物联网时代的大数据策略

物联网时代的大数据策略

互联网时代，PC、Pad、智能手机等设备无处不在，数以亿计的用户通过微博、微信、SNS、博客等途径产生大量的自媒体数据，电商、新闻类网站、搜索引擎每时每刻都在记录着丰富的用户行为信息，海量的数据促进了云计算，分布式技术的发展，而这些技术反过来不仅推动了Web和移动互联网的革新，也推动了物联网的飞速前进。现在，我们正逐渐迈入物联网时代，实现万物互联的愿景，如果说之前人是信息生产的主体，那么或许不久的将来设备将成为主角，它们将源源不断地产生与人相关的衣食住行信息，这些信息会通过云计算、数据挖掘等技术实现价值的升华从而为用户提供更优质、贴心的服务。那么物联网时代会产生什么样的数据，应该采用什么样的大数据策略呢？
THINKstrategies 的总经理 Jeff Kaplan 在自己的博文《 当物联网遇见大数据 》中写道：
“你不能使用现在的策略，因为可以被捕获、管理并利用的数据将更加多样化，同时用例也会更加丰富。附加到各种设备和对象上的传感器会产生各种类型的数据。这些数据将会用于各种响应式的、主动的或者 创造性的目的 。IT部门的任务就是与业务部门一起工作，完全理解物联网方面的用例，然后寻找满足业务需求的技术。特别是，IT部门必须识别出最优的分析平台和工具，让业务用户能够获取到需要的数据，分析数据的含义并快速地做出响应。”
Gartner公司的副总裁、著名分析师 Joe Skorupa 认为：
“分布在世界各地的物联网设备将产生大量的输入数据，将所有的数据传送到一个位置进行处理无论从技术上还是从经济上都是无法实现的。最近的趋势——将应用程序集中起来以便于降低成本并增强安全性——并不适合物联网。组织必须将数据集中到多个分布式的小型数据中心中，在此对数据进行初步的处理并发送到一个中心站点进行额外的处理。数据中心管理员需要在这些区域部署更加具有前瞻性的容量以满足业务发展的需要。”
Patrick McFadin则在自己的博文《 物联网：数据都去了哪里？ 》中阐述了一个具体的数据策略解决方案。他认为整个过程可以分为三个阶段：产生数据并通过Internet传递、中央系统收集并组织数据、持续的数据分析与使用。
第一阶段需要决定数据创建的标准以及如何通过网络进行传递。Patrick McFadin认为可以通过>

以上是小编为大家分享的关于物联网时代的大数据策略的相关内容，更多信息可以关注环球青藤分享更多干货

你说的是硕士的研究方向吗？其实在入读之前选择的方向大部分情况下问题不大，会根据导师的具体情况进行调整。
数据分析看方向和分析内容吧，今后做做大数据或者BI也挺不错的。
图像处理是最近比较火的研究领域，主要依靠机器学习/深度学习，我个人比较喜欢这个，因为出路很广泛，学起来也挺有趣。
网络信息安全的话比上面两个摸鱼一点，（这领域不太熟悉）

大数据
不是
抽样数据，而是全部的数据；
所以大数据必须依赖云计算，不可能是局域网的；
物联网目标是把所有的物体都连接到互联网，并把物体虚拟化，数据上传，自然就是大数据了。
云计算是为了大并发、大数据下的解决实际运算问题；
大数据是为了解决海量数据分析问题；
物联网是解决设备与软件的融合问题；
可见，它们之间的关系是互相关联、互相作用的：
物联网是很多大数据的来源（设备数据），而大量设备数据的采集、控制、服务要依托云计算，设备数据的分析要依赖于大数据，而大数据的采集、分析同样依托云计算，物联网反过来能为云计算提供ISSA层的设备和服务控制，大数据分析又能为云计算所产生的运营数据提供分析、决策依据。

经历了互联网、移动互联网，人类正在迈入万物互联、万物智能的世界。5G、IoT、云计算、人工智能成为 社会 关注的对象，数字经济成为政策宣传的重点，各种概念和解释产生，使得当下有很多话题可以讨论。

数字经济背景下，企业竞争最核心的能力是什么。

不同行业发展数据智能的潜力有何不同？

企业如何高效进行物联网应用开发？

企业对云平台的使用体验如何

对于类似问题，阿里云IoT、ICA联盟一直希望与行业人士进行对话。上周，ICA联盟物联网万亿生态伙伴聚合沙龙在杭州举办，活动以“粘合行业碎片，共创IoT基石”为主题，以阿里云IoT云产品为话题，吸引近200名行业人士到场交流。

4位嘉宾依次上台分享

物联网需要化繁为简

物联网产业链很长，覆盖了感知层、网络层、应用层三大层次。它改变了传统的商业运作方式，让商业 社会 变得更加复杂。

首先，物联网让产品变得复杂。增加了传感器、模块等部件，需要进行更多的开发管理。

其次，物联网让需求变得复杂。企业从生产产品变成了提供个性化的服务。

就是这两个变化，让产业体会到很多新的发展痛点。

1 物联网开发过程链路极长，从获客到交付典型过程常常要经历十几个环节。

2 将软件研发、硬件研发、嵌入式研发，云产品的购买，施工/安装/维修费用计算在内，物联网开发成本极高。

3 调查表示目前78%的用户需求为定制化需求，65%的物联网软件需要定制化开发，这导致软件复用性较低。

4 设备联网、用户交互产生海量数据，众多场景亟需数据实时分析、可视化的能力，提升使用效率及用户体验。

新的形势促进了变化的发生，计算力的进步预示着满足更大的信息处理能力，更强的灵活性。

物联网平台在整个产业链中地位，也从当年行业所关注的“要不要上云”，随着企业自身数据资源日渐丰富，应用数据意愿的显著增强，过渡到了“如何高效地上云”。

物联网云平台，由此更直接地承担起IoT产业“基础设施”的角色，为物联网项目的规模化落地减负降压。

阿里云IoT 产品结构

阿里云 IoT 资深产品专家JASON CHEN从各个原子化产品角度，描绘了阿里云IoT的全局样貌。包含物联网 *** 作系统AliOS Things、边缘计算Link Edge、网络管理平台Link WAN、开发平台IoT Studio、物联网设备接入与管理、物联网数据分析、物联网市场Link Market、物联网安全Link Security等功能在内，展现阿里云为各类IoT场景和行业开发者赋能的能力。

将各个基础产品分别阐述，体现出阿里云IoT强化基础设施角色，希望阿里云的产品技术变成合作伙伴解决方案一部分的心态。再次印证阿里云智能总裁张建锋在3月阿里云峰会上所提出的“被集成”口号，阿里云的重要转变已经发生。

以下，我们就将重新认识阿里云IoT云产品。

物模型

阿里云 IoT 技术运营专家薛圆在交流中表示，ICA联盟推出物模型，定义物联网设备模型与属性。通过对任意物联网设备建模，合作伙伴共创设备数据标准模型，确保数据标准的准确性、合理性，实现设备间的互联互通互懂。

类似将拼图碎片整理成更完整的拼图模块，物模型将实现碎片数据结构化、差异模型统一化、烟囱场景联动化、软硬一体标准化的目标，帮助用户缩短开发时间、标准化开发工具。

物联网数据分析

在任何商业活动中，数据都是一种资本，数据分析是可以产生创新收益的手段。

阿里云 IoT 高级产品经理腾春艳在对物联网数据分析产品介绍时表示，阿里云为物联网开发者提供数据分析服务，覆盖了数据存储、清洗、分析及可视化等环节，有效降低数据分析门槛，助力物联网开发。

在空间数据可视化方面，阿里云IoT提供二维、三维空间数据的可视化功能，致力用数据连接真实世界。比如对智能停车场的车场现状、排队数据、收入进行分析；比如定义电子围栏，当物品超出围栏范围时，配置报警；比如在物流追踪、设备管理等物联网低频定位场景下，展示设备轨迹；比如在三维空间可视化需求下，基于阿里云物联网平台构建监控、展示、控制为重点的BIM可视化系统，实现园区、建筑、楼层、房间、设备的逐级可视化。

图：阿里云IoT数据分析产品架构

IoT Studio 物联网应用开发

如前文所述，物联网产业的痛点很多都落在了开发上。阿里云 IoT 产品专家曲文政在演讲中再次阐明IoT Studio作为物联网开发者生产力工具的产品定位与功能。

1 一站式完成云端SaaS 搭建 ：用户可以通过IoT Studio轻松搭建出简单IoT SaaS系统，或构建出部分功能集成在原有的SaaS系统中

2 可视化搭建，降低定制化成本 ：通过可视化搭建、服务编排的方式让一般嵌入式开发者经过简单培训也可以快速搭建出各种物联网应用；

3 提供AI 等高阶能力： 将高阶能力输出给开发者，增加营收，扩展业务边界；

4 后续提供更多解决方案模版： 通过模版的方式给用户提供即刻可用的IoT SaaS解决方案（包含硬件、嵌入式代码、页面/APP、服务）。

整体而言，IoT Studio作为开发工具，向上承接业务需求帮助用户快速搭建SaaS，向下汇聚能力将阿里体系的能力更快更好地输出给用户，是阿里云IoT产品中承上启下的关键一环。

图：IoT Studio 产品架构

结语

在 汽车 行业，定制化需求增多，产品的敏捷规划、全生命周期运维是厂商的关注焦点；在零售行业，企业追求着精准化营销的目标；在农业，看天吃饭需要向精准化种植转变……

未来的各行各业，在面对各种不确定的因素之时，都希望用数据说话，用数据管理、用数据决策。

在这样的产业愿景之中，阿里云IoT将继续践行技术和商业基础设施的角色，覆盖物联网云管边端开发环节，提供满足各类开发者需要的基础产品，助力合作伙伴创新模式，发展商机。

1高效分布式

必须是高效的分布式系统。物联网产生的数据量巨大，仅中国而言，就有5亿多台智能电表，每台电表每隔15分钟采集一次数据，一天全国智能电表就会产生500多亿条记录。这么大的数据量，任何一台服务器都无能力处理，因此处理系统必须是分布式的，水平扩展的。为降低成本，一个节点的处理性能必须是高效的，需要支持数据的快速写入和快速查询。

2实时处理

必须是实时处理的系统。互联网大数据处理，大家所熟悉的场景是用户画像、推荐系统、舆情分析等等，这些场景并不需要什么实时性，批处理即可。但是对于物联网场景，需要基于采集的数据做实时预警、决策，延时要控制在秒级以内。如果计算没有实时性，物联网的商业价值就大打折扣。

3高可靠性

需要运营商级别的高可靠服务。物联网系统对接的往往是生产、经营系统，如果数据处理系统宕机，直接导致停产，产生经济有损失、导致对终端消费者的服务无法正常提供。比如智能电表，如果系统出问题，直接导致的是千家万户无法正常用电。因此物联网大数据系统必须是高可靠的，必须支持数据实时备份，必须支持异地容灾，必须支持软件、硬件在线升级，必须支持在线IDC机房迁移，否则服务一定有被中断的可能。

4高效缓存

需要高效的缓存功能。绝大部分场景，都需要能快速获取设备当前状态或其他信息，用以报警、大屏展示或其他。系统需要提供一高效机制，让用户可以获取全部、或符合过滤条件的部分设备的最新状态。

5实时流式计算

需要实时流式计算。各种实时预警或预测已经不是简单的基于某一个阈值进行，而是需要通过将一个或多个设备产生的数据流进行实时聚合计算，不只是基于一个时间点、而是基于一个时间窗口进行计算。不仅如此，计算的需求也相当复杂，因场景而异，应容许用户自定义函数进行计算。

6数据订阅

需要支持数据订阅。与通用大数据平台比较一致，同一组数据往往有很多应用都需要，因此系统应该提供订阅功能，只要有新的数据更新，就应该实时提醒应用。而且这个订阅也应该是个性化的，容许应用设置过滤条件，比如只订阅某个物理量五分钟的平均值。

---