如何利用hadhoop构建物联网平台

常见的大数据术语表(中英对照简版)：
A
聚合(Aggregation) – 搜索、合并、显示数据的过程
算法(Algorithms) – 可以完成某种数据分析的数学公式
分析法(Analytics) – 用于发现数据的内在涵义
异常检测(Anomaly detection) –
在数据集中搜索与预期模式或行为不匹配的数据项。除了“Anomalies”,用来表示异常的词有以下几种：outliers, exceptions,
surprises, contaminants他们通常可提供关键的可执行信息
匿名化(Anonymization) – 使数据匿名，即移除所有与个人隐私相关的数据
应用(Application) – 实现某种特定功能的计算机软件
人工智能(Artificial Intelligence) –
研发智能机器和智能软件，这些智能设备能够感知周遭的环境，并根据要求作出相应的反应，甚至能自我学习
B
行为分析法(Behavioural Analytics) –
这种分析法是根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式
大数据科学家(Big Data Scientist) – 能够设计大数据算法使得大数据变得有用的人
大数据创业公司(Big data startup) – 指研发最新大数据技术的新兴公司
生物测定术(Biometrics) – 根据个人的特征进行身份识别
B字节 (BB: Brontobytes) – 约等于1000 YB(Yottabytes)，相当于未来数字化宇宙的大小。1
B字节包含了27个0!
商业智能(Business Intelligence) – 是一系列理论、方法学和过程，使得数据更容易被理解
C
分类分析(Classification analysis) – 从数据中获得重要的相关性信息的系统化过程; 这类数据也被称为元数据(meta
data),是描述数据的数据
云计算(Cloud computing) – 构建在网络上的分布式计算系统，数据是存储于机房外的(即云端)
聚类分析(Clustering analysis) –
它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性
冷数据存储(Cold data storage) – 在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时
对比分析(Comparative analysis) – 在非常大的数据集中进行模式匹配时，进行一步步的对比和计算过程得到分析结果
复杂结构的数据(Complex structured data) –
由两个或多个复杂而相互关联部分组成的数据，这类数据不能简单地由结构化查询语言或工具(SQL)解析
计算机产生的数据(Computer generated data) – 如日志文件这类由计算机生成的数据
并发(Concurrency) – 同时执行多个任务或运行多个进程
相关性分析(Correlation analysis) – 是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关
客户关系管理(CRM: Customer Relationship Management) –
用于管理销售、业务过程的一种技术，大数据将影响公司的客户关系管理的策略
D
仪表板(Dashboard) – 使用算法分析数据，并将结果用图表方式显示于仪表板中
数据聚合工具(Data aggregation tools) – 将分散于众多数据源的数据转化成一个全新数据源的过程
数据分析师(Data analyst) – 从事数据分析、建模、清理、处理的专业人员
数据库(Database) – 一个以某种特定的技术来存储数据集合的仓库
数据库即服务(Database-as-a-Service) – 部署在云端的数据库，即用即付，例如亚马逊云服务(AWS: Amazon Web
Services)
数据库管理系统(DBMS: Database Management System) – 收集、存储数据，并提供数据的访问
数据中心(Data centre) – 一个实体地点，放置了用来存储数据的服务器
数据清洗(Data cleansing) – 对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性
数据管理员(Data custodian) – 负责维护数据存储所需技术环境的专业技术人员
数据道德准则(Data ethical guidelines) – 这些准则有助于组织机构使其数据透明化，保证数据的简洁、安全及隐私
数据订阅(Data feed) – 一种数据流，例如Twitter订阅和RSS
数据集市(Data marketplace) – 进行数据集买卖的在线交易场所
数据挖掘(Data mining) – 从数据集中发掘特定模式或信息的过程
数据建模(Data modelling) – 使用数据建模技术来分析数据对象，以此洞悉数据的内在涵义
数据集(Data set) – 大量数据的集合
数据虚拟化(Data virtualization) –
数据整合的过程，以此获得更多的数据信息，这个过程通常会引入其他技术，例如数据库，应用程序，文件系统，网页技术，大数据技术等等
去身份识别(De-identification) – 也称为匿名化(anonymization)，确保个人不会通过数据被识别
判别分析(Discriminant analysis) –
将数据分类;按不同的分类方式，可将数据分配到不同的群组，类别或者目录。是一种统计分析法，可以对数据中某些群组或集群的已知信息进行分析，并从中获取分类规则。
分布式文件系统(Distributed File System) – 提供简化的，高可用的方式来存储、分析、处理数据的系统
文件存贮数据库(Document Store Databases) – 又称为文档数据库(document-oriented database),
为存储、管理、恢复文档数据而专门设计的数据库，这类文档数据也称为半结构化数据
E
探索性分析(Exploratory analysis) –
在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法
E字节(EB: Exabytes) – 约等于1000 PB(petabytes), 约等于1百万 GB。如今全球每天所制造的新信息量大约为1
EB
提取-转换-加载(ETL: Extract, Transform and Load) –
是一种用于数据库或者数据仓库的处理过程。即从各种不同的数据源提取(E)数据，并转换(T)成能满足业务需要的数据，最后将其加载(L)到数据库
F
故障切换(Failover) – 当系统中某个服务器发生故障时，能自动地将运行任务切换到另一个可用服务器或节点上
容错设计(Fault-tolerant design) – 一个支持容错设计的系统应该能够做到当某一部分出现故障也能继续运行
G
游戏化(Gamification) –
在其他非游戏领域中运用游戏的思维和机制，这种方法可以以一种十分友好的方式进行数据的创建和侦测，非常有效。
图形数据库(Graph Databases) –
运用图形结构(例如，一组有限的有序对，或者某种实体)来存储数据，这种图形存储结构包括边缘、属性和节点。它提供了相邻节点间的自由索引功能，也就是说，数据库中每个元素间都与其他相邻元素直接关联。
网格计算(Grid computing) – 将许多分布在不同地点的计算机连接在一起，用以处理某个特定问题，通常是通过云将计算机相连在一起。
H
Hadoop – 一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。
Hadoop数据库(HBase) – 一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用
HDFS – Hadoop分布式文件系统(Hadoop Distributed File
System);是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统
高性能计算(HPC: High-Performance-Computing) – 使用超级计算机来解决极其复杂的计算问题
I
内存数据库(IMDB: In-memory) –
一种数据库管理系统，与普通数据库管理系统不同之处在于，它用主存来存储数据，而非硬盘。其特点在于能高速地进行数据的处理和存取。
物联网(Internet of Things) – 在普通的设备中装上传感器，使这些设备能够在任何时间任何地点与网络相连。
J
法律上的数据一致性(Juridical data compliance) –
当你使用的云计算解决方案，将你的数据存储于不同的国家或不同的大陆时，就会与这个概念扯上关系了。你需要留意这些存储在不同国家的数据是否符合当地的法律。
K
键值数据库(KeyValue Databases) –
数据的存储方式是使用一个特定的键，指向一个特定的数据记录，这种方式使得数据的查找更加方便快捷。键值数据库中所存的数据通常为编程语言中基本数据类型的数据。
L
延迟(Latency) – 表示系统时间的延迟
遗留系统(Legacy system) – 是一种旧的应用程序，或是旧的技术，或是旧的计算系统，现在已经不再支持了。
负载均衡(Load balancing) – 将工作量分配到多台电脑或服务器上，以获得最优结果和最大的系统利用率。
位置信息(Location data) – GPS信息，即地理位置信息。
日志文件(Log file) – 由计算机系统自动生成的文件，记录系统的运行过程。
M
M2M数据(Machine2Machine data) – 两台或多台机器间交流与传输的内容
机器数据(Machine data) – 由传感器或算法在机器上产生的数据
机器学习(Machine learning) –
人工智能的一部分，指的是机器能够从它们所完成的任务中进行自我学习，通过长期的累积实现自我改进。
MapReduce – 是处理大规模数据的一种软件框架(Map: 映射，Reduce: 归纳)。
大规模并行处理(MPP: Massively Parallel Processing) –
同时使用多个处理器(或多台计算机)处理同一个计算任务。
元数据(Metadata) – 被称为描述数据的数据，即描述数据数据属性(数据是什么)的信息。
MongoDB – 一种开源的非关系型数据库(NoSQL database)
多维数据库(Multi-Dimensional Databases) – 用于优化数据联机分析处理(OLAP)程序，优化数据仓库的一种数据库。
多值数据库(MultiValue Databases) – 是一种非关系型数据库(NoSQL),
一种特殊的多维数据库：能处理3个维度的数据。主要针对非常长的字符串，能够完美地处理HTML和XML中的字串。
N
自然语言处理(Natural Language Processing) –
是计算机科学的一个分支领域，它研究如何实现计算机与人类语言之间的交互。
网络分析(Network analysis) – 分析网络或图论中节点间的关系，即分析网络中节点间的连接和强度关系。
NewSQL – 一个优雅的、定义良好的数据库系统，比SQL更易学习和使用，比NoSQL更晚提出的新型数据库
NoSQL –
顾名思义，就是“不使用SQL”的数据库。这类数据库泛指传统关系型数据库以外的其他类型的数据库。这类数据库有更强的一致性，能处理超大规模和高并发的数据。
O
对象数据库(Object Databases) –
(也称为面象对象数据库)以对象的形式存储数据，用于面向对象编程。它不同于关系型数据库和图形数据库，大部分对象数据库都提供一种查询语言，允许使用声明式编程(declarative
programming)访问对象
基于对象图像分析(Object-based Image Analysis) –
数字图像分析方法是对每一个像素的数据进行分析，而基于对象的图像分析方法则只分析相关像素的数据，这些相关像素被称为对象或图像对象。
*** 作型数据库(Operational Databases) –
这类数据库可以完成一个组织机构的常规 *** 作，对商业运营非常重要，一般使用在线事务处理，允许用户访问 、收集、检索公司内部的具体信息。
优化分析(Optimization analysis) –
在产品设计周期依靠算法来实现的优化过程，在这一过程中，公司可以设计各种各样的产品并测试这些产品是否满足预设值。
本体论(Ontology) – 表示知识本体，用于定义一个领域中的概念集及概念之间的关系的一种哲学思想。(译者注:
数据被提高到哲学的高度，被赋予了世界本体的意义，成为一个独立的客观数据世界)
异常值检测(Outlier detection) –
异常值是指严重偏离一个数据集或一个数据组合总平均值的对象，该对象与数据集中的其他它相去甚远，因此，异常值的出现意味着系统发生问题，需要对此另加分析。
P
模式识别(Pattern Recognition) – 通过算法来识别数据中的模式，并对同一数据源中的新数据作出预测
P字节(PB: Petabytes) – 约等于1000 TB(terabytes), 约等于1百万 GB
(gigabytes)。欧洲核子研究中心(CERN)大型强子对撞机每秒产生的粒子个数就约为1 PB
平台即服务(PaaS: Platform-as-a-Service) – 为云计算解决方案提供所有必需的基础平台的一种服务
预测分析(Predictive analysis) –
大数据分析方法中最有价值的一种分析方法，这种方法有助于预测个人未来(近期)的行为，例如某人很可能会买某些商品，可能会访问某些网站，做某些事情或者产生某种行为。通过使用各种不同的数据集，例如历史数据，事务数据，社交数据，或者客户的个人信息数据，来识别风险和机遇
隐私(Privacy) – 把具有可识别出个人信息的数据与其他数据分离开，以确保用户隐私。
公共数据(Public data) – 由公共基金创建的公共信息或公共数据集。
Q
数字化自我(Quantified Self) – 使用应用程序跟踪用户一天的一举一动，从而更好地理解其相关的行为
查询(Query) – 查找某个问题答案的相关信息
R
再识别(Re-identification) – 将多个数据集合并在一起，从匿名化的数据中识别出个人信息
回归分析(Regression analysis) –
确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注：自变量，因变量，二者不可互换)
RFID – 射频识别; 这种识别技术使用一种无线非接触式射频电磁场传感器来传输数据
实时数据(Real-time data) – 指在几毫秒内被创建、处理、存储、分析并显示的数据
推荐引擎(Recommendation engine) – 推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品
路径分析(Routing analysis) –
针对某种运输方法通过使用多种不同的变量分析从而找到一条最优路径，以达到降低燃料费用，提高效率的目的
S
半结构化数据(Semi-structured data) –
半结构化数据并不具有结构化数据严格的存储结构，但它可以使用标签或其他形式的标记方式以保证数据的层次结构
情感分析(Sentiment Analysis) – 通过算法分析出人们是如何看待某些话题
信号分析(Signal analysis) – 指通过度量随时间或空间变化的物理量来分析产品的性能。特别是使用传感器数据。
相似性搜索(Similarity searches) – 在数据库中查询最相似的对象，这里所说的数据对象可以是任意类型的数据
仿真分析(Simulation analysis) –
仿真是指模拟真实环境中进程或系统的 *** 作。仿真分析可以在仿真时考虑多种不同的变量，确保产品性能达到最优
智能网格(Smart grid) – 是指在能源网中使用传感器实时监控其运行状态，有助于提高效率
软件即服务(SaaS: Software-as-a-Service) – 基于Web的通过浏览器使用的一种应用软件
空间分析(Spatial analysis) – 空间分析法分析地理信息或拓扑信息这类空间数据，从中得出分布在地理空间中的数据的模式和规律
SQL – 在关系型数据库中，用于检索数据的一种编程语言
结构化数据(Structured data)
-可以组织成行列结构，可识别的数据。这类数据通常是一条记录，或者一个文件，或者是被正确标记过的数据中的某一个字段，并且可以被精确地定位到。
T
T字节(TB: Terabytes) – 约等于1000 GB(gigabytes)。1 TB容量可以存储约300小时的高清视频。
时序分析(Time series analysis) –
分析在重复测量时间里获得的定义良好的数据。分析的数据必须是良好定义的，并且要取自相同时间间隔的连续时间点。
拓扑数据分析(Topological Data Analysis) –
拓扑数据分析主要关注三点：复合数据模型、集群的识别、以及数据的统计学意义。
交易数据(Transactional data) – 随时间变化的动态数据
透明性(Transparency) – 消费者想要知道他们的数据有什么作用、被作何处理，而组织机构则把这些信息都透明化了。
U
非结构化数据(Un-structured data) – 非结构化数据一般被认为是大量纯文本数据，其中还可能包含日期，数字和实例。
V
价值(Value) – (译者注：大数据4V特点之一)
所有可用的数据，能为组织机构、社会、消费者创造出巨大的价值。这意味着各大企业及整个产业都将从大数据中获益。
可变性(Variability) – 也就是说，数据的含义总是在(快速)变化的。例如，一个词在相同的推文中可以有完全不同的意思。
多样(Variety) – (译者注：大数据4V特点之一)
数据总是以各种不同的形式呈现，如结构化数据，半结构化数据，非结构化数据，甚至还有复杂结构化数据
高速(Velocity) – (译者注：大数据4V特点之一) 在大数据时代，数据的创建、存储、分析、虚拟化都要求被高速处理。
真实性(Veracity) – 组织机构需要确保数据的真实性，才能保证数据分析的正确性。因此，真实性(Veracity)是指数据的正确性。
可视化(Visualization) –
只有正确的可视化，原始数据才可被投入使用。这里的“可视化”并非普通的图型或饼图，可视化指是的复杂的图表，图表中包含大量的数据信息，但可以被很容易地理解和阅读。
大量(Volume) – (译者注：大数据4V特点之一) 指数据量，范围从Megabytes至Brontobytes
W
天气数据(Weather data) – 是一种重要的开放公共数据来源，如果与其他数据来源合成在一起，可以为相关组织机构提供深入分析的依据
X
XML数据库(XML Databases) –
XML数据库是一种以XML格式存储数据的数据库。XML数据库通常与面向文档型数据库相关联，开发人员可以对XML数据库的数据进行查询，导出以及按指定的格式序列化
Y
Y字节 (Yottabytes) – 约等于1000 ZB (Zettabytes),
约等于250万亿张DVD的数据容量。现今，整个数字化宇宙的数据量为1 YB, 并且将每18年翻一番。
Z
Z字节 (ZB: Zettabytes) – 约等于1000 EB (Exabytes), 约等于1百万
TB。据预测，到2016年全球范围内每天网络上通过的信息大约能达到1 ZB。
附：存储容量单位换算表：
1 Bit(比特) = Binary Digit
8 Bits = 1 Byte(字节)
1,000 Bytes = 1 Kilobyte
1,000 Kilobytes = 1 Megabyte
1,000 Megabytes = 1 Gigabyte
1,000 Gigabytes = 1 Terabyte
1,000 Terabytes = 1 Petabyte
1,000 Petabytes = 1 Exabyte
1,000 Exabytes = 1 Zettabyte
1,000 Zettabytes = 1 Yottabyte
1,000 Yottabytes = 1 Brontobyte
1,000 Brontobytes = 1 Geopbyte

若是您手机出现上网慢的情况，请您检查以下情况：
1请查看 手机的网络模式，如使用的是4G/3G网络即可使用高速的数据业务，使用2G网络（GSM网络）速率相对较慢。
2请查看手机的信号强度，如果信号较弱，可能是由于信号强度影响手机的速率。
3另外上网的速率与手机终端支持版本也有关系。
如需帮助，您可联系当地联通10010人工客服处理。

2017年中国半导体封装测试技术与市场年会已经过去一个月了，但半导体这个需要厚积薄发的行业不需要蹭热点，一个月之后，年会上专家们的精彩发言依然余音绕梁。除了“封装测试”这个关键词，嘉宾们提的最多的一个关键词是“物联网”。因此，将年会上的嘉宾观点稍作整理，让我们再一起思考一下物联网时代的先进封装。
智能手机增速放缓

半导体下游市场的驱动力经历了几个阶段，首先是出货量为亿台量级的个人电脑，后来变成十亿台量级的手机终端和通讯产品，而从2010年开始，以智能手机为代表的智能移动终端掀起了移动互联网的高潮，成为最新的杀手级应用。回顾之前的二三十年，下游电子行业杀手级应用极大的拉动了半导体产业发展，不断激励半导体厂商扩充产能，提升性能，而随着半导体产量提升，半导体价格也很快下降，更便宜更高性能的半导体器件又反过来推动了电子产业加速发展，半导体行业和电子行业相互激励，形成了良好的正反馈。但在目前， 智能手机的渗透率已经很高，市场增长率开始减缓，下一个杀手级应用将会是什么？

物联网可能成为下一个杀手级应用

根据IHS的预测，物联网节点连接数在2025年将会达到700亿。

从数量上来看，物联网将十亿量级的手机终端产品远远抛在后面，很可能会成为下一波的杀手级应用。但物联网的问题是产品多样化，应用非常分散。我们面对的市场正从单一同质化大规模市场向小规模异质化市场发生变化。对于半导体这种依靠量的行业来说，芯片设计和流片前期投入巨大，没有量就不能产生规模效应，摊销到每块芯片的成本非常高。

除了应对小规模异质化的挑战， 物联网需要具备的关键要素还包括 ：多样的传感器（各类传感器和Sensor Hub），分布式计算能力（云端计算和边缘计算），灵活的连接能力（5G，WIFI，NB-IOT，Lora, Bluetooth, NFC，M2M…），存储能力(存储器和数据中心)和网络安全。这些关键要素会刺激CPU/AP/GPU，SSD/Memory,生物识别芯片，无线通讯器件，传感器，存储器件和功率器件的发展。

物联网多样化的下游产品对封装提出更多要求

物联网产品的多样性意味着芯片制造将从单纯追求制程工艺的先进性，向既追求制程先进性，也最求产品线的宽度发展。物联网时代的芯片可能的趋势是：小封装，高性能,低功耗,低成本,异质整合（Stacking，Double Side, EMI Shielding, Antenna…）。

汽车电子的封装需求： 汽车电子目前的热点在于ADAS系统和无人驾驶AI深度学习。全球汽车2016年产销量约为8000万台，其中中国市场产销量2800万台，为汽车电子提供了足够大的舞台。ADAS汽车系统发展前景广阔，出于安全考虑，美国NHTSA要求从2018年5月起生产的汽车需要强制安装倒车影像显示系统。此外，车道偏离警示系统（LDW），前方碰撞预警系统（FCW），自动紧急刹车系统（AEBS），车距控制系统（ACC），夜视系统（NV）市场也在快速成长。中国一二线城市交规越来越严格也使得人们对ADAS等汽车电子系统的需求提升。ADAS，无人驾驶，人工智能，深度学习对数据处理实时性要求高，所以要求芯片能实现超高的计算性能，另外对芯片和模块小型化设计和散热也有要求，未来的汽车电子芯片可能需要用25D技术进行异构性的集成，比如将CPU，GPU，FPGA，DRAM集成封装在一起。

个人移动终端的封装需求： 个人消费电子市场也将继续稳定增长，个人消费电子设备主要的诉求是小型化，省电，高集成度，低成本和模块化。比如个人移动终端要求能实现多种功能的模块化，将应用处理器模块，基带模块，射频模块，指纹识别模块，通讯模块，电源管理模块等集成在一起。这些产品对芯片封装形式的要求同样是小型化，省电，高集成度，模块化，芯片封装形式主要是“Stack Die on Passive”,“Antenna in SiP”,“Double Side SiP等。比如苹果的3D SiP集成封装技术，从过去的ePOP & BD PoP，发展到目前的是HBW-PoP和FO-PoP，下一代的移动终端封装形式可能是FO-PoP加上FO-MCM,这种封装形式能够提供更加超薄的设计。

5G 网络芯片的封装需求： 5G网络和基于物联网的NB-IOT网络建设意味着网络芯片市场将会有不错的表现。与网络密切祥光的大数据，云计算和数据中心，对存储器芯片和FPGA GPU/CPU的需求量非常大。通信网络芯片的特点是大规模，高性能和低功耗，此外，知识产权（IP）核复杂、良率等都是厂商面临的重要问题。这些需求和问题也促使网络芯片封装从Bumping & FC发展到25D，FO-MCM和3D。而TSV技术的成功商用，使芯片的堆叠封装技术取得了实质性进展，海力士和三星已成功研发出3D堆叠封装的高带宽内存（HBM），Micron和Intel等也正在联合推动堆叠封装混合存储立方体（HMC）的研发。在芯片设计领域，BROADCOM、GLOBAL FOUNDRIES等公司也成功引入了TSV技术，目前已能为通信网络芯片提供25D堆叠后端设计服务。

上游晶圆代工厂供应端对封装的影响

一方面，下游市场需求非常旺盛，另外一方面，大基金带领下的资本对晶圆代工制造业持续大力投资，使得上游的制造一直在扩充产能据SEMI估计,全球将于2017年到2020年间投产62座半导体晶圆厂，其中26座在中国大陆，占全球总数的42%。目前晶圆厂依然以40

nm以上的成熟制程为主，占整体晶圆代工产值的60%。未来，汽车电子，消费电子和网络通信行业对芯片集成度、功能和性能的要求越来越高，主流的晶圆厂中芯和联电都在发展28nm制程，其中台积电28nm制程量产已经进入第五年，甚至已经跨入10Xnm制程。

随着晶圆技术节点不断逼近原子级别，摩尔定律可能将会失效。如何延续摩尔定律？可能不能仅仅从晶圆制造来考虑，还应该从芯片制造全流程的整个产业链出发考虑问题，需要 对芯片设计，晶片制造到封装测试都进行系统级的优化。 因此， 晶圆制造，芯片封测和系统集成三者之间的界限将会越来越模糊。 首先是芯片封测和系统集成之间出现越来越多的子系统，各种各样的系统级封装SiP需要将不同工艺和功能的芯片，利用3D等方式全部封装在一起，既缩小体积，又提高系统整合能力。Panel板级封装也将大规模降低封装成本，提高劳动生产效率。其次，芯片制造和芯片封测之间出现了扇入和扇出型晶圆级封装，FO-WLP封装具有超薄，高I/O脚数的特性，是继打线，倒装之后的第三代封装技术之一，最终芯片产品具有体积小，成本低，散热佳，电性能优良，可靠性高等优势。

先进封装的发展现状

先进封装形式在国内应用的越来越多，传统的TO和DIP封装类型市场份额已经低于20%，

最近几年，业界的先进封装技术包括以晶圆级封装（WLCSP）和载板级封装（PLP）为代表的21D，3D封装，Fan Out WLP，WLCSP，SIP以及TSV,

2013年以前，25D TSV封装技术主要应用于逻辑模块间集成，FPGA芯片等产品的封装，集成度较低。2014年，业界的3D TSV封装技术己有部分应用于内存芯片和高性能芯片封装中，比如大容量内存芯片堆叠。2015年，25D TSV技术开始应用于一些高端GPU/CPU,网络芯片,以及处理器（AP）+内存的集成芯片中。3D封装在集成度、性能、功耗，更小尺寸，设计自由度，开发时间等方面更具优势，同时设计自由度更高，开发时间更短，是各封装技术中最具发展前景的一种。在高端手机芯片，大规I/O芯片和高性能芯片中应用广泛，比如一个MCU加上一个SiP，将原来的尺寸缩小了80%。

目前国内领先封装测试企业的先进封装能力已经初步形成

长电科技王新潮董事长在2017半导体封装测试年会上，对于中国封测厂商目前的先进封装技术水平还提到三点：

SiP 系统级封装： 目前集成度和精度等级最高的SiP模组在长电科技已经实现大规模量产；华天科技的TSV+SiP指纹识别封装产品已经成功应用于华为系列手机。

WLP 晶圆级封装 ：长电科技的Fan Out扇出型晶圆级封装累计发货超过15亿颗，其全资子公司长电先进已经成为全球最大的集成电路Fan-In WLCSP封装基地之一；晶方科技已经成为全球最大的影像传感器WLP晶圆级封装基地之一。

FC 倒装封装： 通过跨国并购，国内领先企业获得了国际先进的FC倒装封装技术，比如长电科技的用于智能手机处理器的FC-POP封装技术；通富微电的高脚数FC-BGA封装技术；国内三大封测厂也都基本掌握了16/14nm的FC倒装封装技术。

其英文名称是“The Internet of things”。由此，顾名思义，“物联网就是物物相连的互联网”。这有两层意思：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。因此，物联网的定义是通过射频识别（RFID）、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络。近期发布的中国物联网年度发展报告中称，到2015年中国\x0d\物联网上市公司\x0d\整体市场规模将达到7500亿元，年复合增长率超过30%，市场前景将远远超过计算机、互联网、移动通信等市场\x0d\物联网概念股及物联网上市公司一览：\x0d\简称 涉及领域 三季报EPS 三季报ROE 行业 最新 涨跌%\x0d\000997,新 大 陆 二维码核心技术 012 44388 信息技术\x0d\002161,远 望 谷 RFID龙头企业 015 7906 信息技术\x0d\000682,东方电子 RFID 00166 12027 信息技术\x0d\000701,厦门信达 RFID 01837 6301 综合类\x0d\600100,同方股份 RFID 02875 35844 信息技术\x0d\600171,上海贝岭 RFID 0018 07328 电子\x0d\600203,福日电子 RFID -0115 -84988 电子 --- ---\x0d\000851,高鸿股份 RFID 00177 05958 信息技术 --- ---\x0d\000988,华工科技 RFID 051 130303 电子 --- ---\x0d\600271,航天信息 RFID 08 183162 信息技术 --- ---\x0d\300078,中瑞思创 RFID 11 942 电子 --- ---\x0d\600770,综艺股份 从事智能卡及RFID芯片 011 37613 综合类 --- ---\x0d\002017,东信和平 智能卡企业龙头 01302 38807 其他制造 --- ---\x0d\600198,大唐电信 智能卡 00616 50878 信息技术 --- ---\x0d\002104,恒宝股份 智能卡 014 106798 其他制造 --- ---\x0d\002241,歌尔声学 MEMS传感器 054 124216 电子 --- ---\x0d\600584,长电科技 MEMS传感器 02269 96849 电子 --- ---\x0d\002058,威 尔 泰 传感器 0135 47004 仪器仪表 --- ---\x0d\300007,汉威电子 传感器 02 483 普通机械 --- ---\x0d\300020,银江股份 物联网垂直行业的应用 024 661 信息技术\x0d\物联网上市公司发展前景，虽然关于物联网可实现度有多大，大家现在还存在很大的争议，但是物联网概念股已经被炒得非常热，而且非常引人注目。

物联商业网有队智能交通中的物联网技术进行相应的总结，下面你可以参考一下：\x0d\1、无线通信。目前已经有多种无线通信解决方案可以应用在智能交通系统当中。UHF和VHF频段上的无线调制解调器通信被广泛用于智能交通系统中的短距离和长距离通信。\x0d\2、计算决策。目前汽车电子占普通轿车成本的30%，在高档车中占到60%。根据汽车电子领域的最新进展，未来车辆中将配备数量更少但功能更为强大的处理器。\x0d\3、感知技术。电信、信息技术、微芯片、RFID以及廉价的智能信标感应等技术的发展和在智能交通系统中的广泛应用为车辆驾驶员安全提供了有力保障。智能交通系统中的感知技术是基于车辆和道路基础设施的网络系统。\x0d\4、视频监测识别。利用视频摄像设备进行交通流量计量和事故检测属于车辆监测的范畴。视频监测系统(如自动车牌号码识别)和其他感知技术相比具有很大优势，它们并不需要在路面或者路基中部署任何设备，因此也被称为“非植入式”交通监控。\x0d\5、定位技术。车辆中配备的嵌入式GPS接收器能够接收多个不同卫星的信号并计算出车辆当前所在的位置，定位的误差一般是几米。GPS信号接收需要车辆具有卫星的视野，因此在城市中心区域可能由于建筑物的遮挡而使该技术的使用受到限制。\x0d\6、探测车辆和设备。部分国家开始部署所谓的“探测车辆”，它们通常是出租车或者政府所有的车辆，配备了DSRC或其他的无线通信技术。这些车辆向交通运营管理中心汇报它们的速度和位置，管理中心对这些数据进行整合分析得到广大范围内的交通流量情况以检测交通堵塞的位置。

1、物联网的定义：

物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。

2、物联网的组成：

物联网大致可以分为以下四个层面，即：感知层、网络层、平台层以及应用层。具体如下：

（1）、感知识别层。

感知层是物联网整体架构的基础，是物理世界和信息世界融合的重要一环。在感知层，我们可以通过传感器感知物体本身以及周围的信息，让物体也具备了“开口说话，发布信息”的能力，比如声音传感器、压力传感器、光强传感器等。感知层负责为物联网采集和获取信息。

（2）、网络构建层。

网络层在整个物联网架构中起到承上启下的作用，它负责向上层传输感知信息和向下层传输命令。网络层把感知层采集而来的信息传输给物联云平台，也负责把物联云平台下达的指令传输给应用层，具有纽带作用。网络层主要是通过物联网、互联网以及移动通信网络等传输海量信息。

（3）、平台管理层。

平台层是物联网整体架构的核心，它主要解决数据如何存储、如何检索、如何使用以及数据安全与隐私保护等问题。平台管理层负责把感知层收集到的信息通过大数据、云计算等技术进行有效地整合和利用，为人们应用到具体领域提供科学有效的指导。

（4）、综合应用层。

物联网最终是要应用到各个行业中去，物体传输的信息在物联云平台处理后，挖掘出来的有价值的信息会被应用到实际生活和工作中，比如智慧物流、智慧医疗、食品安全、智慧园区等。

扩展资料：

物联网的功能主要有以下几点：

1、获取信息的功能。

信息的感知、识别，信息的感知是指对事物属性状态及其变化方式的知觉和敏感；信息的识别指能把所感受到的事物状态用一定方式表示出来。

2、传送信息的功能。

传送信息指的是信息发送、传输、接收等环节，最后把获取的事物状态信息及其变化的方式从时间(或空间)上的一点传送到另一点的任务，这就是常说的通信过程。

3、处理信息的功能。

处理信息指的是信息的加工过程，利用已有的信息或感知的信息产生新的信息，实际是制定决策的过程。

4、施效信息的功能。

施效信息指的是信息最终发挥效用的过程，有很多的表现形式，比较重要的是通过调节对象事物的状态及其变换方式，始终使对象处于预先设计的状态。

参考资料来源：百度百科-物联网

聚羧酸减水剂生产控制系统的工业物联网框架设计与实现

严海蓉1，王子明2
（1北京慧物科联科技有限公司，北京 100124，2北京工业大学，北京 100124）

摘要：工业物联网既提供了在生产过程中获取并控制聚羧酸减水剂生产设备的信息的方式，也提供了基本的网络架构，方便系统集成和扩展。该框架在分析了聚羧酸减水剂生产流程的基础上被划分为设备控制层、通讯层和应用服务层。根据实际应用需求，描述了工业物联网架构可以方便接入设备，贴近工艺完成软件，并让机器具有智能。企业应用案例表明该系统能够有效地实现生产状态跟踪监测和生产设备自动控制的目标，对进一步研究工业物联网技术和解决方案具有一定的参考价值。
关键词：工业物联网；自动化控制系统；聚羧酸减水剂生产设备
中图分类号：TP273 文献标识码：A

Theindustrial IOT design of automatic control system for polycarboxylate superplasticizer
YAN Hairong1, Wang Ziming2
（1．Beijing Sophtek Corp，2 Beijing University of Technology，Beijing 100124，China）

0引言
原来的聚羧酸减水剂生产自动化控制不能充分满足生产工艺要求，存在的主要问题是：
1） 新设备接入非常困难；
2） 同类不同厂家设备不方便更换；
3） 匀速滴加过程中不能达到理想的控制速度，传统PID算法波动较大，常需要人工手动干预；
4） 温度控制需要人工参与控制，无法完成全自动；
电话 扣扣53O934955
工业物联网是工业40的支撑框架。物联网被称为继计算机、互联网之后，世界信息产业的第三次浪潮。它的发展离不开应用，面向工业自动化的工业互联网技术是物联网的关键组成部分[1]。工业物联网通过将具有感知能力的智能终端、无处不在的移动计算模式、泛在的移动网络通信方式应用到工业生产的各个环节，提高制造效率，把握产品质量，降低成本，减少污染，从而将传统工业提升到智能工业的新阶段[2]。
工业物联网框架中，整个系统具有强大的数据服务器，能够进行大数据的计算。在数据量足够的时候能够利用网络智能来帮助企业进行决策、配方优化和自动的设备维护等。
整个控制系统具有分布式智能能力。整个系统中，可以把数据都送到中控部分来完成；也可以将一些需要及时处理的，如温度控制等，直接由现场控制来完成。系统通常分为中央控制单元和分布的现场控制单元，中央控制单元由工业控制计算机充当，现场控制单元则由高可靠、抗干扰的工业级微控制器和与当前控制需求相配套的附加电路模块组成。依托微控制器的实时处理能力可以完成对现场生产进行实时调节控制，并且通过总线实现现场控制单元与中央控制单元进行数据交互，使生产过程表现出整体性、协调性，从而优化生产工艺、提高生成效率。
系统通过总线把各个独立的控制模块组织成在一起。控制模块的独立性，使得系统中各个分布的控制模块检修、升级、数量扩充都很方便，也为在生产规模扩大时控制系统扩充预留了接口。
因此工业物联网框架才能彻底解决传统控制的一些问题，真正贴合聚羧酸减水剂生产工艺。
1 系统概要设计
根据聚羧酸减水剂的生产过程，可以将聚羧酸减水剂自动化控制系统分为设备控制层、通讯层和应用服务层，系统框架如图1所示。
图1 系统框架图
图1中，应用服务层主要实现对生产过程中实时数据和生产状态的跟踪监测和管理，同时提供各种应用UI接口，用户可以通过使用计算机、手机等手持设备登录客户端来访问或获取所需要的数据或信息等，从而实现物联网的厂内处处可访问。一旦将企业网络与公共网络连接，用户登录后就可以实现生产数据随处可访问。
应用服务层中还包括有控制逻辑层，控制逻辑层通过与 *** 作人员进行交互，并且汇集、分析、存储和处理生产过程中的实时数据和生产状态，实现生产过程的逻辑控制。
通讯层主要实现设备控制层、控制逻辑层和应用服务层之间的可靠传输。
设备控制层主要实现原始数据的采集与分析、数据和状态的上传、控制指令的接收等。嵌入式控制器内的智能逻辑将和聚羧酸减水剂生产各工序要求的生产工艺（加料、滴加、温度调节、pH调节）等紧密贴合，并与控制逻辑层相互通讯完成所要求的工艺精密控制。
整个系统采用划分层次的设计思路使得系统具有很好的可移植性，各种传感器可以灵活的接入系统。这样新系统的总体实现或者旧系统的扩展可以采用“搭积木”的方式完成构建。

2 系统详细设计
根据以上设计的系统工业物联网框架和体系结构，本研究将以北京某公司的具体项目为例，详细介绍该系统的设计和应用过程。
21设备接入示例
基于工业物联网架构的设计，可以很容易的接入各种设备。比如如图2所示的聚羧酸减水剂自动化控制系统接入了一个服务器、一个 *** 作员站、若干显示器、2个控制站，若干现场设备和用户手机。
图2基于工业物联网架构的设备接入实例
服务器负责存储生产数据，包括生产 *** 作日志和生产过程数据，便于生成台帐和报表。也可以与各种财务、资产管理软件连接。同时，负责承载起局域网与大网络的连接工作。
*** 作员站上运行的软件，方便 *** 作员在中控室来 *** 作现场各种阀门、电机等开停，从而按照工艺过程完成生产。
控制站自动获得 *** 作员 *** 作命令来控制现场设备，比如阀门等，同时也自动从现场设备获取各种状态，比如称重数据等传给控制室控制机器。
现场设备是包括传感器和各类执行器，比如秤、阀门等自动工作。
图中的手机设备是为了表示出工业物联网框架可以任意接入设备的特性。比如，在该框架下，巡视人员可以通过手机进行接入，完整现场紧急控制一些阀门的开或者是关。经理等就可以通过手机来查看每天生产数据。
同时，对于不同厂家的同类设备，该工业物联网框架也有较好的兼容能力。
22贴合工艺的软件设计
软件包括生产线管理软件和工业现场控制软件。生产线管理软件工作于生产管理计算机，主要实现工艺管理、配方管理；通过网络，根据权限，可调出 *** 作人员的现场 *** 作记录，完成对现场的远程管理。工业现场控制软件工作于车间级服务器中，主要通过与工艺以及现场布置相同的画面显示，使得 *** 作人员便于 *** 作，以实现现场设备仪表信号的采集、处理，配方管理和现场数据实时界面显示和控制等功能。
图3 聚羧酸合成控制生产工艺示意图

根据实际生产过程和自动化控制系统的特点，当前聚羧酸生产过程分大单体预化过程、 A、B料预混过程、A、B料计量罐加料过程、碱计量罐加料过程、A、B料滴加过程、反应釜搅拌控制过程、反应釜温度控制过程，针对不同的过程，分别实现其控制目标，从而达到完整生产过程的控制。
下面以工艺中的A、B料计量罐滴加控制为例来说明软件设计功能。
首先控制系统为用户提供友好的A、B滴加控制对话框，方便用户可视化 *** 作。用户可以选择采用以前输入的备用方案进行控制，也可以选择自己新输入方案进行空控制。总之都能够根据配方在规定的时间内，将指定质量的物料匀速加入到对应的反应釜中。
图4 启动已存备用方案滴加
图5 启动自定义方案采用三阶段定量滴加示例

其次控制系统采用分段式匀速滴加模式（图5），启动滴加时，控制系统计算出三个阶段分别的预期流速。控制系统实时读取当前计量罐的质量，并根据当前时间，计算出实时流速。控制系统根据实时流速和预期流速的差值，控制调节阀的开启度，从而控制滴加速度。
图6 滴加控制效果示意图（多阶段不同流速）

最后，显示出实时滴加工作界面（图6），工作工作误差一般不大于1%。
23机器学习的智能能力
原来控制系统由于没有采用物联网框架，数据存储量不充分，从而无法让机器自主学习。各种设备常常需要人来手工调整，设定最高最低值；控制过程需要人工进行干预，来辅助机器完成自动控制。
而现有的工业物联网架构，拥有了专门的数据服务器，从而可以存储较大量的数据。而对于这些数据进行分析而产生的机器智能不可小觑。
比如，以前温度控制时，只能根据人工经验设定一个固定的值。反应釜的材质、容量、夹套、搅拌电机、搅拌桨叶等设备本身因素会影响调温结果。
而往往由于冬夏的自来水、室内温度、物料温度、反应剧烈程度等也会影响调温结果。因此在控制系统安装后要进行长时间的人工参与测试来努力找到一个合适的最大最小值。而测试时间毕竟短，这个值一旦这个值固定后，后续生产时就无法轻易改变，为此生产 *** 作员常需要来观测这个温度控制过程并且来参与控制，否则很难达到理想的控制效果。
再比如对于滴加控制的PID算法，往往由设计者人为给定一个PID参数，也无法完全适应实际设备磨损等情况。
而基于工业物联网架构的控制时，可以在服务器端运行一个智能控件，由它来自动学习历史调温或者滴加流速的变化情况，不断训练软件，让软件重新找到合适的上下调节阈值，这样才可以真正达到完全自动化。整个系统拥有了自己不断学习的机器智能。

3 系统测试结果
基于工业物联网的聚羧酸减水剂自动化控制系统在设计和开发完成后，在北京某工厂的实际生产线上投入使用。目前，该系统运行安全、稳定，大部分功能已经实现，达到了预期的效果。
在系统正式投入使用后，对系统的工业现场控制软件、生产线管理软件和嵌入式控制器进行了长时间的测试。针对实现过程中遇到的问题做了大量的调试工作。下面以实现滴加A料为例对系统的测试进行描述。
*** 作人员在控制室通过点击用户 *** 作界面的A料滴加阀门按钮进行滴加参数的配置，如图7所示。 *** 作人员需要输入的参数为滴加质量和滴加时间，同时系统也支持分阶段滴加。在点击开始滴加按钮后，服务器会向嵌入式控制器发送滴加A料指令。
图7 滴加A料配置界面
嵌入式控制器在接收到服务器下发的滴加A料指令后，会进行自动化控制，实现A料的滴加 *** 作，具体效果如图8所示。
图8 5个反应釜同时进行A料滴加曲线示意图
图8中5条不同颜色的线分别表示5个不同计量罐的A料滴加曲线，系统支持多个计量罐同时进行滴加 *** 作。左侧上升的直线表示向计量罐加入A料的过程，系统支持多个计量罐同时加料，质量控制精确，定量加料的误差在01%以内。右侧下降的曲线表示滴加A料过程，曲线的斜率即为速度。由图可知，系统基本上能够实现匀速滴加A料过程，同时，系统也支持连续4小时的滴加 *** 作，时间误差在1分钟左右。
基于工业物联网的聚羧酸减水剂自动化控制系统投入运行后，提高了聚羧酸减水剂的产品质量，提高了工艺生产的自动化程度，大大减轻了 *** 作人员的劳动强度，提高了企业的竞争力。
4 结束语
本研究基于工业物联网架构设计的聚羧酸减水剂自动化控制系统对聚羧酸减水剂生产过程可以进行高效的跟踪管理，在实际应用中具有重要作用。它使聚羧酸减水剂生产设备具备了一定的数据感知、处理和通信能力，从而为企业制定更好的工艺流程提空帮助。同时，它也促使聚羧酸减水剂生产管理过程更加科学和精细化。该系统的成功开发设计为工业物联网在化工行业的推广打下了基础，做出了积极地探索。

参考文献：
[1]LIANG Wei，ZENGPeng Internet of Things Technology and Application Oriented IndustrialAutomation[J] Instrument Standardization & Metrology，2010：21-24[梁炜，曾鹏面向工业自动化的物联网技术与应用[J]仪器仪表标准化与计量，2010：21-24]
[2] KANGShilong，DU Zhongyi，LEIYongmei，ZHANG Jing Overview of industrial Internet of Things[J]Internet of Things Technologies，2013：80-82,85[康世龙，杜中一，雷咏梅，张璟工业物联网研究概述[J]物联网技术，2013：80-82,85]
[3] BIDongzhen The Design and Realization of Industrial Sewing Machines System Basedon the IoT[D]Shandong: Qingdao University，2012[毕东贞基于物联网的工业缝纫机系统的设计与实现[D]山东：青岛大学，2012]
[4]ZHANG Ximin，WANGGuoqing，DINGXuenian Development of an Internet home automation system[J] Chinese Journalof Scientific Instrument，2009，30（11）：2423-2427[张喜民，王国庆，丁学年基于因特网的远程家居自动控制系统研制[J]仪器仪表学报，2009，30（11）：2423-2427]
[5]WU Jiaqiang Tracking and quality monitoring system based on IOT industrial forsteel pipe[J] Journal of Mechanical ＆ElectricalEngineering，2013，30（11）：1335-1339[伍家强基于工业物联网的钢管跟踪及质量监测系统[J]机电工程，2013，30（11）：1335-1339]
[6]LI Nan，LIUMin，YANJunwei Frame work for industrial internet of things oriented to steel continuouscasting plant MRO[J] Computer Integrated Manufacturing Systems，2011，17（2）：413-418[李楠，刘敏，严隽薇面向钢铁连铸设备维护维修的工业物联网框架[J]计算机集成制造系统，2011，17（2）：413-418]

物联网体系结构主要由三个层次组成：感知层（感知控制层）、网络层和应用层组成。其中网络层又称为传输层，包括接入层、汇聚层和核心交换层，应用层又分为管理服务层和行业应用层。

---