将流处理到边缘

大量垃圾数据比较小的质量和有见地的数据差。因为它是测量和收集的，并不意味着值得使用。

流和批处理处理可以实现不同的分析处理速度。詹姆斯·柯克兰（James Kirkland），IoT的首席建筑师在Red Hat Inc.中，流程处理更好地响应事件。批处理处理可以更深入的见解，还可以使用改善分析算法的机器学习技术。然后可以将这些推出到在现场的网关或设备上运行的流分析应用程序。

流分析技术查看已知的数据集，并注意已通过机器学习算法进行培训的条件。这对于寻找将在接下来的24小时内失败的机器将很有用。流分析可以从现场设备或附近或物联网网关上输入预测性维护算法。10博官网

批处理分析获得了可能与之相关的大量数据池，并进行了广泛的分析，寻找该数据中的模式或相关性。柯克兰说：“这是一项巨大的计算任务，需要很长时间。您需要准备这些庞大的数据集，preen，测试它们，然后进行分析。您将采用新的方法来优化您的业务否则可能是看不见的方式。”

物联网边缘分析的挑战

WSO2的佩雷拉（Perera）表示，推动分析更接近边缘的挑战包括：

• 解决系统复杂性，例如处理故障，缩放和负载平衡
• 管理查询的更改并将更新分配给节点
• 安全
• 处理诸如事件排序，数据缺失和传感器故障等不确定性

企业建筑师还需要考虑数据运输，保留成本以及如何利用公司将收集的大规模数据集。最近进行了思科调查指出，由于企业没有做好充分的准备，多达60％的物联网项目陷入停滞或失败，并且缺乏收集的数据质量。

Red Hat的Kirkland说：“这意味着该数据的数量和质量是一个很大的问题。它比大多数公司所处理的数量级。危险不是很少的数据；它太多了。它太多了。垃圾数据的数量比较小的质量和有见地的数据差。因为它是测量和收集的，并不意味着值得使用。”

编排数据反馈循环

了解如何在云与边缘分析之间建立共生关系是建立一个的另一个大挑战分布式分析基础架构，格林沃夫的克鲁皮说。这是共生的，因为没有单向关系分析是在边缘完成的并推到云端。

Crupi解释说：“当我们谈论IoT Edge Analytics时，我们确实在谈论极端分布式分析。这是关于将智能推向边缘，并聪明地对分析的完成位置。当谈论数十亿个连接的设备的潜力时，我们还在谈论数十亿个可以成为更大解决方案的计算设备。”

例如，智能城市可能会使用智能相机独立分析实时视频，但是共享分析使用云和其他摄像机，可以获得更大的实时图片。如果存在特定问题，则可以指示所有可用的摄像机查看特定的感兴趣领域。在发生灾难之后，这些相机可能会寻找最佳的疏散和交通流量路线。克鲁皮说：“这听起来像是一个科幻的想法，但这正是分布式分析所需的地方。”

流式数据的建筑师

企业建筑师可以采取各种各样的步骤来帮助管理这些挑战。WSO2的Perera说，一种好的做法是版本和管理数据流，因为它们会随着时间而变化。

考虑到将在现场级别收集的数据与将要传输到企业的数据，要收集哪些数据，也很重要。每小时几百个字节，每台设备，超过数百万个设备，每小时六次可以加起来可高达数亿或数亿美元的电信成本。

Red Hat的Kirkland说：“我还建议使用示例数据来弄清楚这与试图解决的业务问题如何相关。使用Python和R等工具手动分析此数据，然后将其提供更好关于哪种软件工具最好使用的想法。不要爱上特定的软件技术；只需为您的问题选择正确的工具即可。”

同样重要的是要考虑与云中的物联网边缘分析功能相比。Greenwave的Crupi解释说，”分布式的物联网计算包含两个完全不同的引擎架构作为一个。边缘需要很小，云必须很大。尽管“小”是相对的，但我们实际上是在谈论具有微处理器的小设备的计算。”