隨著物聯(lián)網的發(fā)展和進步，所有可以想象到的東西和行業(yè)都變得更加智能：智能家居和城市、智能制造機械、互聯(lián)汽車、互聯(lián)健康等等。無數能夠收集和交換數據的事物正在形成一個全新的網絡——物聯(lián)網——物理對象網絡，可以在云中收集數據、傳輸數據并完成用戶的任務。

物聯(lián)網和大數據正走向勝利。盡管如此，仍有一些特殊性和陷阱需要牢記，以受益于這一創(chuàng)新。在本文中，我們很高興地分享我們在物聯(lián)網咨詢方面挖掘的知識。

如何應用物聯(lián)網大數據

首先，從物聯(lián)網大數據中獲取好處的方法有很多種：在某些情況下，快速分析就足以獲得好處，而一些有價值的結果只有在更深入的數據處理之后才能獲得。

實時監(jiān)控。通過連接設備收集的大數據可用于實時操作：測量家中或辦公室的溫度、跟蹤物理活動(計數步驟、監(jiān)控運動)等。實時監(jiān)測在醫(yī)療保健中非常使用(例如，測量心率、測量血壓、糖)。它還成功地應用于制造業(yè)(控制生產機械)、農業(yè)(監(jiān)測牛和植物)和其他行業(yè)。

數據分析。處理物聯(lián)網生成的大數據，有機會超越監(jiān)控，從這些數據中獲取有價值的見解：識別趨勢和趨勢，揭示看不見的模式，并找到隱藏的信息和相關性。

過程控制和優(yōu)化。來自傳感器的數據提供了額外的上下文，以揭示影響性能和優(yōu)化流程的非平凡問題。

交通管理：跟蹤不同日期和時間的交通負荷，找出旨在優(yōu)化交通的建議(例如，在一定時間段增加火車和公共汽車的數量，看看是否有利可圖，建議引入新的紅綠燈方案，并修建新的道路，使一些街道不那么繁忙，并管理交通擁堵)。

零售：由于一些商品在購物場所幾乎結束了，超市的人員被告知，例如，重新裝貨架的商品。

農業(yè)：根據傳感器的數據，在必要時種植水廠。

預測性維護。使用連接設備收集的數據可以成為預測風險的可靠來源，從而主動識別潛在危險條件，例如：

醫(yī)療保健：監(jiān)測患者狀態(tài)和識別風險(例如，患者有糖尿病、心臟病的風險)，及時采取措施。

制造：預測設備故障。

并非所有的物聯(lián)網解決方案都需要大數據。還應指出，并非所有的物聯(lián)網解決方案都需要大數據(例如，如果智能家居的所有者要在手機的幫助下關燈，則此操作可能無需大數據即可執(zhí)行)?？紤]減少處理動態(tài)數據的努力并避免大量存儲數據非常重要，因為將來不需要這些存儲。

物聯(lián)網中的大數據挑戰(zhàn)

大量的數據是完全沒用的，除非他們被處理，以獲得有價值的東西。此外，與數據收集、處理和存儲相關的各種挑戰(zhàn)。

數據可靠性。雖然大數據從來不是 100% 準確的，但在分析數據之前，必須確保傳感器正常工作，用于分析的數據質量可靠，不會受到各種因素的影響(例如，機械運行環(huán)境不利、傳感器故障)。

要存儲哪些數據。連接的事物生成 TB 的數據，選擇存儲哪些數據以及丟棄哪些數據是一項艱巨的任務。更重要的是，一些數據的價值遠未浮出水面，但您將來可能需要這些數據。如果您決定為未來存儲數據，則面臨的挑戰(zhàn)是以最少的成本(只要數據存儲和處理成本相當昂貴)來存儲數據。

分析深度。一旦并非所有大數據都很重要，另一個挑戰(zhàn)就會出現：何時足以通過快速分析，何時更深入的分析可以帶來更多價值。

安全性。毫無疑問，各個部門的互聯(lián)可以改善我們的生活，但與此同時，數據安全也非常重要。網絡罪犯可以訪問數據中心和設備，連接到交通系統(tǒng)、發(fā)電廠、工廠，從電信運營商那里竊取個人數據。物聯(lián)網大數據是安全專家比較新的現象，缺乏相關經驗會增加安全風險。

物聯(lián)網解決方案中的大數據處理

在物聯(lián)網系統(tǒng)中，物聯(lián)網架構的數據處理組件因傳入數據的特殊性、預期結果等而異。我們已經制定了處理物聯(lián)網解決方案中大數據的方法。

數據來自連接到事物的傳感器。一個”東西”可以字面上是任何對象：烤箱，汽車，飛機，建筑物，工業(yè)機器，康復設備。數據定期或流式傳輸。后者對于實時數據處理和管理至關重要。

Things 將數據發(fā)送到網關，確保初始數據過濾和預處理減少傳輸到下一個物聯(lián)網系統(tǒng)塊的數據量。

邊緣分析。在進行深入的數據分析之前，進行數據過濾和預處理以選擇某些任務所需的最相關數據是有意義的。此外，此階段確保實時分析能夠快速識別之前通過云中的深度分析發(fā)現的有用模式。

云網關對于不同數據協(xié)議之間的基本協(xié)議翻譯和通信是必要的。它還支持數據壓縮，并保護字段網關和中央物聯(lián)網服務器之間的數據傳輸。

連接設備生成的數據以自然格式存儲在數據湖中。原始數據來到帶有”流”的數據湖。數據保存在數據湖中，直到可用于業(yè)務目的。清潔和結構化數據存儲在數據倉庫中。

機器學習。機器學習模塊根據以前積累的歷史數據生成模型。這些模型定期(例如，每月更新一次)與新的數據流。傳入的數據被積累并應用于培訓和創(chuàng)建新模型。當這些模型經過專家測試和批準時，它們可用于控制應用程序，該應用程序會針對新的傳感器數據發(fā)送命令或警報。

總結一下

物聯(lián)網生成了大量大數據，可用于實時監(jiān)控、分析、流程優(yōu)化和預測維護，僅舉幾例。但是，應該記住，從各種格式的海量數據中獲取有價值的見解并不是一件小事：您需要確保傳感器正常工作，數據安全傳輸并有效處理。此外，總有一個問題：哪些數據值得存儲和處理(只要這兩個過程都相當昂貴)。

盡管存在上述潛在問題，但應記住，物聯(lián)網發(fā)展勢頭強勁，幫助多個行業(yè)的企業(yè)開拓新的數字機遇。(來源：胖子君)