利用从边缘到云端再返回的物联网数据

物联网 (IoT) 提供了极大改善许多任务的潜力，从电子设备的预防性维护到智能交通灯以帮助减少拥堵。

作为 MapR 解决方案工程主管 Pinakin Patel 说，许多用例需要从边缘设备收集传感器数据，这些数据通过网络连接发送到集中式应用程序进行分析，然后再执行操作；经常回到边缘。

这种经典的输入、过程和输出方法很容易理解，但任何物联网环境都可能成为数据管理挑战，因为所创建的数据量巨大，并且具有全球分布所固有的延迟。

更大的物联网数据

从面向消费者的设备（如可穿戴技术和智能恒温器）聚合数据的挑战是众所周知的。对于这些类型的设备，数据量是由大量设备造成的，而每个单独的设备并不一定会产生大量数据。

但是，对于每秒生成兆字节或千兆字节数据的物联网设备，存在一系列新挑战。例如，视频、音频和“光检测和测距”(LIDAR) 的实时分析都是传入流可能压倒传统数据存储架构的领域。

当然，基础设施将不得不改变，因为这些数据量可能会淹没将数据聚合到中央存储库的可用带宽。车辆、医疗设备和石油钻井平台是数据源的完美示例，它们需要比面向消费者的设备所需的架构更强大的架构。随着这些物联网数据流到达集中式云进行处理，人工智能和机器学习将越来越多地帮助发现洞察力并生成后续行动。

医疗保健示例

然而，当谈到物联网时，抽象地谈论它是困难的，因为每个用例都有不同的驱动因素和要求。相反，让我们看一些具体的例子来代表所涉及的挑战类型。

心脏病等慢性病的早期发现和治疗可以挽救生命并降低医疗保健成本。最大的两个问题是协调护理和防止慢性病患者入院。几项试验正在使用更便宜的传感器，这些传感器可以监测患者的生命体征，并将这些数据与心电图 (ECG) 读数一起通过蜂窝网络作为常规流发送到云中的应用程序。

这些诊断和监控应用程序分析每个患者的生命体征和心电图读数，同时考虑医疗记录中的历史数据。流入系统的数据流包括实时流、历史数据、患者数据和基准数据，这些数据是通过汇总其他患者的大量先前扫描而创建的。

在此示例中，与 IoT 领域中的许多其他示例一样，临床医生需要一个工作流来收集数据、汇总和学习整个设备群以了解事件和情况。在这种情况下，检测异常情况（例如过度用药或即将发生心脏事件的警告信号）可能需要更多的边缘智能，以便他们能够非常快速地对这些事件做出反应。

研究人员构建了一个平台，该平台使用通用元素在通用数据结构中处理流数据和批处理数据，该平台可以帮助以相同方式处理所有数据、控制对数据的访问，并以高性能和可扩展的方式应用智能.

汽车示例

这种数据结构方法也正在其他物联网应用中导出。例如，Mojio — The IoT Connected Car 旨在创建一个生态系统，让汽车、保险和电信行业共同繁荣。 Mojio 计划在第一阶段将 500,000 辆汽车连接到其云平台，该平台将根据需要提供对不同类型的行为、诊断和情境数据的访问。

例如，Mojio 的远程信息处理设备收集有关速度、转向和制动输入的信息以确定驾驶员的疲劳程度并发出警报的行为数据。长期驾驶行为数据也可用于帮助用户采用更省油的驾驶方式，以及保险公司计算风险。

融合与结构

在这两种情况下；医疗保健研究人员和联网汽车工程师正在研究构建下一代应用程序的新方法。这些项目的核心是几项通用技术，包括从云规模的数据存储到强大的数据库以及集成的持久流，为希望构建、开发和部署迄今为止不可能实现的应用程序的企业开发人员创造新的可能性。

这些元素的组合通常被称为融合数据平台，并开始被更广泛的物联网用例采用。这些平台提供的优势包括为高性能计算应用程序创建高 IOPS、低延迟的文件结构。另一个优势是在实时分析场景中，数据结构可以同时摄取、存储、分析、处理和决策，无需复制。

随着物联网数据从边缘移动到云端再返回，组织将需要忘记过去的单体架构，并将融合作为提供创新新用例所需规模的起点。

此博客的作者是 MapR 解决方案工程负责人 Pinakin Patel。

关于作者

Pinakin Patel 是 MapR 的解决方案工程负责人。 他在数据领域以及组织如何从这一关键业务资源中提取价值方面拥有超过 25 年的经验。