物联网解决方案中的大数据处理

　　物联网中的大数据缺点

　　很多的数据是完全没用的，除非他们被处理，以获得有价值的东西。此外，与数据收集、处理和存储相关的各种缺点。

　　数据牢靠性。虽然大数据历来不是 100% 准确的，但在剖析数据之前，必须保证传感器正常工作，用于剖析的数据质量牢靠，不会受到各种因素的影响（例如，机械运转环境不利、传感器故障）。

　　要存储哪些数据。衔接的事物生成 TB 的数据，挑选存储哪些数据以及丢掉哪些数据是一项艰巨的使命。更重要的是，一些数据的价值远未浮出水面，但您将来可能需求这些数据。如果您决定为未来存储数据，则面对的应战是以最少的本钱（只需数据存储和处理本钱相当贵重）来存储数据。

　　剖析深度。一旦并非一切大数据都很重要，另一个应战就会出现：何时足以经过快速剖析，何时更深化的剖析能够带来更多价值。

　　安全性。毫无疑问，各个部门的互联能够改进我们的生活，但与此同时，数据安全也非常重要。网络罪犯能够访问数据中心和设备，衔接到交通体系、发电厂、工厂，从电信运营商那里窃取个人数据。物联网大数据是安全专家比较新的现象，缺乏相关经历会添加安全危险。

　　物联网解决方案中的大数据处理

　　在物联网体系中，物联网架构的数据处理组件因传入数据的特殊性、预期成果等而异。我们现已制定了处理物联网解决方案中大数据的办法。

　　数据来自衔接到事物的传感器。一个”东西”能够字面上是任何目标：烤箱，轿车，飞机，建筑物，工业机器，恢复设备。数据定时或流式传输。后者对于实时数据处理和管理至关重要。

　　Things 将数据发送到网关，保证初始数据过滤和预处理削减传输到下一个物联网体系块的数据量。

　　边际剖析。在进行深化的数据剖析之前，进行数据过滤和预处理以挑选某些使命所需的最相关数据是有意义的。此外，此阶段保证实时剖析能够快速识别之前经过云中的深度剖析发现的有用形式。

　　云网关对于不同数据协议之间的基本协议翻译和通信是必要的。它还支撑数据压缩，并维护字段网关和中央物联网服务器之间的数据传输。

　　衔接设备生成的数据以自然格局存储在数据湖中。原始数据来到带有”流”的数据湖。数据保存在数据湖中，直到可用于业务目的。清洁和结构化数据存储在数据仓库中。

　　机器学习。机器学习模块根据曾经堆集的历史数据生成模型。这些模型定时（例如，每月更新一次）与新的数据流。传入的数据被堆集并应用于训练和创立新模型。当这些模型经过专家测试和批准时，它们可用于操控应用程序，该应用程序会针对新的传感器数据发送指令或警报。

　　总结一下

　　物联网生成了很多大数据，可用于实时监控、剖析、流程优化和预测维护，仅举几例。可是，应该记住，从各种格局的海量数据中获取有价值的见解并不是一件小事：您需求保证传感器正常工作，数据安全传输并有用处理。此外，总有一个问题：哪些数据值得存储和处理（只需这两个进程都相当贵重）。

　　虽然存在上述潜在问题，但应记住，物联网发展势头微弱，帮助多个行业的企业开拓新的数字机会。