Использование данных Интернета вещей от края до облака и обратно

Интернет вещей (IoT) предлагает потенциал для значительного улучшения многих задач, от профилактического обслуживания электронных устройств до интеллектуальных светофоров, помогающих уменьшить заторы.

Как заявил Пинакин Патель, руководитель отдела разработки решений для MapR говорит, что во многих случаях использования требуется сбор данных датчиков с граничных устройств, которые отправляются через сетевое соединение в централизованное приложение для анализа перед выполнением действия; часто обратно на край.

Эта классическая методология ввода, обработки и вывода хорошо известна, но любая среда IoT может стать проблемой для управления данными из-за огромных объемов создаваемых данных и задержек, связанных с глобальным распределением.

Большой объем данных Интернета вещей

Проблемы агрегирования данных с устройств, ориентированных на потребителя, таких как носимые устройства и интеллектуальные термостаты, хорошо известны. Для этих типов устройств объем данных связан с большим количеством устройств, и каждое отдельное устройство не обязательно создает много данных.

Однако есть новый набор проблем для устройств Интернета вещей, которые генерируют мегабайты или гигабайты данных в секунду. Например, анализ видео, звука в реальном времени, а также «обнаружение света и дальность» (LIDAR) - все это области, в которых входящие потоки могут превосходить традиционные архитектуры хранения данных.

Безусловно, инфраструктуру придется изменить, поскольку эти объемы данных, скорее всего, превысят доступную полосу пропускания для агрегирования данных в центральном репозитории. Транспортные средства, медицинские устройства и нефтяные вышки - прекрасные примеры источников данных, для которых требуется гораздо более мощная архитектура, чем для устройств, ориентированных на потребителя. И по мере того, как эти потоки данных Интернета вещей достигают централизованных облаков для обработки, все чаще будут использоваться искусственный интеллект и машинное обучение, которые помогут находить идеи и генерировать последующие действия.

Пример здравоохранения

Однако говорить абстрактно, когда дело доходит до IoT, сложно, поскольку каждый вариант использования будет иметь разные драйверы и требования. Вместо этого давайте рассмотрим несколько конкретных примеров, которые помогут определить типы возникающих проблем.

Раннее выявление и лечение хронических заболеваний, таких как болезни сердца, может спасти жизни и снизить расходы на здравоохранение. Двумя самыми большими проблемами являются координация оказания помощи и предотвращение госпитализации людей с хроническими заболеваниями. В нескольких исследованиях используются более дешевые датчики, которые могут отслеживать жизненные показатели пациентов и отправлять эти данные вместе с электрокардиограммой (ЭКГ) по сотовым сетям в виде обычного потока в приложения в облаке.

Эти приложения для диагностики и мониторинга анализируют жизненно важные показатели каждого пациента и показания ЭКГ с учетом исторических данных из медицинских записей. Потоки данных в систему включают потоки в реальном времени, исторические данные, данные пациентов и контрольные данные, созданные путем агрегирования огромных объемов предыдущих сканирований других пациентов.

В этом примере, как и во многих других в ландшафте Интернета вещей, врачам требуется рабочий процесс, который собирает, объединяет и учится на всех устройствах, чтобы понимать события и ситуации. В этом случае для обнаружения аномалии, такой как чрезмерный прием лекарств или предупреждающих знаков о неизбежном сердечном приступе, может потребоваться больше интеллекта на грани, чтобы они могли очень быстро реагировать на эти события.

Исследователи создали платформу, которая использует общие элементы для обработки как потоковых, так и пакетных данных в рамках общей структуры данных, которая может помочь обрабатывать все данные одинаково, контролировать доступ к данным и применять интеллект с высокой производительностью и масштабируемостью. .

Пример автомобиля

Такой подход к фабрике данных также экспортируется в другие приложения Интернета вещей. Например, Mojio - The IoT Connected Car стремится создать экосистему, которая позволит автомобильной, страховой и телекоммуникационной отраслям процветать вместе. Mojio планирует подключить 500 000 автомобилей к своей облачной платформе на первом этапе, что обеспечит доступ к различным типам поведенческих, диагностических и контекстных данных в зависимости от потребности.

Например, данные о поведении, в которых телематическое устройство Mojio собирает информацию о скорости, рулевом управлении и тормозах для определения уровня усталости водителя и выдачи предупреждений. Долгосрочные данные о поведении вождения также можно использовать, чтобы помочь пользователю выбрать более экономичный стиль вождения и рассчитать риски страховыми компаниями.

Конвергенция и ткань

В обоих сценариях; Исследователи в области здравоохранения и инженеры по подключенным автомобилям изучают новые способы создания приложений следующего поколения. В основе этих проектов лежит несколько распространенных технологий, включая хранилище данных в масштабе облака и мощную базу данных, а также интегрированную постоянную потоковую передачу, чтобы создать новые возможности для корпоративных разработчиков, стремящихся к архитектуре, разработке и развертыванию приложений, которые до сих пор были невозможны.

Комбинацию этих элементов часто называют платформой конвергентных данных, и она начинает применяться в более широком диапазоне сценариев использования IoT. Эти платформы предоставляют преимущества, включая создание файловой структуры с высоким IOPS и низкой задержкой для высокопроизводительных вычислительных приложений. Еще одно преимущество заключается в сценариях аналитики в реальном времени, где фабрика данных может одновременно принимать, хранить, анализировать, обрабатывать и принимать решения без создания копий.

По мере того, как данные Интернета вещей перемещаются из периферии в облако и обратно, организациям необходимо будет забыть о монолитных архитектурах прошлого и рассматривать конвергенцию как отправную точку для обеспечения масштаба, необходимого для инновационных новых сценариев использования.

Автор этого блога - Пинакин Патель, руководитель отдела разработки решений для MapR.

Об авторе

Пинакин Патель - руководитель отдела разработки решений для MapR . Он имеет более чем 25-летний опыт работы в мире данных и в том, как организации извлекают пользу из этого важного бизнес-ресурса.