物联网是什么东西

物联网是新一代信息技术的重要组成部分。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。

首先，它是各种感知技术的广泛应用。物联网上部署了海量的多种类型传感器，每个传感器都是一个信息源，不同类别的传感器所捕获的信息内容和信息格式不同。传感器获得的数据具有实时性，按一定的频率周期性的采集环境信息，不断更新数据。

其次，它是一种建立在互联网上的泛在网络。物联网技术的重要基础和核心仍旧是互联网，通过各种有线和无线网络与互联网融合，将物体的信息实时准确地传递出去。在物联网上的传感器定时采集的信息需要通过网络传输，由于其数量极其庞大，形成了海量信息，在传输过程中，为了保障数据的正确性和及时性，必须适应各种异构网络和协议。

还有，物联网不仅仅提供了传感器的连接，其本身也具有智能处理的能力，能够对物体实施智能控制。物联网将传感器和智能处理相结合，利用云计算、模式识别等各种智能技术，扩充其应用领域。从传感器获得的海量信息中分析、加工和处理出有意义的数据，以适应不同用户的不同需求，发现新的应用领域和应用模式。

物联网有哪些关键技术？相关内容如下：

1、传感器技术，这也是计算机应用中的关键技术。大绝大部分计算机处理的都是数字信号。自从有计算机以来就需要传感器把模拟信号转换成数字信号计算机才能处理。

2、RFID标签也是一种传感器技术，RFID技术是融合了无线射频技术和嵌入式技术为一体的综合技术，RFID在自动识别、物品物流管理有着广阔的应用前景。

3、嵌入式系统技术：是综合了计算机软硬件、传感器技术、集成电路技术、电子应用技术为一体的复杂技术。经过几十年的演变，以嵌入式系统为特征的智能终端产品随处可见；小到人们身边的MP3,大到航天航空的卫星系统。

嵌入式系统正在改变着人们的生活，推动着工业生产以及国防工业的发展。如果把物联网用人体做一个简单比喻，传感器相当于人的眼睛、鼻子、皮肤等感官，网络就是神经系统用来传递信息，嵌入式系统则是人的大脑，在接收到信息后要进行分类处理。这个例子很形象的描述了传感器、嵌入式系统在物联网中的位置与作用 。

4、智能技术：是为了有效地达到某种预期的目的，利用知识所采用的各种方法和手段。通过在物体中植入智能系统，可以使得物体具备一定的智能性，能够主动或被动的实现与用户的沟通，也是物联网的关键技术之一 [2]  。

5、纳米技术：是研究结构尺寸在01~100 nm范围内材料的性质和应用，主要包括: 纳米体系物理学、纳米化学、纳米材料学、纳米生物学、纳米电子学、纳米加工学、纳米力学等。这 7 个相对独立又相互渗透的学科和纳米材料、纳米器件、纳米尺度的检测与表征这3个研究领域。

纳米材料的制备和研究是整个纳米科技的基础，其中，纳米物理学和纳米化学是纳米技术的理论基础，而纳米电子学是纳米技术最重要的内容。使用传感器技术就能探测到物体物理状态，物体中的嵌入式智能能够通过在网络边界转移信息处理能力而增强网络的威力， 而纳米技术的优势意味着物联网当中体积越来越小的物体能够进行交互和连接。

电子技术的趋势要求器件和系统更小、更快、更冷，更小，是指响应速度要快。更冷是指单个器件的功耗要小。但是更小并非没有限度。纳米技术是建设者的最后疆界，它的影响将是巨大的。纳米电子学，包括基于量子效应的纳米电子器件、纳米结构的光/电性质、纳米电子材料的表征，以及原子 *** 纵和原子组装等。

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

物联网网关作为一个新名词，将在未来物联网时代发挥非常重要的作用。它将成为感知网络和传统通讯网络之间的纽带。物联网网关作为一种网关设备，能够完成感知网络与通讯网络以及不同类型感知网络之间的协议转化。

网关既能够完成广域互连，也能够完成局域网互连，具备设备办理功能。运营商能够办理底层传感节点，了解每个节点的相关信息，经过物联网网关设备完成长途 *** 控。

物联网云网关

这一部分强调了一个要害点，即物联网网关完成感知网络与通讯网络的互联，但感知网络中有许多不同的协议，如LonWorks、ZigBee、6LoWPAN、rubee等来完成这种互联网，网关有必要具有协议转化才能。一起，网关有两个要害点，即完成广域互联。当广域网不行用时，网关往往能完成局域网互连，即近端之间的交互与协作。

主要功能：

一广泛的访问才能

现在，短程通讯的技能规范许多，只有LonWorks、ZigBee、6LoWPAN、rubee等常用的无线传感器网络技能，各种技能主要是针对某一应用开发的，缺少兼容性和体系规划。现在，国内外现已开展了物联网网关的规范化作业，如3GPP、传感器作业组等，以完成各种通讯技能规范的互联互通。

二可办理性

强壮的办理才能关于任何大型网络都是必不行少的。首先，需要对网关进行办理，如注册办理、权限办理、国家监管等。网关完成了子网中节点的办理，例如获取节点的标识、状况、特点、能量等，以及因为子网的技能规范和协议复杂性的不同，唤醒、 *** 控、确诊、升级和保护等的长途完成，网关具有不同的办理功能。根据物联网的模块化网关来办理不同感知网络、不同应用，保证使用一致的办理接口技能来办理终端网络节点。

三协议转化才能

不同感知网络到接入网络的协议转化，低规范格局的数据一致封装，保证不同感知网络的协议能够成为一致的数据和信令;将上层宣布的数据包分析成可由感知层协议识别的信令和 *** 控指令。

总结这些基本网关才能没有问题，但关于物联网网关来说，要害点之一是网关本身是完成感知层和通讯层的仅有入口和出口通道。外部只需要处理网关，而网关用于调度和 *** 控下面访问和注册的各种类型的传感设备。

因而，网关具有相似于API网关的要害才能，即对传感层中各种传感设备供给的不同类型的协议进行接入和适配，一起在协议接入后能够转化为规范接口协议和通讯层交互。关于实时接口，它能够选用相似的>

一般来说，物联网网关在架构和实现进程中会提供硬件设备，实现协议转化、路由、转发、自动注册办理、南北一体化的接口才能。这个网关通常是布置在局域网端的设备。对于整个云架构，只有网关设备和云能够交互。

边缘计算的终究落地能够在物联网网关层实现，即进一步提高物联网网关的存储和核算才能。一方面，在网关层实现本地收集后的数据自动收集，二次处理后收集上传到云端。另一方面，将云的要害核算规矩和逻辑散布到网关层，支撑网关层的本地化核算。这也是网关层功用的一个要害扩展。

物联网的英文名称为"The Internet of Things” 。由该名称可见，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，是在互联网基础之上的延伸和扩展的一种网络；第二，扩展到了任其用户端延伸和何物品与物品之间，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)装置、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，以实现智能化识别、定位、跟踪、监控和管理的一种网络。
物联网的整个结构可分为射频识别系统和信息网络系统两部分。射频识别系统主要由标签和读写器组成，两者通过RFID空中接口通信。读写器获取产品标识后，通过internet或其他通讯方式将产品标识上传至信息网络系统的中间件，然后通过ONS解析获取产品的对象名称，继而通过EPC信息服务的各种接口获得产品信息的各种相关服务。整个信息系统的运行都会借助internet的网络系统，利用在internet基础上的发展出的通信协议和描述语言。因此我们可以说物联网是架构在internet基础上的关于各种物理产品信息服务的总和。从应用角度来看，物联网中三个层次值得关注，也即是说，物联网由三部分组成：一是传感网络，即以二维码、RFID、传感器为主，实现对“物”的识别。二是传输网络，即通过现有的互联网、广电网络、通信网络等实现数据的传输与计算。三是应用网络，即输入输出控制终端。
EPC系统是一个非常先进的、综合性的和复杂的系统。其最终目标是为每一单品建立全球的、开放的标识标准。如图2．4所示，它主要由全球产品电子代码(EPC)体系、射频识别系统及信息网络系统三大部分组成[17]。

图24 EPC系统的构成图
（1）EPC编码标准
EPC编码是EPC系统的重要组成部分，它是对实体及实体的相关信息进行代码化，通过统一并规范化的编码建立全球通用的信息交换语言。
（2）EPC标签
EPC标签是装载了产品电子代码的射频标签，通常EPC标签是安装在被识别对象上，存储被识别对象相关信息。标签存储器中的信息可由读写器进行非接触读/写。
32 EPC系统特点
（1）开放的体系结构
EPC系统采用全球最大的公用的刀又TERNET网络系统。这就避免了系统的复杂性，同时也大大降低了系统的成本，并且还有利于系统的增值。梅特卡夫(Metcalfe)定律表明，一个网络大的价值是用户本系统是应该开放的结构体系远比复杂的多重结构更有价值。
(2)独立的平台和高度的互动性
EPC系统识别的对象是一个十分广泛的实体对象，因此，不可能有那一种技术适用所有的识别对象。同时，不同地区，不同国家的射频识别技术标准也不相同。所以开放的结构体系必须具有独立的平台和高度的交互 *** 作性。EPC系统网络建立在INTERNET网络系统上可以与INTERNET网络所有可能的组成部分协同工作
(3)灵活的可持续发展的体系
EPC系统是一个灵活的开放的可持续发展的体系，可在不替换原有体系的情况下就可以做到系统升级。整体的EPC网络 *** 作依赖于RFID系统和网络应用系统的介入，使产品信息有效的传播。安装在不同需求链环境的解读器可以读取标签中储存的产品数据。因此供应链数据可以通过网络及时地检查、更新或者交换信息。
33 EPC编码编码标准
EPC码是新一代与EAN／UPC码兼容的编码标准，在EPC系统中EPC编码与现行GTIN相结合，因而EPC并不是取代现行的条码标准，而是由现行的条码标准逐渐过渡到EPC标准或者是在未来的供应链中EPC和EAN．UCC系统共存。EPC中码段的分配是由EAN．UCC来管理的。在我国，EAN．UCC系统中GTIN编码是由中国物品编码中心负责分配和管理。同样，ANCC也即将启动EPC服务来满足国内企业使用EPC的需求。
EPC码是由一个版本号加上另外三段数据(依次为域名管理者、对象分类、序列号)组成的一组数字。其中版本号标识EPC的版本号，它使得EPC随后的码段可以有不同的长度；域名管理是描述与此EPC相关的生产厂商的信息。
第四章 物联网在家庭中应用
随着时代的发展，中国已经逐步进入了老龄化社会，以后我们社会面临的现状将是一对年轻的夫妻，在照看自己小孩的同时，还要照看2～6对老人，这就为全社会出了一个难题。每家都雇保姆，显然不现实；那么，只能通过科技的手段来解决这个问题了，靠提高家庭的生活品质、方便家庭与外界的信息交互、用传感节点感知家里发生的情况等，这就为家庭物联网的实现奠定了社会基础。
物联网的概念正大行其道，也使人们看到了社会未来的发展趋势，然而物联网大部分却停留在概念阶段，真正规模应用还有待时日。家庭区域相对狭小、需求比较明确，最有可能优先实现物联网的应用。它不只是现代家庭现实的需要（照看老人、孩童），更是人们日益增强的家庭安全
41家庭物联网应用领域
寒冷的冬季，供暖系统使北方城市家庭充满温暖，而当白天大部分人离家上班的时候，空空的房间仍温暖如春。我们需要一个智能化的供暖控制系统。在生产安全领域，在食品卫生领域，在工程控制领域，在城市管理领域，在人们日常生活的各个方面，甚至在人们的娱乐活动中，都需要建立随时能与物体沟通的智能系统。通过装置在各类物体上的电子标签（RFID），传感器、二维码等经过接口与无线网络相连，从而给物体赋予智能，可以实现人与物体的沟通和对话也可以实现物体与物体相互间的沟通和对话。在电度表上装上传感器，供电部门随时都可知道用户的用电情况，实现用电检查、电能质量监测、负荷管理、线损管理、需求侧管理等高效一体化管理，一年来降低电损。在电梯装上传感器，当电梯发生故障时，无需乘客报警、电梯管理部门会借助网络在第一时间得信息，以最快的速度去现场处理故障。
42发展历程
1999年，物联网的概念就已被提出，10年间，世界各国都在加紧研究。物联网的发展共分为四个阶段：第一个阶段是大型机、主机的联网，第二个阶段是台式机、笔记本与互联网相联，第三个阶段是手机等一些移动设备的互联，第四阶段是嵌入式互联网兴起阶段，更多与人们日常生活紧密相关的应用设备，包括洗衣机、冰箱、电视、微波炉等都将加入互联互通的行列，最终形成全球统一的“物联网”。
对于互联网来说，20世纪80年代是黄金时代，这段时间出了一个知名的人物——鲍勃•卡恩（BobKahn），他被人们称为互联网之父（被赋予同样称呼的人还有好几个）。在为互联网做出卓越贡献的同时，他也非常有远见的为另一个始于上世纪80年代的项目——分布式传感网（DistributedSensorNet,简称DSN）——做了奠基。在那个年代，传感器远比我手上的这个大得多，要用一辆卡车来拉。这么大的传感器作为一个个节点组织在一起，通过微波彼此相连，就组成了传感网。
庞大的传感器在体积方面跟不上人们对其功用上的期望，于是研究者们就开始思考能不能把它做得小一点、再小一点。于是，在上世纪90年代，“智能微尘”（SmartDust）这个很有意思的概念出现了，提出者是KrisPister，他是加州大学伯克利分校的教授。这一概念认为可以将计算和通讯集成在约1~2平方毫米的超微型传感器中，用以对周围环境的参数进行探测。其核心的成分是微电机系统（Micro-Electro-MechanicalSystem,简称MEMS；这个概念在当时引起非常大的轰动），该系统中可以集成很多和机械有关的传感器。
当时KrisPister这批人有一个幻想——在蒲公英上面悬挂一个传感芯片，蒲公英飞到哪里就探测哪里的信号，再把信号传递回来。虽然只是一个假想，但当时真有科学家信心百倍地投入其中，并且还把所需的数据算出来了。比如有空气动力学专家计算出了芯片应有的重量等等。在2001年，加州大学伯克利分校的实验室真做出了这种理想中的芯片雏形，比米粒还小，可谓“细如发丝，薄如蝉翼”。他们送给了我一个，当时我还精心包装了一下。可惜最近找不到了，特别遗憾。倘若芯片里面还有电留存的话，说不定我就能通过网络定位到它的“安身之所”了。
在这一时期，有三所高校和研究机构在传感器领域处于领军地位，一是加州大学伯克利分校（以KrisPister为代表，他们提出了“智能微尘”理论），另外两个是加州大学洛杉矶分校（他们提出了“微无线技术”）和施乐帕克研究中心（XeroxPARC）。施乐帕克研究中心的团队主要由我带领，我们做的是传感信息处理和“智能物质”（SmartMatter），希望能把计算、微电机系统放到物理世界中，与“智能微尘”也有非常紧密的联系。
自本世纪初以来，对于传感的研究越来越受到人们的重视，有很多学校和大公司的研发机构开始进行了类似的研究，并有许多新兴公司借此东风异军突起。将传感器连接成“网”或“系统”，就成了传感网。除了传感网以外，类似的概念也相继提出，比如“CyberPhysicalSystem”和“InternetofThings”(简称IOT)。相较而言，IOT的概念在提出的初期更接近于日常生活，比如常见的RFID（RadioFrequencyIdentification，射频识别）技术就是它的一部分。
关于传感网和物联网的历史，若从大的传感器开始算起，传感网诞生至今应有30年了；而若从微传感网（MicroWirelessSensorNetwork）来说，应该仅有15至20年：微传感网始于上世纪90年代，那个时期的人们刚刚提出“微电机系统”的概念，试图把传感器和计算机处理和通讯全部都集成在一个芯片上，即“智慧微尘”。
其实传感器的历史，归结起来就八个字——从大到小，以点到面。这八个字看似简单，但做起来却是困难重重——要想让传感器真正“飞入寻常世界中”，它必需在体积、造价、能耗等方面进行“瘦身”，这样它才真正能够进入到物理世界。
然而，造型的缩小并不是传感进入生活的唯一条件，还需要互联网技术的配合以实现从点到面的网际联系。就IP地址而言，物联网应采用IPv6（IPv4必然不够），它有128位两进制的IP网址数，这相当于给世界上的每个沙粒都赋予了一个 IP地址。唯有当所有的物体都有一个属于自己的IP的时候，物联网才能真正实现。总而言之，物联网的实现需要这两方面的相辅相成：一是利用微处理技术（micro-fabrication），提高集成度；其二是运用IP技术，以提供足够丰富的网址。
43面临的问题
国内智能家居市场存在很多问题。1、进入门槛较高，一般一次性投入要1、2万元，这就大大限制了中等收入以下人群的购买需求。2、功能华而不实，很多都是遥控个灯光、音响，需求跟投入不成比例。3、生搬硬套，将原来很多工业上使用的东西直接照搬到家庭里，缺少人性化，不能完全适合家居生活需要。4、很多智能家居企业缺少核心技术，东拼西凑，组成个系统就推广，导致成本增高、企业竞争力下降。
RFID超高频技术在我国的应用尚处于起步阶段，一些项目的应用只是试点，还没有得到广泛应用，也没有在供链上应用。比如，只在某一个仓库里应用，或只在生产线上应用。应该说，这些试点项目全
都属于闭环状态的应用，在供应链上串起来应用的案例国内还没有出现。
物联网发展潜力无限，但物联网的实现并不仅仅是技术方面的问题，建设物联网过程将涉及到许多规划、管理、协调、合作等方面的问题，还涉及标准和安全保护等方面的问题，这就需要有一系列相应的配套政策和规范的制订和完善。
首先是技术标准问题。标准是一种交流规则，关系着物联网物品间的沟通。各国存在不同的标准，因此需要加强国家之间的合作，以寻求一个能被普遍接受的标准。
其次是安全的问题。物联网中的物品间联系更紧密，物品和人也连接起来，使得信息采集和交换设备大量使用，数据泄密也成为了越来越严重的问题。如何实现大量的数据及用户隐私的保护，成为待解决的问题。
第三，协议问题。物联网是互联网的延伸，在物联网核心层面是基于TCP/IP，但在接入层面，协议类别五花八门，CPRS、短信、传感器、TD-SCDMA、有线等多种通道，物联网需要一个统一的协议基础。
第四，终端问题。物联网终端除具有本身功能外还拥有传感器和网络接入等功能，且不同行业需求各异议，如何满足终端产品的多样化需求，对运营商来说的一大挑战。
第五，地址问题。每个物品都需要在物联网中被寻址，就需要一个地址。物联网需要更多的IP地址，IPv4资源即将耗尽，那就需要IPv6来支撑。IPv4 向IPv6过渡是一个漫长的过程，因此物联网一旦使用IPv6地址，就必然会存在与IPv4兼容性问题。
第六，费用问题。目前物联网所需的芯片等组件的费用较高，若把所有物品都植入识别芯片花费自然不少，如何有效解决这一问题仍需考虑。
第七，规模化问题。规模化是运营商业绩的重要指标，终端的价格、产品多样性、行业应用的深度和广度都会地用户规模产生影响，如何实现规模化是具有待商讨的问题。
第八，商业模式问题。物联网在商业应用方面的业务模式还不是很明朗，商业模式问题值得更进一步探讨。
第九，产业链问题。物联网所需要的自动控制、信息传感、射频识别等上游技术和产业已成熟或基本成熟，而下游的应用也单体形式存在。物联网的发展需要产业链的共同努力，实现上下游产业的联动，跨专业的联动，从而带动整个产业链，共同推动物联网发展。
要建立一个有效的物联网,有两大难点必须解决:一是规模性,只有具备了规模,才能使物品的智能发挥作用;二是流动性,物品通常都不是静止的,而是处于运动的状态,必须保持物品在运动状态,甚至高速运动状态下都能随时实现对物品的监控和追踪。
实现物联网，首先必须在所有物品中嵌入电子标签等存储体，并需安装众多读取设备和庞大的信息处理系统，这必然导致大量的资金投入。因此，在成本尚未降至能普及的前提下，物联网的发展将受到限制。已有的事实均证明，在现阶段，物联网的技术效率并没有转化为规模的经济效率，目前的所谓物联网应用也没有一个在商业上获得了较大成功。例如，智能抄表系统能将电表的读数通过商用无线系统（如GSM短消息）传递到电力系统的数据中心，但电力系统仍没有规模使用这类技术，原因在于这类技术没有经济效率。
物联网的关键在于RFID、传感器、嵌入式软件及传输数据计算等领域，包括“云计算”、无线网络的扩容和优化等均是物联网普及需解决的问题。只有通过“云计算”技术的运用，才能使数以亿计的种类物品的实时动态管理变得可能。从目前国内产业发展水平而言，传感器产业人水平较低，高端产品为国外厂商垄断。

---