您能想象一个能够集中控制各种智能设备的“大脑”吗？在某种程度上，随着物联网的发展，这是可能的。物联网是指具有传感器、执行器、软件和网络连接的物理对象网络，可以收集和传输数据并执行用户指定的任务。这种系统的有效性和适用性与其构建块的质量及其交互方式直接相关，并且有多种方法可用于物联网架构。在本文中，我们的物联网咨询专家分享了他们的实践经验，并提出了他们对可扩展且灵活的物联网架构的初步设想。IoT架构的基本元素我们的IoT架构方法反映在IoT架构图中，该图显示了IoT系统的构建块以及它们如何连接以收集、存储和处理数据。事物。“或设备”是装有传感器和执行器的物体。传感器将收集数据，而执行器将允许对象采取行动（例如，开灯或关灯、开门或关门、提高或降低发动机转速等）。这个概念包括冰箱、路灯、建筑物、车辆、生产机械、康复设备以及其他一切可以想象的东西。网关。数据通过网关从事物（设备）传递到云端，反之亦然。网关在IoT解决方案中提供物与云之间的连接，在将数据传递到云之前对其进行预处理和过滤（以减少用于处理和存储的数据量），并将控制命令从云传输到对象。然后对象使用它们的执行器来执行命令。云网关有助于现场网关和云物联网服务器之间的数据压缩和安全数据传输。它还确保与各种协议的兼容性，并使用不同的协议与现场网关进行通信。流数据处理器确保将输入数据高效传输到数据湖和控制应用程序。数据湖。连接设备生成的数据以其本机格式存储在数据湖中。当需要从数据中获得有意义的见解时，会从数据湖中提取数据并将其加载到大数据仓库中。大数据仓库。大数据仓库只包含经过清理、结构化和匹配的数据（相比之下，数据湖包含传感器生成的各种数据）。此外，大数据仓库存储有关对象和传感器的上下文信息（例如，传感器的安装位置），以及控制应用程序发送给对象的命令。数据分析。数据分析师可以使用来自大数据仓库的数据来发现趋势并获得可操作的见解。例如，当分析大数据时（在许多情况下——在场景、图表、信息图中可视化），它会显示设备性能，帮助识别低效率，并找到改进物联网系统的方法（使其更可靠，更受客户欢迎）。此外，手动发现的相关性和模式可以进一步创建用于控制应用程序的算法。机器学习和机器学习模型。通过机器学习，有机会为控制应用程序创建更准确、更高效的模型。模型根据大数据仓库中积累的历史数据定期更新（例如，每周一次或每月一次）。当数据分析师测试并批准新模型的适用性和效率时，控制应用程序将使用新模型。控制应用程序向执行器发送自动命令和警报，例如：可以命令智能家居中的窗户自动打开或关闭，具体取决于天气预报服务。当传感器指示土壤干燥时，灌溉系统会自动为农作物浇水。传感器有助于监控工业设备的状态，在故障发生之前，物联网系统会生成自动警报并发送给现场工程师。控制应用程序发送给执行器的命令也可以存储在大数据仓库中，这可能有助于调查问题情况（例如执行器未按预期执行命令）。（来自IoTHome）另一方面，存储来自控制应用程序的命令也可能有助于提高安全性，因为物联网系统可以识别某些命令太荒谬或太多，这可能证明存在安全漏洞（以及其他需要调查和解决的问题）纠正措施）。控制应用程序可以基于规则或基于机器学习。在第一种情况下，控制应用程序根据专家制定的规则工作。在第二种情况下，控制应用程序使用的模型会定期更新（每周、每月，具体取决于物联网系统的具体情况），并将历史数据存储在大数据仓库中。尽管控制应用程序确保了IoT系统的出色自动化，但用户应该始终可以选择影响此类应用程序的行为（例如，在紧急情况下或当发现IoT系统没有及时执行某些操作时）。用户应用程序是IoT系统的软件组件，它使用户能够连接到IoT系统并提供监视和控制其智能设备的选项。使用移动或网络应用程序，用户可以监控其设备的状态并发送命令来控制应用程序，以及设置自动行为选项（当某些数据来自传感器时自动通知和操作）。设备管理为确保物联网设备正常运行，仅安装它们并顺其自然是不够的。需要一些程序来管理连接设备的性能（促进设备之间的交互，确保安全的数据传输等）：设备标识，用于确定设备的身份以确保它是具有可信软件的可靠设备可以传输可靠的数据。根据物联网系统的用途调整设备的配置和控制。安装设备后，需要写入一些参数（例如，唯一的设备ID）。其他设置可能需要更新（例如，何时发送数据）。监控和诊断，确保网络中每台设备的顺畅和安全，降低故障风险。软件更新和维护以添加功能、修复错误和解决安全漏洞。用户管理除了设备管理，控制谁可以访问物联网系统也很重要。用户管理包括识别用户、他们的角色、访问级别和系统内的特权。它包括诸如添加和删除用户、管理用户设置、控制各种用户对特定信息的访问以及在系统中执行特定操作的权限、控制和记录用户活动等选项。安全监控安全是物联网中最重要的问题之一。连接的设备会生成大量数据，需要安全传输并防止网络犯罪分子入侵。另一方面，网络上的设备可能成为坏人的切入点。此外，网络罪犯可以访问整个物联网系统的“大脑”并控制它。为了防止出现此类问题，有必要记录和分析控制应用程序向设备发送的命令，监控用户的行为并将所有这些数据存储在云端。通过这种方法，可以在早期阶段解决安全漏洞，并采取措施减少它们对物联网系统的影响。此外，还可以识别可疑行为的模式，存储这些样本，并将它们与物联网系统生成的日志进行比较，以防止潜在的渗透并最大限度地减少它们对物联网系统的影响。物联网架构示例——智能照明让我们以智能照明为例，看看我们的物联网架构元素如何协同工作，这是物联网解决方案如何为用户提供便利和节能的一个很好的例子。智能照明系统可以做很多事情，我们将在这里介绍一些最基本的功能。基本组件传感器从环境中获取数据（例如，日光、声音、人类活动）。而灯配备了用于打开和关闭灯的执行器。数据池存储来自传感器的原始数据。大数据仓库包含智能家居居民在一周不同时间的行为、能源成本等信息。手动监控和手动控制用户通过带有院子地图的移动应用程序控制智能照明系统。使用该应用程序，用户可以查看哪些灯打开和关闭，并向控制应用程序发送命令，而控制应用程序又将命令发送至光致动器。这样的应用程序还可以显示哪些灯即将失效。数据分析通过分析用户应用智能照明的方式、他们的时间表（由用户提供或由智能系统识别）以及传感器收集的其他信息，数据分析师可以制定和更新控制应用程序的算法。数据分析还可以帮助评估物联网系统的有效性，并揭示系统工作方式中的问题。例如，如果用户在系统自动打开灯后立即关闭灯，反之亦然，则可能是算法存在漏洞，需要尽快解决。自动控制缺陷监测自然光传感器，将光数据发送到云端。当日光不足时（根据先前设置的阈值），控制应用程序会向执行器发送自动命令以打开灯。其余时间灯不亮。然而，照明系统可能会被街道照明、邻居院子里的灯光和任何其他光源“误导”。传感器捕捉到的外来光线将导致智能系统得出光线充足的结论，应该关闭照明。因此，让智能系统更好地了解影响照明的因素并将这些数据存储在云端是有意义的。当传感器监控活动和声音时，仅仅在院子里识别出活动或声音时打开灯，或者在安静时关闭所有灯是不够的。例如，宠物也可以产生活动和声音，云应用程序应该区分人类和宠物的声音和活动。来自街道和邻近房屋的噪音以及其他声音也是如此。为了解决这个问题，可以将各种声音的样本存储在云端，并与来自传感器的声音进行比较。机器学习智能照明可以应用机器学习生成的模型，例如识别智能家居主人的行为模式（早上8点出门，晚上7点返回），并相应地调整开灯和关灯的时间（例如，5分钟在需要它们之前）打开灯）。从长远分析用户的行为，智能系统可以开发高级行为，例如，当传感器无法识别房屋居民的典型活动和声音时，智能系统可以“假设”居民正在假期和调整行为：例如，偶尔开灯，让人感觉有人在家（出于安全原因），但要保持开灯以减少能源消耗。用户管理选项为确保有效的用户管理，智能照明系统可以将不同的用户权限分配给多个角色：例如房主、居民、访客。在这种情况下，标记为“房主”的用户将拥有对系统的完全控制权（包括更改智能灯行为模式和监控庭院灯的状态）和发出命令的优先级（当多个用户发出冲突命令时）。（来源物联网家居网）等用户只能访问有限的系统功能。“居民”将能够在不更改设置的情况下打开和关闭灯。“访客”将只能在房子的某些区域（例如客厅）打开和关闭灯。总之，我们的物联网架构由以下组件组成：配备用于收集数据的传感器和用于接收来自云的命令的执行器。用于数据过滤、预处理并将其移动到云端的网关，反之亦然，从云端接收命令。确保现场网关和中央物联网服务器之间数据转换的云网关。将数据从传感器分发到IoT解决方案组件的流数据处理器。用于存储所有已定义和未定义值的数据的数据湖。用于收集有价值数据的大数据仓库。控制应用程序可以向执行器发送命令。机器学习生成模型，然后由控制应用程序使用。一种用户应用程序，使用户能够监控其连接的设备。数据处理的数据分析。我们的物联网架构还包括设备和用户管理组件，以提供稳定、安全的功能并控制用户访问。在为特定解决方案开发IoT架构时，同样重要的是要关注一致性（对IoT架构的每个元素给予足够的重视并使它们协同工作）、灵活性（添加新功能和逻辑的机会）以及与企业的集成系统（将新的物联网解决方案与之前实施的企业IT解决方案相结合，例如ERP、制造执行系统、WMS、交付管理等）。
