka和AWS Kinesis是聚集数据流的常用选项,连接信息的产生者和消费者。

转化

大多数数据管道需要将数据从捕获时的状态修改为其长期持久性状态。转换分片模式,以便数据可以在转换层进行正确分类。

数据持久性

最准确的预测分析模型涉及实时和历史数据,因此能够持久保留数据,包括随时的记录,设置适当的上下文。

实时仪表盘

对于快速可视化当前数据没有什么比实时仪表板更能让人惊喜的了。受欢迎的商业智能仪表板(如Tableau、Zoomdata或Looker)以及使用D3.js等框架的自定义仪表板,均能允许公司提供对新数据的广泛访问。

5.为企业设置物联网成功的模型

毫无疑问,数据在当今的商业环境中扮演着更重要的角色,每个人都在争相“转型”。新的CxO角色,如首席数据官和首席分析官,使得这一切变得更加明显。
去年年底,Gartner估测25%的大型跨国企业已经雇佣了一个首席数据官。到2019年,Gartner预期此数据会达到90%。
此外,Gartner看到了高级分析的兴起:

到2018年,Gartner预测,超过一半的大型组织将使用先进的分析和专有算法进行竞争,破坏整个行业。这反过来又受到激增的设备、连接的“事物”、连接性和计算能力所驱使,所有这些都创造了更多的机会来收集数据,分析数据,并可能实现货币化。

从来没有比现在更好的时机来开启你的物联网架构规划。

Top Down