生活在边缘：为什么物联网需要一种新的数据方法

为Edge Analytics提供理由

有三个因素推动Edge Analytics，而不是传统的数据中心处理：

1. 物联网应用通常是双向的；
2. 对于某些事情，潜伏期意味着死亡；和
3. Edge Analytics消除了延迟。

自动驾驶汽车是这些因素的一个很好的例子。当汽车中的传感器传输数据中心或云中的传感器传输数据以确定导航系统的工作状态时，就会发生边缘数据收集。在分析数据后，系统制造商可以调整导航规则设置以提高系统的安全性，可靠性或性能，并将新规则推向整个汽车人群。

但是有时必须立即采取行动在收集的物联网数据上，到达云或数据中心的时间滞后路由数据可能是灾难性的。以一家使用昂贵的地下设备合作的采矿公司为例。使用IoT传感器，可以将数据传输回数据中心或集中式云，以监视不需要立即解决的振动模式和发动机打ic。但是，需要立即采取行动的信息（例如潜在的爆炸或矿山崩溃）的传感器信息呢？等待云或数据中心确定存在安全风险可能导致灾难。Edge Analytics可以就安全问题得出结论，并立即采取必要的行动。

面对这样的方案 - 以及必须实时决策的安全性和合规性问题 - 组织开始寻找分析和/或在边缘数据上进行分析和/或采取行动的方法。

边缘数据架构

从历史上看，要将数据从创建的位置移至存储和分析的位置，组织通常选择了某种自己动手的编码或数据集成软件。但是，与其他类型的数据（例如数据库中的交易）不同，IoT Edge数据分析是一个复杂的过程，需要实质性的编排和实时操作可见性能，这很难通过传统方法实现。

Furthermore, hand-coding requires scarce specific skills, and you don’t want those skilled people tied down to projects indefinitely to deal with maintenance to fix or update data pipelines when data drift (unexpected changes to data structure or semantics) occurs or requirements change. In short, the hard and soft costs of hand-coding become prohibitive in such a dynamic and real-time IoT environment.

幸运的是，新的软件工具为手工编码的物联网管道提供了一种更简单，更适合未来的替代方案，并且具有许多优势。首先，这些工具将设计，测试，部署和操作结合到一个过程中，一些供应商正在调用该过程DATAOPS或DevOps的数据。这会缩短初始项目时间并简化管道维护过程。此外，一旦消除了手工编码，就可以节省时间和金钱，因为编程错误的可能性降低了。

其次，提供仪器的工具使组织能够对物联网管道的运营管理获得更大的控制。可以实时监控吞吐量，延迟和错误率，以确保分析基于完整的数据集。手动编码的数据摄入管道通常不透明，贷款贷款的可见性很少（如果有的话）。

第三，必须将安全性和数据隐私烤在数据移动中 - 这不是事后的想法。工具通常带有集成安全性，使组织更容易遵守法规hipaa和GDPR，这会惩罚滥用敏感数据，并受到严重的惩罚。虽然采矿设备可能不会散发个人数据，但医疗设备，摄像机和智能手机确实不会发出。最好在收集到敏感的数据时检测到敏感的数据，以便可以正确混淆或隔离。

最后，由于Edge Analytics是一部分许多物联网项目，数据管道应在需要时能够在边缘设备上启动本机或第三方处理。边缘分析的一个示例是监视摄像机或传感器的本地更改，而不是将相当静态的数据发送回数据中心。另一个常见的情况是将数据汇总到摘要统计信息中，而不是通过网络发送每个读数。第三个是分析在销售点或ATM处的交易欺诈迹象，以便在交易完成之前可以将其阻止。

物联网为数据生成提供了难以置信的机会，可以用来为当今的组织带来巨大的好处。随着数据的增长和边缘分析的用例变得更加多样化和多样化，组织的管理技术必须随着DIY系统所取代更复杂的DataOps工具而发展。

所有的物联网议程网络贡献者都负责其帖子的内容和准确性。意见是作家的，不一定会传达物联网议程的思想。