IoT és adatelemzés

Azure Cosmos DB
Azure IoT Hub
Azure SQL Database
Azure Table Storage

Ez a példaforgatókönyv olyan szervezetek számára releváns, amelyek olyan megoldásokat építenek ki, amelyek számos IoT-eszköz adatait integrálják egy átfogó adatelemzési architektúrába a döntéshozatal javítása és automatizálása érdekében. A lehetséges alkalmazások közé tartoznak az építőipari, bányászati, gyártási vagy egyéb ipari megoldások, amelyek sok IoT-alapú adatbevitelből származó nagy mennyiségű adatot tartalmaznak.

Felépítés

Diagram shows the architecture for I o T and data analytics in the construction industry.

Töltse le az architektúra Visio-fájlját.

Adatfolyam

Az adatok a következő módon haladnak át a megoldáson:

  1. Az építőipari berendezések összegyűjtik az érzékelőadatokat, és rendszeres időközönként elküldik az építési eredmények adatait az Azure-beli virtuális gépek fürtöjén üzemeltetett kiegyensúlyozott webszolgáltatások betöltéséhez.
  2. Az egyéni webszolgáltatások betöltik az építési eredmények adatait, és egy Azure-beli virtuális gépeken futó Apache Cassandra-fürtben tárolják.
  3. Egy másik adatkészletet az IoT-érzékelők gyűjtenek különböző építési berendezéseken, és elküldik az IoT Hubnak.
  4. Az összegyűjtött nyers adatok közvetlenül az IoT Hubról kerülnek az Azure Blob Storage-ba, és azonnal megtekinthetők és elemezhetők.
  5. Az IoT Hubon keresztül gyűjtött adatokat egy Azure Stream Analytics-feladat közel valós időben dolgozza fel, és egy Azure SQL-adatbázisban tárolja.
  6. A Smart Construction Cloud webalkalmazás az elemzők és a végfelhasználók számára is elérhető az érzékelőadatok és a képek megtekintéséhez és elemzéséhez.
  7. A batch-feladatokat a webalkalmazás felhasználói igény szerint indítják el. A kötegelt feladat az Apache Sparkban fut a HDInsighton, és elemzi a Cassandra-fürtben tárolt új adatokat.

Összetevők

  • Az IoT Hub központi üzenetközpontként szolgál a felhőplatform és az építőipari berendezések és más helyelemek közötti eszközenkénti identitással való biztonságos kétirányú kommunikációhoz. Az IoT Hub gyorsan képes adatokat gyűjteni az egyes eszközökről az adatelemzési folyamatba való betöltéshez.
  • Az Azure Stream Analytics egy eseményfeldolgozó motor, amely nagy mennyiségű adatstreamet képes elemezni az eszközökről és más adatforrásokból. Emellett az adatfolyamokból származó információk kinyerését is támogatja a minták és kapcsolatok azonosítása érdekében. Ebben a forgatókönyvben a Stream Analytics betölti és elemzi az IoT-eszközök adatait, és az eredményeket az Azure SQL Database-ben tárolja.
  • Az Azure SQL Database az IoT-eszközökről és mérőeszközökről származó elemzési adatok eredményeit tartalmazza, amelyeket az elemzők és a felhasználók egy Azure-alapú webalkalmazáson keresztül tekinthetnek meg.
  • A Blob Storage az IoT Hub-eszközökről gyűjtött képadatokat tárolja. A képadatok a webalkalmazáson keresztül tekinthetők meg.
  • A Traffic Manager szabályozza a felhasználói forgalom elosztását a különböző Azure-régiók szolgáltatásvégpontjai számára.
  • A Load Balancer az építőipari berendezésektől származó adatbeküldéseket osztja el a virtuálisgép-alapú webszolgáltatások között a magas rendelkezésre állás érdekében.
  • Az Azure Virtual Machines üzemelteti azokat a webszolgáltatásokat, amelyek fogadják és betöltik az építési eredmények adatait az Apache Cassandra-adatbázisba.
  • Az Apache Cassandra egy elosztott NoSQL-adatbázis, amellyel építési adatokat tárolhat az Apache Spark későbbi feldolgozásához.
  • A Web Apps üzemelteti a végfelhasználói webalkalmazást, amely a forrásadatok és képek lekérdezésére és megtekintésére használható. A felhasználók kötegelt feladatokat is kezdeményezhetnek az Apache Sparkban az alkalmazáson keresztül.
  • Az Apache Spark a HDInsighton támogatja a memórián belüli feldolgozást a big data elemzési alkalmazások teljesítményének növelése érdekében. Ebben a forgatókönyvben a Spark összetett algoritmusokat futtat az Apache Cassandra-ban tárolt adatokon.

Alternatívák

  • Az Azure Cosmos DB egy alternatív NoSQL-adatbázis-technológia. Az Azure Cosmos DB több főkiszolgálós támogatást biztosít globális szinten, több jól definiált konzisztenciaszinttel, hogy megfeleljen a különböző ügyfélkövetelményeknek. Támogatja az Apache Cassandra-hoz készült Azure Cosmos DB-t is.
  • Az Azure Databricks egy Azure-ra optimalizált Apache Spark-alapú elemzési platform. Integrálva van az Azure-ral, hogy egykattintásos beállítást, egyszerűsített munkafolyamatokat és interaktív együttműködési munkaterületet biztosítson.
  • A Data Lake Storage a Blob Storage alternatíva. Ebben a forgatókönyvben a Data Lake Storage nem volt elérhető a célrégióban.
  • A Web Apps a webes szolgáltatások üzemeltetésére is használható az építési eredmények adatainak betöltéséhez.
  • Számos technológiai lehetőség áll rendelkezésre a valós idejű üzenetbetöltéshez, az adattároláshoz, a streamfeldolgozáshoz, az elemzési adatok tárolásához, valamint az elemzéshez és a jelentéskészítéshez.

Forgatókönyv részletei

Ebben a forgatókönyvben egy építőipari berendezés gyártója olyan járműveket, mérőket és drónokat épít, amelyek IoT- és GPS-technológiákat használnak telemetriai adatok kibocsájtására. A vállalat korszerűsíteni szeretné adatarchitektúráját az üzemeltetési feltételek és a berendezések állapotának jobb monitorozása érdekében. A vállalat örökölt megoldásának helyszíni infrastruktúrával történő cseréje egyszerre lenne időigényes és munkaigényes, és nem lenne képes megfelelően méretezni a várt adatmennyiség kezeléséhez.

A vállalat egy felhőalapú "intelligens építési" megoldást szeretne létrehozni. Átfogó adatkészletet kell gyűjtenie egy építkezéshez, és automatizálnia kell a telephely különböző elemeinek működését és karbantartását. A vállalat céljai a következők:

  • Az összes építkezési berendezés és adat integrálása és elemzése a berendezések leállási idejének minimalizálása és a lopások csökkentése érdekében.
  • Távolról és automatikusan szabályozhatja az építőipari berendezéseket a munkaerőhiány hatásainak mérséklése érdekében, ami végső soron kevesebb munkavállalót igényel, és lehetővé teszi az alacsonyabb képzettségű munkavállalók sikerességét.
  • A támogató infrastruktúra üzemeltetési költségeinek és munkaerőigényének minimalizálása, a termelékenység és a biztonság növelése mellett.
  • Az infrastruktúra egyszerűen skálázható a telemetriai adatok növekedésének támogatásához.
  • Az összes vonatkozó jogi követelménynek való megfelelés az erőforrások országon/régión belüli kiépítésével, a rendszer rendelkezésre állásának veszélyeztetése nélkül.
  • Nyílt forráskódú szoftverek használata a munkavállalók jelenlegi készségeibe való befektetés maximalizálása érdekében.

Az olyan felügyelt Azure-szolgáltatások használata, mint az IoT Hub és a HDInsight, lehetővé teszi az ügyfél számára egy átfogó megoldás gyors kiépítését és üzembe helyezését alacsonyabb üzemeltetési költséggel. Ha további adatelemzési igényei vannak, tekintse át az Azure-ban elérhető teljes körűen felügyelt adatelemzési szolgáltatások listáját.

Lehetséges használati esetek

Egyéb releváns használati esetek a következők:

  • Építőipari (létesítmények és ingatlan), bányászat (energia) vagy berendezésgyártási forgatókönyvek
  • Eszközadatok nagy léptékű gyűjtése tároláshoz és elemzéshez
  • Nagy adathalmazok betöltése és elemzése

Megfontolások

Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.

Az Azure-régiók széles körű rendelkezésre állása fontos tényező ebben a forgatókönyvben. Ha egyetlen országban/régióban több Azure-régió van, vészhelyreállítást biztosíthat, ugyanakkor lehetővé teszi a szerződéses kötelezettségek és a bűnüldözési követelmények betartását is. Ebben a forgatókönyvben az Azure régiók közötti nagy sebességű kommunikációja is fontos tényező.

Azure-támogatás nyílt forráskódú technológiák lehetővé tették az ügyfél számára, hogy kihasználja meglévő munkaerő-készségeit. Az ügyfél a helyszíni megoldáshoz képest alacsonyabb költségekkel és üzemeltetési számítási feladatokkal is felgyorsíthatja az új technológiák bevezetését.

Költségoptimalizálás

A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információ: A költségoptimalizálási pillér áttekintése.

A következő szempontok a megoldás költségeinek jelentős részét fogják eredményezni.

  • Az Azure-beli virtuális gépek költségei lineárisan növekednek a további példányok kiépítésekor. A felszabadított virtuális gépek csak tárolási költségekkel járnak, nem pedig számítási költségekkel. Ezeket a felszabadított gépeket aztán újra lehet helyezni, ha nagy a kereslet.
  • Az IoT Hub költségeit a kiosztott IoT-egységek száma, valamint a választott szolgáltatási szint határozza meg, hogy hány üzenet engedélyezett egységenként naponta.
  • A Stream Analytics ára az adatok szolgáltatásba történő feldolgozásához szükséges streamegységek száma.

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.

Fő szerző:

További IoT-architektúrák:

IoT-architektúra-útmutatók: