5G世界的物联网需求

事件流处理

为了理解来自超过204亿个物联网端点的大量数据，实时复杂事件流处理(ESP)需要超越简单的数据移动和聚合，以跟踪一些关键性能指标(kpi)。数据需要驱动认知决策，将预测和规定分析的洞见与基本的上下文相关性相结合。这些决策需要非常迅速地进行，并且需要超低延迟，并且需要更接近IT网络的边缘机器对机器(M2M)通信。

拥有上下文状态对于基于连接系统生成的数据做出有意义的业务决策是至关重要的，但是遗留的ESP框架和一些当代流技术，如Apache Kafka, KSQL和Kafka Streams，都提供了静态状态——主要用于丰富——或者一种与单个流隔离的状态，将处理限制在非常基本的数据模型上。

与5克扩散在美国，大多数现代企业都需要通过认知决策来驱动机器人流程自动化，这依赖于复杂的数据模型和复杂的编制，以真正区别于竞争对手。这些现代应用程序依赖于低延迟决策，这是由于用于执行高影响、实时业务功能的技术层减少所致。这就需要一个快速统一的内存数据处理平台，能够提供准确的答案和决策。

现代ESP框架也需要提供物联网和其他关键任务应用所需的响应能力。在M2M通信场景中，经常会有某人或某物在等待一个决定和一个提示来采取行动。如果不能利用尽可能接近实时事件的数据提供的情报，这些数据注定要进入黑暗数据的洞穴。

最后，为了保持与驱动决策的数据和信息相关的决策的准确性，数据平台将需要提供数据库所提供的传统保障。这包括原子性、一致性、隔离性和持久性物联网、金融服务和电信行业大多数应用都需要的交易。这些需求不仅仅是简单的存储级别保证，还包括规则和见解的吸收和应用，最终推动决策。

一个新的基础设施层

物联网设备和应用程序的低延迟要求只能通过新的基础设施层来满足，例如靠近终端用户或其服务的设备的边缘数据中心或微数据中心。

为了利用5G涌入的数据，所有行业都将需要在边缘进行可扩展的物联网数据处理，以保持其价值并使其具有可操作性的速度处理和分析数据。在特定的用例中，非重要数据将能够被转移到云数据中心。但是，当需要作出可操作的决定时，近边缘计算将为组织提供实时响应事件的最佳机会。

最终，物联网边缘数据处理需要对动态数据进行大规模有状态、高性能流处理的能力，以提供准确的洞察。这种方法结合了数据存储和流处理，以简化数据堆栈，以跟上数据流的冲击5 g物联网数据。

机器学习

传统上，遗留数据库技术主要关注于分析历史数据，以获得对业务性能的了解。虽然这对企业的成功很重要，但为了获得竞争优势，在事件处理过程中，使用机器学习对流数据进行智能决策是至关重要的。

在所谓的第四次工业革命期间，关于过去成功的历史数据不会帮助那些拒绝成功的组织拥抱物联网。机器学习的关键要素是找到一种预测分析模型，既能训练历史数据，又能吸收大量持续的流数据，以实现操作，而且都是实时的。

例如，随着城市开始安装更多的物联网端点，并越来越多地连接到市民在多个区域的流动方式，物联网驱动的洞察可能会导致更适合行人的设计或改善车辆交通流量的设计。从紧急服务的角度来看，物联网端点可以为消防车、警车和救护车提供最佳路线，从而产生更快的反应时间，挽救生命。

它还可以让紧急服务部门实时调查紧急情况，以评估情况，并作出更明智的决策。城市中的用例是无穷无尽的，并将继续增长，因为更多的端点可以更好地观察人流、汽车和企业的流动。

在一个5 g-connected物联网世界，消除延迟是做出更明智的业务决策的关键，从而推动操作的成功或失败。那些不拥抱物联网及其数十亿个端点的组织和城市将无法获得可操作的洞见，因而会落后，但那些拥抱物联网的组织和城市将开发应用程序，以4G无法企及的方式改善人们的日常生活。

所有IoT Agenda网络贡献者都对其帖子的内容和准确性负责。意见是作者的，不一定传达物联网议程的想法。