نگاهی بر معماری اینترنت اشیا

چه چیزی باعث می شود یک دستگاه خودکار مانند سوئیچ  با دستگاه متصل به اینترنت اشیا که کار مشابهی را انجام می دهد متفاوت باشد؟

 در یک کلام: data.

 با یک دستگاه متصل به اینترنت اشیا ، هنگامی که یک سنسور حرکت را تشخیص می دهد و یک چراغ روشن می شود ، این اقدامات به عنوان داده ثبت می شوند و برای ثبت و تجزیه و تحلیل cloud  یا  data center ارسال می شوند. و در جایی که داده وجود دارد ، باید یک معماری اینترنت اشیاء وجود داشته باشد که به داده ها بگوید کجا بروند ، از چه فرمت استفاده کنند ، چگونه به آنجا برسند و براساس این داده ها چه اقداماتی را انجام دهند.

در این پست وبلاگ ، یک مرور کلی از معماری اینترنت اشیا ارائه می دهیم و نحوه هدایت جریان داده ها به دستگاه ها و از دستگاه ها و هاب های داده را بررسی می کنیم.

Data Flow: From the Edge to the Server/Cloud

جریان داده: از لبه به سرور/ابر

معماری سیستم اینترنت اشیا اغلب به عنوان یک فرایند چهار مرحله ای توصیف می شود که در آن داده ها از حسگرهای متصل به "اشیاء" از طریق شبکه و سرانجام برای پردازش ، تجزیه و تحلیل و ذخیره به مرکز داده شرکت یا ابر منتقل می شوند.

در اینترنت اشیاء ، یک "چیز" می تواند یک ماشین ، یک ساختمان یا حتی یک شخص باشد. فرایندهای معماری اینترنت اشیاء نیز داده ها را در جهت دیگر به شکل دستورالعمل ها یا دستوراتی ارسال می کنند که به محرک یا سایر دستگاه های دارای اتصال فیزیکی(physically connected device) می گوید که برای کنترل یک فرایند فیزیکی(physical process) اقدامی انجام دهد. در صورت تشخیص خرابی احتمالی ، یک محرک می تواند کاری ساده به عنوان روشن کردن چراغ یا خاموش کردن خط مونتاژ(assembly line)انجام دهد.

بیایید این معماری اینترنت اشیا را مرحله به مرحله مرور کنیم.

STAGE 1: Sensors and Actuators

مرحله 1: حسگرها و محرک ها

این فرایند با سنسورها و محرک ها(actuators) شروع می شود ، دستگاههای متصل شده برخی "چیزها" یا فرایندهای فیزیکی(physical process) را کنترل می کنند. سنسورها داده های مربوط به وضعیت یک فرایند یا شرایط محیطی مانند دما ، رطوبت ، ترکیب شیمیایی ، سطح مایع در مخزن ، جریان سیال در لوله یا سرعت خط مونتاژ و موارد دیگر را ضبط می کنند.

در برخی موارد ، یک سنسور ممکن است شرایط یا رویدادی را تشخیص دهد که نیاز به پاسخ تقریباً فوری دارد تا محرک بتواند در زمان واقعی اقداماتی را انجام دهد ، به عنوان مثال ، تنظیم سرعت جریان سیال یا حرکات یک روبات صنعتی. در این شرایط ، تأخیر بسیار کم بین سنسور و تحریک کننده/محرک لازم است. برای جلوگیری از تاخیر در رفت و برگشت داده ها به سرور ، تجزیه و تحلیل داده ها برای تعیین خرابی و ارسال کنترل به "چیز" ، این پردازش مهم در مجاورت فرآیند تحت نظارت یا کنترل انجام می شود. این پردازش "لبه" یا “edge” را می توان توسط دستگاه روی سیستم (SOM) مانند ماژول Digi ConnectCore® ویا روتر سلولی Digi با پایتون انجام داد.

STAGE 2: Internet Gateways and Data Acquisition Systems

مرحله 2: دروازه های اینترنتی و سیستم های اکتساب داده ها

یک سیستم جمع آوری داده (DAS) ، داده های خام را از سنسورها جمع آوری کرده و آنها را از فرمت آنالوگ به دیجیتال تبدیل می کند. سپس DAS داده ها را قبل از ارسال از میان  Internet gateway از طریق WAN های بی سیم (مانند Wi-Fi یا Cellular) یا WAN های سیمی برای مرحله بعدی پردازش ، تجمیع و قالب بندی(aggregates and formats ) می کند.

در این مرحله ، حجم داده ها در حداکثر خود است. مقادیر می تواند بسیار زیاد باشد ، به ویژه ، به عنوان مثال ، در یک محیط کارخانه که ممکن است صدها سنسور همزمان داده ها را جمع آوری کنند. به همین دلیل ، داده ها نیز فیلتر شده و در اندازه مطلوب برای انتقال فشرده می شوند.

STAGE 3: Pre-processing: Analytics at the Edge

مرحله 3: پیش پردازش: تجزیه و تحلیل در لبه

پس از دیجیتالی شدن و تجمیع داده های(digitized and aggregated) اینترنت اشیا ، قبل از اینکه به مرکز داده یا ابر برود ، باید حجم داده ها را بیشتر کاهش دهد. دستگاه لبه ممکن است برخی از تجزیه و تحلیلها را به عنوان بخشی از پیش پردازش انجام دهد. یادگیری ماشین می تواند در این مرحله برای ارائه بازخورد به سیستم و بهبود روند به طور مداوم ، بدون انتظار برای بازگشت دستورالعمل ها از مرکز داده شرکت یا ابر ، بسیار مفید باشد. پردازش از این نوع به طور کلی در دستگاهی در مکانی نزدیک به محل سنجش سنسورها انجام می شود ، مانند کمد سیم کشی در محل.

STAGE 4: In-depth Analysis in the Cloud or Data Center

مرحله 4: تجزیه و تحلیل عمیق در ابر یا مرکز داده

در مرحله 4 در این فرآیند ، سیستم های قدرتمند فناوری اطلاعات را می توان برای تجزیه و تحلیل ، مدیریت و ذخیره امن داده ها به کار گرفت. این معمولاً در مرکز داده های شرکتی یا در ابر انجام می شود ، جایی که داده ها از چندین سایت/سنسورهای میدانی می توانند ترکیب شوند تا تصویر گسترده تری از سیستم کلی اینترنت اشیاء ارائه دهند و بینش کاربردی را برای مدیران فناوری اطلاعات و کسب و کار ارائه دهند. ممکن است یک شرکت در جغرافیای مختلف فعالیت داشته باشد و داده های اینترنت اشیاء برای شناسایی روندها و الگوهای اصلی یا تشخیص ناهنجاری ها تجزیه و تحلیل شود.

در این سطح ، از برنامه های کاربردی خاص صنعت یا شرکت می توان برای انجام تجزیه و تحلیل عمیق و اعمال قوانین تجاری برای تعیین اینکه آیا باید اقدامی انجام شود ، استفاده کرد. داده های دریافتی ممکن است تغییرات مطلوب در تنظیمات دستگاه یا روشهای دیگر برای بهینه سازی فرایند را نشان دهد و حلقه ای را ایجاد کند که بهبود مداوم را تسهیل می کند. مرحله 4 همچنین شامل ذخیره سازی در یک انبار داده ، هم برای نگهداری پرونده و هم برای تجزیه و تحلیل بیشتر است.

یک فرایند به بستر نیاز دارد

علاوه بر معماری چهار مرحله ای اینترنت اشیا ، در نظر گرفتن پلت فرم اینترنت اشیا که ارتباط بین مراحل را فراهم می کند ، نیز مهم است. ساختار پلتفرم ویژگی های ترافیک داده ها را مشخص می کند. این تعیین می کند که داده ها به کجا می روند و چقدر پردازش در هر مرحله انجام می شود. بسته به میزان تخصصی بودن سیستم ، بستر اینترنت اشیا می تواند به میزان بیشتر یا کمتر سفارشی شود.

به عنوان مثال ، اینترنت اشیاء برای چراغ های خیابانی ممکن است از یک شهر به شهر دیگر در هر نقطه از جهان بسیار شبیه باشد ، در حالی که حسگرها و محرک های چاپگر سه بعدی برای ساخت دستگاه های پزشکی ممکن است در نوع خود کم نظیر باشند.

اینترنت اشیا با یک پلت فرم محکم و معماری خوب طراحی شده ، می تواند ایمنی ، کارایی و بهره وری را تقریباً در هر صنعتی بهبود بخشد. بستر مناسب اینترنت اشیا می تواند ابزارهای لازم برای موفقیت را در اختیار شما قرار دهد.

شرکت لنایزر به عنوان تامین کننده و ارایه دهنده  تجهیزات برند و قابل اعتماد در حوزه ی شبکه ضمن پشتیبانی ، درجهت بهبود زیر ساخت شبکه و ترویج تکنولوژی و تجهیزات به روز شبکه می‌کوشد و با ارائه بهترین مشاوره ،خواستار برآورده ساختن سطح مطلوبی از انتظارات شما می‌باشد.