物聯網數據管理與計算堆棧

事實上，物聯網傳感器生成的數據才是搭建物聯網系統時最大的挑ꩲ戰。在最新的IT網絡中，發端于一臺計算機或者一臺服務器的數據往往是由客戶端/服務器這種通信模型產生的，這類數據可以滿足應用的需求。

在傳感器網絡中，絕大部分數據都是非結構化的，這些數據本身幾乎沒有任何用處。比如，一個智能電表生成的大部分數據都是輪詢數據；通信系統只需要判斷這個電表與網絡之間的連接是🧸不是正常就🐈可以了。這個數據本身用處著實不大。

智能電表的真正價值在于那些電表管理系統（MMS）讀取到的那部分測量數據。不過，如果我們從另一個角度來看待那些原始的輪詢數據，這些信息可能就會非常重要。比如，一家公用事業單位可能有上百萬門電表，這些電表覆蓋了這家公司提供服務的整個區域。如果智能電網覆蓋的整個區段都顯示與電表🐲的連接斷開，那我們就可以對這些數據進行分析，并且將這些數據和其他數據源（如天氣預報和電網的電力需求）結合起來，依此判斷這次故障的成因。

這類信息可以幫助人們判斷，電表連接中斷是不是表示真的存在電力損失，還是說電網中出現了其他問題。此外，分析這類數據可以幫助這家公用事業𒁃單位發現服務中斷的原因，并且迅速修復故障。

在大多數情況下，數據處理的進程都是在物聯網設備之外執行的。數據處理的天然位置是在云端完成。ꦚ智能設備需要連接到云，數據需要以集中式的方式進行處理。這個模型的一大優勢就是簡單。物聯網設備只需要連接到一個中央的云應用即可。應用可以看到全部的物聯網節點，而且可以處理所有我們在今天或者未來需要進行的數據分析。

不過，這個模型也有缺陷。當數據量增大，連網之“物”種類增加，且人❀們對๊效率的要求進一步提升時，就會出現新的需求，而這些新的需求往往會要求執行數據分析的位置更加貼近物聯網系統。這里所說的需求如下所示。

最小化延遲：各類工業系統中，在諸如防止ﷺ流水線停頓或者恢復電力服務這類場合中，毫秒級的差異都是很重要的。在距離數據收集設備很近的位置分析數據，可以讓整個系統免遭級聯系統故障。

節省系統帶寬：海上石油鉆機ꦺ每周可以產生500GB的數據。商用噴氣機每30分鐘的航程就可以產生10TB的數據。把如此海量的數據從上百萬臺邊緣設備傳輸到云端是不切實際的，也是完全沒有必要的，因為很多重要的分析其實根本用不到云級別的處理與存儲資源。

增加本地效率：在自然條件差異巨大的廣大地理范圍內收集和保護數據有可𝓀能用處并不大。一個區域中的條件會觸發本地設備做出某🦩種響應，這種響應和上百公里之外另一個自然條件下的站點所做出的響應是相互獨立的。如果以提升效率作為出發點的話，我們其實不必須在同一個系統中分析這兩個區域。

因此，在設計的時候，一項重要的考量因素在于如何設計出一個物聯網，以高效的方式管理如此海量的數據，這樣數據才能迅速得到分析，而分析的結果也能夠直接作用于商業利益。物聯網設備所生成的海量數據可以輕而易舉地讓數據中心或者云中的前端系統難以為繼。例如，一個中等規模的智能電表網絡包含ꦡ100萬臺電表，這樣一個網絡每天可以生成近10億個數據點（包括讀表和其他控制數據），由此產生的數據量將達1TB之多。對于一個無法實時分析和儲存如此海量數據的IT機構而言，這會造成巨大的問題。

龐大的數據量也會給帶寬管理帶來難題。隨著大量物聯網數據開始涌入數據中心，網絡真的能夠支持如此龐大的流量嗎？應用服ꦡ務器能夠正確接收、存儲和分析如此龐大的入站數據嗎？我們將這種情況稱為物聯網系統生成的數據和管理應ꦬ用處理數據的能力存在“阻抗失配”。

如圖所示，傳統IT系統中的數據管理是非常簡單的。端點設備（筆記本電腦、打印機、IP電話等）通過IP核心網絡與數據中心或者云端的服務器進行通信。數據一般會儲存在數據中心中，而接入層到核心層之間的物理鏈路一般都擁有高帶寬，因此訪問IT數據的速度也☂是很快的。

物聯網系統的工作方式與此不同。很多與數據相關的問題都需要得到解決。

“最后一公里”物聯網的帶寬是很低的。在處理成千上萬臺設備的時候，每臺設備可💦用的帶寬可能只有幾十kbit/s，甚至更低。

延遲可能非常高。除了處理延遲（以毫秒為單位）之外，大型物聯網往往會引入數百毫秒甚至數秒的延遲。

從網關的回程路徑有可能并不可靠，這條路徑往往需要依靠♎3G/LTE甚至衛星鏈路來建立連接♐。如果必須借助逐字節的數據使用模型，回程鏈路有可能價值非常昂貴。

通過回程鏈路傳輸的數據量可能非常高，其中有很多數據或許價值不大（比如普通的輪詢消息）。

大數據越來越大。在云中存儲和分൲析所有傳感器的數據是不現實的。設備產生的數據量極大，執行實時數據分析和響應早已成為天方夜譚ꦜ。

億聯云是一家云網服務提供商、大帶寬租賃、光纖專線接入、云服務器等行業，提供性價比高的產品和優質的技術服務，贏得了數十萬用戶⭕的青睞，如有任何疑問，歡迎致電010-53390328！