Det här exempelscenariot är relevant för organisationer som skapar lösningar som integrerar data från många IoT-enheter i en omfattande dataanalysarkitektur för att förbättra och automatisera beslutsfattandet. Potentiella tillämpningar omfattar konstruktion, gruvdrift, tillverkning eller andra branschlösningar som omfattar stora mängder data från många IoT-baserade dataindata.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
Data flödar genom lösningen på följande sätt:
- Byggutrustning samlar in sensordata och skickar byggresultatdata med jämna mellanrum till belastningsutjämnade webbtjänster som finns i ett kluster med virtuella Azure-datorer.
- De anpassade webbtjänsterna matar in byggresultatdata och lagrar dem i ett Apache Cassandra-kluster som också körs på virtuella Azure-datorer.
- En annan datauppsättning samlas in av IoT-sensorer på olika byggutrustningar och skickas till IoT Hub.
- Rådata som samlas in skickas direkt från IoT Hub till Azure Blob Storage och är omedelbart tillgängliga för visning och analys.
- Data som samlas in via IoT Hub bearbetas nästan i realtid av ett Azure Stream Analytics-jobb och lagras i en Azure SQL databas.
- Webbappen Smart Construction Cloud är tillgänglig för analytiker och slutanvändare för att visa och analysera sensordata och bilder.
- Batch-jobb initieras på begäran av användare av webbprogrammet. Batchjobbet körs i Apache Spark på HDInsight och analyserar nya data som lagras i Cassandra-klustret.
Komponenter
- IoT Hub fungerar som en central meddelandehubb för säker dubbelriktad kommunikation med identitet per enhet mellan molnplattformen och byggutrustningen och andra platselement. IoT Hub kan snabbt samla in data för varje enhet för inmatning till pipelinen för dataanalys.
- Azure Stream Analytics är en händelsebearbetningsmotor som kan analysera stora mängder dataströmning från enheter och andra datakällor. Den har också stöd för att extrahera information från dataströmmar för att identifiera mönster och relationer. I det här scenariot matar Stream Analytics in och analyserar data från IoT-enheter och lagrar resultaten i Azure SQL Database.
- Azure SQL Database innehåller resultatet av analyserade data från IoT-enheter och -mätare, som kan visas av analytiker och användare via ett Azure-baserat webbprogram.
- Blob Storage lagrar avbildningsdata som samlats in från IoT Hub-enheterna. Bilddata kan visas via webbprogrammet.
- Traffic Manager styr distributionen av användartrafik för tjänstslutpunkter i olika Azure-regioner.
- Load Balancer distribuerar datainlämningar från byggutrustningsenheter över de VM-baserade webbtjänsterna för att ge hög tillgänglighet.
- Azure Virtual Machines vara värd för de webbtjänster som tar emot och matar in byggresultatdata i Apache Cassandra-databasen.
- Apache Cassandra är en distribuerad NoSQL-databas som används för att lagra byggdata för senare bearbetning av Apache Spark.
- Web Apps är värd för slutanvändarwebbprogrammet, som kan användas för att fråga och visa källdata och bilder. Användare kan också initiera batchjobb i Apache Spark via programmet.
- Apache Spark på HDInsight stöder minnesintern bearbetning för att öka prestandan för analysprogram med stordata. I det här scenariot används Spark för att köra komplexa algoritmer över data som lagras i Apache Cassandra.
Alternativ
- Azure Cosmos DB är en alternativ NoSQL-databasteknik. Azure Cosmos DB tillhandahåller stöd för flera original i global skala med flera väldefinierade konsekvensnivåer för att uppfylla olika kundkrav. Det stöder även Azure Cosmos DB för Apache Cassandra.
- Azure Databricks är en Apache Spark-baserad analysplattform som är optimerad för Azure. Den är integrerad med Azure för att tillhandahålla enkel installation, effektiva arbetsflöden och en interaktiv samarbetsarbetsyta.
- Data Lake Storage är ett alternativ till Blob Storage. I det här scenariot var Data Lake Storage inte tillgängligt i målregionen.
- Web Apps kan också användas som värd för webbtjänsterna för inmatning av byggresultatdata.
- Många teknikalternativ är tillgängliga för meddelandeinmatning i realtid, datalagring, dataströmbearbetning, lagring av analysdata samt analys och rapportering. En översikt över dessa alternativ, deras funktioner och viktiga urvalskriterier finns i Arkitekturer för stordata: Realtidsbearbetning i Azure Data Architecture Guide.
Scenarioinformation
I det här scenariot bygger en tillverkare av byggutrustning fordon, mätare och drönare som använder IoT- och GPS-tekniker för att generera telemetridata. Företaget vill modernisera sin dataarkitektur för att bättre övervaka driftsförhållanden och utrustningshälsa. Att ersätta företagets äldre lösning med lokal infrastruktur skulle vara både tidsintensivt och arbetsintensivt och skulle inte kunna skalas tillräckligt för att hantera den förväntade datavolymen.
Företaget vill skapa en molnbaserad lösning för "smart konstruktion". Den bör samla in en omfattande uppsättning data för en byggarbetsplats och automatisera driften och underhållet av de olika delarna av platsen. Företagets mål är:
- Integrera och analysera all anläggningsutrustning och alla data för att minimera stilleståndstiden för utrustningen och minska stölden.
- Fjärrstyra och automatiskt byggutrustning för att minska effekterna av arbetskraftsbrist, vilket i slutändan kräver färre arbetstagare och gör det möjligt för lågkvalificerade arbetstagare att lyckas.
- Minimera driftskostnaderna och arbetskraven för den stödjande infrastrukturen, samtidigt som produktiviteten och säkerheten ökar.
- Skala enkelt infrastrukturen för att stödja ökningar av telemetridata.
- Att uppfylla alla relevanta juridiska krav genom att etablera resurser i landet utan att äventyra systemets tillgänglighet.
- Använda programvara med öppen källkod för att maximera investeringen i arbetstagarnas nuvarande färdigheter.
Genom att använda hanterade Azure-tjänster som IoT Hub och HDInsight kan kunden snabbt skapa och distribuera en omfattande lösning med lägre driftskostnader. Om du har ytterligare dataanalysbehov bör du granska listan över tillgängliga fullständigt hanterade dataanalystjänster i Azure.
Potentiella användningsfall
Andra relevanta användningsfall är:
- Konstruktion (anläggningar och fastigheter), gruvdrift (energi) eller scenarier för utrustningstillverkning
- Storskalig insamling av enhetsdata för lagring och analys
- Inmatning och analys av stora datamängder
Överväganden
Dessa överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som kan användas för att förbättra kvaliteten på en arbetsbelastning. Mer information finns i Microsoft Azure Well-Architected Framework.
Den breda tillgängligheten för Azure-regioner är en viktig faktor för det här scenariot. Att ha mer än en Azure-region i ett enda land/en region kan ge haveriberedskap och samtidigt möjliggöra efterlevnad av avtalsförpliktelser och brottsbekämpande krav. Azures snabba kommunikation mellan regioner är också en viktig faktor i det här scenariot.
Azure Support för tekniker med öppen källkod gjorde det möjligt för kunden att dra nytta av sina befintliga arbetsstyrka. Kunden kan också påskynda införandet av ny teknik med lägre kostnader och driftsarbetsbelastningar jämfört med en lokal lösning.
Kostnadsoptimering
Kostnadsoptimering handlar om att titta på sätt att minska onödiga utgifter och förbättra driftseffektiviteten. Mer information finns i Översikt över grundpelare för kostnadsoptimering.
Följande överväganden kommer att driva en betydande del av kostnaderna för den här lösningen.
- Kostnaderna för virtuella Azure-datorer ökar linjärt när ytterligare instanser etableras. Virtuella datorer som frigörs medför endast lagringskostnader och inte beräkningskostnader. Dessa frigjorda datorer kan sedan omallokeras när efterfrågan är hög.
- IoT Hub kostnader styrs av antalet etablerade IoT-enheter samt den valda tjänstnivån, vilket avgör antalet meddelanden per dag per enhet som tillåts.
- Stream Analytics prissätts med det antal strömningsenheter som krävs för att bearbeta data till tjänsten.
Deltagare
Den här artikeln underhålls av Microsoft. Den skrevs ursprungligen av följande deltagare.
Huvudförfattare:
- Alex Buck | Senior innehållsutvecklare
Nästa steg
Vägledning för stordataarkitekturer finns i Azure Data Architecture Guide.
Relaterade resurser
Ytterligare IoT-arkitekturer:
- Azure IoT-referensarkitektur
- IoT med Azure Cosmos DB
- Detaljhandel – Köp online och hämta i butik (BOPIS)
- Förutsägande underhåll med intelligenta IoT Edge
- Säkra din IoT SaaS-app med Microsoft-identitetsplattformen
IoT-arkitekturguider: