通过自动云分析更有效地利用环境传感器数据

重要的是需要找到一种有效方法，对集成到 IoT 节点网络中的传感器设备持续采集的大量数据进行深入分析，然后启动适当的回应，但这些并非易事。在面对只有来自少数节点的数据时，可能不会带来多大挑战，但如果需要考虑工业控制或环境监测系统中的巨大数量传感器，情况则完全不同，这同样适用于各种可能的环境监测，如智能家居/建筑、工厂自动化、农业、智能城市等。

为了最大限度地提高效率和保持尽可能短的响应时间，有必要实施一种自动化的决策过程，这将要求采用更高级的算法。如果考虑到可能涉及IoT节点的绝对巨大数量，仅仅在数据库上设立和存储一组规则，然后交叉引用这些规则来处理收到的数据基本无效，这样的配置可能很快就会顾此失彼。因此，需要采取一种更高级但又精简的办法。

一些人断定Rete算法是解决该问题的关键。Rete算法最早是在20世纪70年代末开发，已经广泛用于大量商业案例，这种算法的核心目标是提供一种模式匹配机制（pattern matching mechanism），由此可以快速将大量模式数据（例如IoT网络现在开始生成的数据）与包含许多不同对象的数据库进行比较。这样可以避免数据迭代，在整个过程中，特定模式的状态将保存在存储器。这样做的结果是，没有必要重复回到以前采用的规则，从而加快了整个过程，使其比其它竞争方法更加高效。 

UrsaLeo公司基于云的分析软件 能够通过与Silicon Labs 的Thunderboard 2传感器模块和树莓派 3B+（Raspberry Pi 3B+）（预装有 Yocto Linux）一起运行来实施上述策略，它采用树型规则架构进行模式匹配，而不是多次引用查找表，从而对采集的数据进行处理。这样可确保做出更明智的决策，而不会给系统增加不必要的延迟。自定义显示面板可以显示已编译数据集，也可以访问和设置触发以提醒操作人员，并可以在发生某些事件时进行人工干预。

通过使用直观的基于视觉的编辑工具，可以建立一组完全符合特定应用需求的规则。每当接收到消息时，可以设置触发，相反，也可以设定为在指定时间段内未收到消息，同样也可以启动触发。或者，为了进行长时间的监控，可以设定为定时启动触发（一小时、一天或一周后）。也可以定义地理围栏规则（geo-fencing rule）：当运动节点移动到给定区域时触发。这种技术可用于将叉车保持在工厂车间的指定范围内，或用于车队管理和牲畜跟踪等应用。此外，如果采集的数据值异常（例如数据值保持不变，或永久为零），则表示传感器可能工作不正常，然后可以做出标记，以便指派工程师到现场进行任何必要的维修。

Thunderboard 2 模块可以从已集成的大量传感器中获取环境数据信息，包括环境光、空气质量、气压、相对湿度和温度等，还可以添加气体检测功能。该模块包括一个6轴惯性传感器（用于空间定位）和一个霍尔效应传感器（用于地理定位），随附的树莓派板可作为IoT网关（直接与Google云平台端接）。由此，所有经过编译的数据通过无线（Wi-Fi）或有线（以太网）连接传输回云端。根据应用场景，硬件可由USB或使用锂离子电池供电。

这里采用的树型架构意味着该系统完全可扩展，能够处理网络中任何可能数量的IoT节点连接，而不是局限于一定数量的节点。因此，每秒将可能需要处理数十万个事件/警报。即便采用中型服务器，系统每秒也能处理 50万条消息，如果使用高容量服务器，则可以处理100～200万条消息。

通过结合使用高度优化的支持云的硬件和卓越的算法，处理IoT数据的方式将能够比现在更加高效，更加节省时间，这将促进IoT部署的升级，使其可以支持数十万个互连节点，从而能够跨越许多不同的行业领域来实现该技术带来的真正优势。

图 1：UrsaLeo IoT 硬件，包括一个Thunderboard 2 模块和树莓派 3B+。