由于AI可以管理IIoT生成的海量数据，因此其底层架构必须加强安全性并提高IIoT设计人员未来部署的可见性。虽然工业物联网(IIoT)正在迅速成熟，但它通常与管理数据流的人工智能(AI)和机器学习(ML)工具密切相关。这带来了许多挑战，包括连接性、安全性、存储和建模要求。IIoT设备和更大规模部署的设计人员必须为这些领域的变化建立应急机制，否则可能会出现风险。虽然IIoT日趋成熟，但整个市场仍有许多挑战需要克服。其中一些挑战是物联网设备运行的技术障碍，例如连接标准和电池技术，但情况比这更广泛。IIoT世界不仅需要IoT硬件在所有环境中可靠高效地运行，还取决于支持网络和服务。因此，IIoT部署不能被视为孤立的技术升级或生产力驱动因素，而是高度互连的生态系统，对各种变量敏感，尤其是随着人工智能的不断发展。现实世界的AI尽管AI以概念形式存在了很长时间，但将其原则带入现实世界已被证明是一项复杂的业务。但对于许多潜在的IIoT应用来说，这是必不可少的。监控来自微型传感器网络的多个数据流、检测异常并发现可以标记为预防性维护或提高效率的模式是IIoT的重要组成部分。没有它，生成的大量数据只是噪音。例如，一辆完全自主的AI汽车每行驶8小时就会产生大约40TB的数据，这是一个惊人的数据量，任何人工分析都无法进行。这对IIoT和AI设计人员提出了挑战——确保建模和训练数据集在部署前高度准确并经过现场测试。网络注意事项传输和接收IIoT生成的需要AI分析的大量数据本身就提出了重大挑战，导致“边缘AI”的发展，在给网络增加负担之前，在设备上处理尽可能多的数据.该网络包含一系列令人眼花缭乱的现有可能性，从Wi-Fi到4G、光纤到新频谱、低端LoRa网络和NB-IoT网络，所有这些都旨在与5G一起运行。管理这些网络中不可避免的中断和延迟无疑是一个持续的挑战，可以通过网状网络架构来克服。然而，即使这些也可能会失败，尤其是在可能无法始终避免单点故障的IIoT场景中。数据挑战自动驾驶AI汽车处于更高层次，不仅搭载大量不同的传感器来检测其他车辆、危险和人员，需要对突然的障碍物等刺激做出即时反应，而且还具备自包含和移动功能。但是，这些要求的组合也与大多数IIoT场景相关。例如，用于检测工厂机械振动的声学传感器需要能够非常快速地响应突然的音高变化，否则会损坏昂贵的机器。大多数IIoT场景将包括多种传感器类型以过滤误报，更高级的应用程序还将涉及一定程度的冗余。数据安全可以说，最大的挑战是维护网络安全以确保操作、个人或审计数??据不被泄露。虽然对于大多数IIoT场景而言，个人/客户数据可能不是问题，但出于商业动机的攻击获取或破坏运营或审计数据的可能性很大。正如任何设备所有者或企业IT团队所知，为设备打上最新漏洞补丁是一场持久战，但IIoT设备并不容易管理。对于主要设计用于传输数据的网络，低下行带宽可能是一个挑战，而本地存储限制和功率限制可能使定期更新成为问题或不可能。此外，让引导加载程序保持解锁状态以允许临时更新可能存在问题，如果攻击者可以引入Rootkit或类似工具，则从长远来看，攻击者可以在网络上获得稳固的立足点。HRoT——TPM、FPGA？幸运的是，IIoT安全问题引起了广泛关注，工业互联网协会最近发布了《数据保护最佳实践白皮书》，这是一份旨在解决IIoT网络中数据安全问题的出版物。核心建议是IIoT部署应依赖基于硬件的安全性（所谓的基于硬件的信任根或HRoT），该安全性不仅验证设备引导加载程序，而且从那时起通过设备操作系统建立一条链应用程序和网络之间的信任，以防止引导加载程序或操作系统操纵。不幸的是，这里的标准和方法可能会有所不同，一些制造商嵌入TPM芯片以满足加密要求，而其他制造商则使用基于FPGA的芯片来达到类似的效果。前进的道路虽然IIoT和AI乍一看面临着巨大的挑战，但早期采用者的辛勤工作、成熟的技术堆栈和简单的创新已经解决了许多最大的问题，而其他问题则有待达成共识。虽然AI提供了管理和解释大量数据的机会，但底层架构必须增强安全性和可见性，并尽可能地进行面向未来的部署。这将是IIoT设计师关注的一个重要领域。
