第3章.中央服务器的物联网模式，无中央服务器是什么

第3章.中央服务器的物联网模式

本章介绍根据存储和计算要求在中央服务器和边缘（本地）或云中部署的架构模式。

这些模式根据现场设备生成的数据提供见解，并使用附加数据（来自附加系统，例如企业系统）来分析和丰富现有数据。 这些模式对于提取见解和自动执行某些操作非常有用，例如当土壤湿度超过定义的阈值时打开灌溉泵。

简单决策（如果是学习）在这里起着关键作用，本章详细介绍了如何预处理从现场设备获取的数据以实现数据驱动的决策。

AI/ML集成规则引擎文件上传企业系统集成

AI/ML集成

在物联网解决方案中，人工智能/机器学习技术使机器和现场设备能够模拟智能行为并在几乎不需要人工干预的情况下做出明智的决策。本文档中用于AI/ML 集成的符号是：

图3.1—— AI/ML集成模式符号

AI/ML 赋予每个IoT 设备独特的个性或身份，使其能够了解整个环境并代表最终用户采取行动。换句话说，它为现场生成的见解（来自传感器的数据）和命令（发送给执行器）提供了另一层抽象，如下图所示。

图3 .2——AI/ML 作为物联网系统和最终用户之间的抽象层。

该模式有多种应用场景，包括：清理脏数据（例如，不正确的、脱离上下文的数据）以及缺失数据的插值/外推。 理解传感器积累的大量数据并消除误报。考虑到物联网运营的典型规模，单独手动监控每个设备是不切实际的。 通过考虑实时数据流和历史数据来生成建议和可行的见解。 测量传感器/执行器校准漂移并自动进行相关校正。

决定在哪里最好运行分析（或评估规则/决策）：在边缘或在中央服务器上，同时平衡紧迫性、复杂性、容量、延迟、电池/电源状态等因素。决定。 从积累的数据而不是简单的数据报告中生成有意义的见解。

例如，如第7 章所述，从供应商X 而不是供应商Y 采购原材料可以帮助提高工厂的整体设备效率(OEE)。 预测性能瓶颈和操作故障，同时消除/最大限度地减少误报。 它支持边缘对象检测以及中央服务器上的安全威胁监控和修复等用例。 自动检测和修复分布式拒绝服务(DDoS) 等安全威胁。 上述各点可以使用简单的基于规则的算法来处理（例如，如果事件或数据是X，则Y）。

然而，AI/ML集成增强了分析的广度和深度，前者指的是分析的范围，后者指的是系统设计过程中未考虑到的场景和事件。 由于计算复杂性较高，AI/ML 模型创建通常在中央服务器上完成并部署到边缘或现场设备。不断分析从边缘或该现场设备接收的数据，以进一步提高模型的准确性。参考下图可以更好地理解模型改进的这种良性循环。

图3 .3—— 基于从现场设备收到的数据/反馈不断改进AI/ML 模型

下图总结了与IoT 环境相关的不同类型的AI/ML 技术。

图3.4—— 物联网背景下的相关AI/ML技术

AI/ML 的特定变体具有不同的计算能力要求。因此，并非所有变体都可以在物联网基础设施上运行。下图显示了如何在典型的物联网部署中部署AI/ML 变体。

图3.5 – 不同AI/ML 变体的典型物联网部署

有多种人工智能/机器学习技术可以满足不同的需求。然而，ML 深度学习技术系列——零样本学习和少热点学习——特别适合物联网部署。这些深度学习技术不需要大型数据集进行训练（或模型创建），而是依靠启发式或元数据来做出决策。零样本学习表明，该技术不需要先验数据集（即不需要训练数据）来做出决策（例如，识别特定图像、一组图像对象）。解释一下所示的兴趣就足够了）。

类似地，少样本学习需要该方法的最少数量的数据集（数据集的数量通常在1 到5 之间），并且主要通过启发式或相似性数据来补充以得出结论。 乍一看，零样本和无搜索学习似乎不切实际，因为生成工作机器学习模型通常需要提供大型数据集。然而，零样本学习和少率学习模仿了人脑在物理世界中学习概念的方式。

狗是四足动物，头骨和腿都比普通狼小，但如果你给你的孩子比狼大的眼睛，如果你对狗有所了解，就可以识别它们。狼是什么样子的？没有必要给孩子们大量不同狗的图像并要求他们识别它们。零样本学习和分数率学习的工作水平相似。 零样本学习和少热点学习与物联网相关，因为从计算和存储的角度来看，现场设备和设备网关通常受到限制。因此，存储和使用大型数据集进行训练和后续模型部署是不切实际的。

少样本学习的另一个例子是现场设备需要识别图像中的数字(0-9) 的情况。在这里，传统的机器学习需要向模型输入或写入数字的各种变化，而—— 个样本很容易达到数千甚至数百万，因此在边缘或现场设备上运行模型是不现实的。然而，使用相对相似性消除了对如此大的数据集的需要。对于数字识别，向边缘或现场设备提供启发式或经验信息就足够了，例如数字3大约是数字8大小的一半，数字5是数字8大小的三分之一。数字。 可以使用零样本和少热点学习的一些IoT 场景包括：

场景识别边缘分析物体识别自然语言处理图像分析

接下来，我们看一下架构概述。

模式摘要

让我们看一下AI/ML 集成模式的概述： 解决的问题： 在业务边缘或中央服务器自动进行决策在规划中使用数据并提高运营效率减少和消除停机时间大规模实现定制和个性化创建独立模型内容推荐系统需要模型持续改进技术实施数字孪生和数字线程使用正确的数据模型为AI/ML 工程师提供数据服务物联网数据流处理中的模式验证物联网边缘设备上数据模型的约束执行模型创建和现场部署设备或设备为了在边缘提供可操作的见解，需要边缘网关示例场景：从工厂运营中的资产捕获标签（数据点） 根据资产行为将命令发送回设备向数据科学团队提供分析模型模式原理：集中创建或完善AI/ML 模型（具有相对较高的计算和存储要求），并将其部署到边缘（具有有限的计算、功率和存储能力），以进行本地决策和及时采取行动。边缘模型部署。与AI/ML 模型持续成熟相关的模式：数字孪生假设：由于数据的数量、速度和准确性，手动分析物联网生成的数据是不切实际的（对于模型训练和创建数据可用性）。注： 存储实时遥测信息的时间序列数据库物联网代理，将数据从传感器转发到网关，然后转发到中央服务器使用内存缓存进行紧急数据查询为了未来的可扩展性基于微服务的架构支持您的需求自定义模型以补偿边缘设备计算和存储限制，例如零样本学习或分数速度（通常通过降低模型精度或速度） 学习技巧能够规划模型的部署（和回滚），尤其是在某些情况下存在大量现场或边缘设备的情况反模式场景： 粗鲁的决策（如果是这样） 有限的输入或原始数据批量或离线数据分析

#以上有关第3 章的信息。中央服务器物联网模型仅供参考。相关信息请参见官方公告。