安全、共享和清洁物联网数据

边缘服务器的很大一部分负担是填补漏洞物联网之间的管道以及设备输入的云。在大规模场景中——如流量管理和供应链运营——边缘处理可以涉及到将物联网数据动态路由到多个云，包括共享数据的合作伙伴组织的云。

首先，物联网数据必须具有云计算价值;物联网设备在其功能的任何领域都不符合任何通用标准，包括安全性、协议和容错。物联网硬件的使用年限可以延长到20年，这可能会带来很多噪音。边缘服务器也在努力应对噪音。

实时响应和决策支持会导致更大的问题

首先，物联网数据必须具有云计算价值;物联网设备在其功能的任何领域都不符合任何通用标准，包括安全性、协议和容错。

安全和数据路由是目前的主要挑战，但物联网数据管理现在面临着更大的挑战:物联网网络要求立即响应或者实时决策支持，比如在工厂停机或交通系统出现故障时。

在这样的场景中——这种情况变得越来越常见——没有时间往返云端处理数据、分析问题并返回结果。物联网技术必须在几秒内收到响应，而不是几小时或几分钟。

这两种情况都需要动态响应。该技术需要补偿物理环境中的某些变化(如突然的温度变化或设备中的故障警告)，或根据意外中断(如涉及货运的交通事故)改变复杂的工作流程。触发响应的事件可能需要操作，而干预的阈值本身可能是动态的。这是人工智能的工作。

AI算法是处理需要动态响应的场景的最佳方法，而这些场景又没有时间或机会让人类参与进来。物联网网络本身必须是一个智能系统，能够即时做出决定，它需要真正生活在边缘。

edge结构意味着需要解析物联网数据，不仅是根据什么进入了家庭云和什么进入了B2B合作伙伴的云，而是根据什么数据实时处理和更传统的处理需要。根据定义，需要立即将即时数据过滤到这些流程中。批处理数据可以被寄存到临时存储中，然后悠闲地运到云端。

在边缘变得更好

最佳实践包括两个关键的创新。物联网数据管理任务，包括管理数据传输，应该发生在边缘，而不是云。物联网通常由附加在现有集中技术上的新架构组成，因此采用自顶向下的方法来管理在边缘收集的新数据是很诱人的。云系统不再是一个集中的端点;它们只是众多目标中的一个。物联网技术在边缘执行了相当数量的闭环过程。管理来自收集数据的服务器的数据更有意义，特别是当它的路由和应用程序都可能是动态的时候。

在企业软件行业发展出交钥匙技术之前，最经济有效的数据管理方式是通过定制的管道和微服务，这些管道和微服务易于维护和扩展分散的过程。创建用于数据流量分析的指示板相当简单，Python是实现的最佳选择。

保持模型和机器学习在云端。如果特定物联网实现的目标是物理环境中的实时响应或实时决策支持，那么最好的方法是将分析和人工智能从物联网技术中分离出来。让模型和机器学习过程留在云端。随着模型的改变，用于生成为物联网提供分析的算法将依次更新。这需要一些额外的工作，但比在边缘部署机器学习要少得多，在边缘部署机器学习更难维护，甚至更难安全。

行业标准尚未出现，但由于安全性是大多数组织在边缘服务器部署中面临的直接问题，因此通常是it基础设施中的某个人。他们在任何情况下都应该参与，但对物联网数据管理和edge流程的支持需要包括数据架构师和企业解决方案架构师。如果没有非常高效的数据建模和优化的强大工作流来适应它，就不可能有路由和实时处理。