IOT et industrie : Pour en savoir plus Internet des objets – Partie 1 – Comparaison des coûts et de la valeur de la plate-forme IoT

Comparaison de l'IoT (Internet des objets) AEP (Application Enablement Platform) sélectionné en implémentant pas à pas un cas d'utilisation spécifique et en ajoutant une implémentation DLT (Distributed Ledger Technology) à cette comparaison. Partie 1 | Partie 2 | Partie 3 | Partie 4 | Partie 5 | Partie 6 | … | Partie n Cet article (partie 1) explique les objectifs du projet. J'introduis le cas d'utilisation / métier et comment j'ai l'intention de comparer les implémentations du cloud. À la fin, nous mettrons en place le matériel du cas d'utilisation et déploierons un programme simple qui imprime les données des capteurs sur la ligne de commande.C'est mon projet personnel (plusieurs parties) qui pourrait s'étendre sur le mois.Selon Gartner Hype Cycle the Term IoT Platform est sur le point de décliner par rapport à son ascension la plus élevée et la plus élevée.Cycle de Gartner Hype adapté avec IoT Platform et Blockchain en juillet 2018. Symbole Yin Yang (décrit comment des forces apparemment opposées ou contraires peuvent en fait être complémentaires) Même si Gartner est pas nécessairement juste à propos de chaque détail de la technologie, il est certainement vrai qu'il y a beaucoup de perspectives commerciales positives de la même équipe de recherche déclare plusieurs milliards de milliards d'industries en quelques années (oui, 1 000 000 000 000 000 🐵) Il est vrai aussi que de nombreuses entreprises ont déjà ouvert leurs appareils / entreprises à Internet. Certains ont fait de l'analyse des données collectées et de la visualisation des données une partie centrale de leur proposition de valeur. Alors que des entreprises comme Siemens se concentrent en partie davantage sur les activités industrielles avec leur propre plate-forme MindSphere, qui déclare être le système d'exploitation (OS) pour l'Internet industriel de Les choses (IIoT). D'autres comme Google (Google Cloud) ou Amazon (AWS) ont spécialement ajouté l'IoT à leurs vastes fonctionnalités cloud afin de mieux faire connaître ce marché.Toutes ces plateformes ont en commun d'être proposées en tant que services. Alors que Siemens MindSphere est une plate-forme en tant que service (PaaS) – Google et Amazon apportent l'infrastructure en tant que service (IaaS) incluse dans leurs offres. Ce qui signifie que Siemens n'aura pas ses propres serveurs (Data Centers ~ Clouds) mais devra s'associer avec Microsoft, Amazon ou Google.L'approche franc-tireur pour l'IoT combine deux des sujets les plus en vogue – l'IoT et la Blockchain (meilleure technologie de registre distribué DLT) et avec cela, ce serait sur le battage médiatique le plus élevé sur cette même courbe. IOTA signifie («Un livre distribué sans permission pour une nouvelle économie») – ce n'est pas vraiment l'abréviation à laquelle je m'attendais, mais c'est logique 😎. Nous devons être justes ici, IOTA n'est pas une plate-forme mais plutôt un protocole.Ainsi, ajouter une approche distribuée et décentralisée IOTA à la comparaison est risqué mais je pense que cela en vaut la peine et ouvre de nombreuses questions et discussions tout en se comparant aux plates-formes gérées de manière centralisée Actuellement, les transactions IOTA (messages) sont sécurisées par le logiciel Node distribué exécuté sur des serveurs personnels ou des instances cloud (VPS). Ce n'est donc ni un IaaS ni un PaaS – il permet en fournissant des logiciels de nœuds, le protocole ainsi qu'une large communauté de promouvoir leur vision de l'IoT.Toutes les solutions IoT ont en commun à côté d'autres choses comme la sécurité, le traitement des données et l'automatisation à résoudre Théorie du contrôle et identification du système Le professeur nous a souligné de toujours appliquer l'approche la plus simple et la plus facile avant de devenir fou (ce qui signifie simplement essayer d'identifier linéairement un système avant de former des réseaux de neurones non linéaires). Traduit dans notre cas d'utilisation ici, cela ne commencerait pas nécessairement par l'approche BigData 😅. Le cas d'utilisation (produit) que nous développerons est au moment de la rédaction d'un seul appareil et nous pourrions l'implémenter de manière très simple et non évolutive. Sachant que sans les autres appareils ~ 9,999, nous n'aurons aucun moyen de faire des diagnostics de données volumineuses, ce qui est la véritable valeur ajoutée pour l'analyse de rentabilisation.Pour comprendre les avantages des plates-formes IoT, mais aussi ses inconvénients, nous définissons une analyse de rentabilisation pour notre produit (cas d'utilisation) pour comprendre comment la proposition de valeur évolue avec ces fonctionnalités accrues. Cas d'utilisation: le produit que nous connectons à la «plate-forme» IoT. Cas d'entreprise: comment gagner de l'argent avec ce produit / service connecté au cloud ? Proposition de valeur: quels sont les avantages pour le client? Pour structurer nos approches et utiliser la même formulation, nous suivons l'architecture de référence pour les systèmes IoT introduite par l'Institut d'architecture des systèmes d'application. Architecture de référence IoT Chaque plate-forme a ses propres termes qui peuvent être mappés sur ce simple aperçu.Tout le monde a besoin d'un appareil de détection environnemental portable qui vous indique à la maison, au travail ou en naviguant quel air vous respirez et d'autres conditions de santé influençant sur lequel vous êtes exposé Le prototype Capteurs (Matière particulaire – SDS011 PM2.5 et PM10, Humidité et température) Périphérique: Raspberry Pi 3b + Pilotes: USB connecté (numérique), GPIO connecté (analogique) Passerelle: Raspberry Pi 3b + – Module WiFiIoT Middleware d'intégration: Plateforme IoT (Google IoT, AWS IoT MindSphere, «IOTA» non pas un middleware mais un protocole et un réseau distribué) Application: Visualisation: métriques, séries chronologiques .., notification: notifier lorsque les conditions ne sont pas saines, automatisation: prise en charge API pour contrôler par exemple chauffage, air…, saisie manuelle des événements: l'utilisateur peut ou doit se connecter en cas de maladie ou d'autres mesures, analyse: diagnostics basés sur l'identification non linéaire du big data 👍Utiliser des hypothèses de casTaille du message: 20 mots (colonnes où chaque mot est d'environ 5 caractères) 20 mots * 5 caractères / mots = 100 caractères ~ 100 octets ~ 0,0001 Mo Représentation de la table du message de télémétrie (appareil – message) Fréquence du message: 20 messages / heure Cela entraînerait une ingestion de données d'environ 18 Mo / an par appareil 20 * 24 * 100 * 365 = 17,52 Mo / an par appareil Comme notre produit devient super populaire, nous représenterions 1 000 appareils ~ 17,52 Go / an 10 000 appareils ~ 175,2 Go / an. Si nous ne jetons pas que les données (certainement pas) disons que nous gagnons environ 300 Go de données en 3 ans (montée en puissance de 10 000 appareils) Hypothèses d'analyse de rentabilisation Uniquement dans un souci de simplicité (nous voulons comparer les plates-formes mais pas l'analyse de rentabilisation), nous fournissons uniquement les visualisation et analyse L'appareil lui-même peut être assemblé par des instructions open source ou être acheté par un tiers.Application gratuite (uniquement visualisation et alarmes) [0 EUR]Version sous licence qui vous donne des recommandations de santé basées sur l'analyse des données (de tous les appareils des utilisateurs et de leurs entrées personnelles). [20 EUR / year]Ébauche d'accumulation de bénéfices pour notre plan d'affaires (doit être mise à jour pour les coûts de l'IoT AEP) Hypothèses de proposition de valeur Nous ne savons vraiment pas ce que nous respirons au cours d'une journée. Certes, nous ne savons pas individuellement comment cela affecte notre propre santé.La valeur d'avoir une mesure environnementale continue et la possibilité de consigner les événements de santé personnels.obtenir une recommandation (basée sur les analyses de données volumineuses fournies) de base en évitant certains niveaux pour compléter ou contrer mesures.recommandation personnelle – par exemple analyser votre prochain appartement ou maison pour être sûr qu'il n'affecte pas votre santé. C'est une longue introduction pour une comparaison des plateformes IoT. Mais je suppose que pour comparer les solutions, nous avons besoin d'un cas d'utilisation de bout en bout. Il ne suffit pas de comparer les prix du stockage de données.Pour pouvoir comparer les plates-formes, nous introduisons des sections (jalons) et quelques indicateurs de comparaison.KPI (Key Performance Indicators) K1: Coût de la solution fonctionnant en continu (€ / an, € / utilisateur) K2: Frais de maintenance (€ / an, € / utilisateur) K3: Complexité de la mise en œuvre (difficile = 1, ok = 2, facile & court = 3) K4: Qualité de la documentation (aucun = 1, certains = 2, plus = 3) K5: Fonctionnalité prête à l'emploi (quelques = 1, quelques piratages = 2, tout est là = 3) Jalons Ceci est un prototype et nous utilisons javaccript si possible (Node.js) même si cela est moins approprié .MilestonesM0: Configuration matérielle (pour tout de même) .M1: Connexion matérielle (Raspberry Pi et ses capteurs) .Implémentation la plus simple avec les bibliothèques disponibles. Pas de codage série HW ou de programmation C intégrée (dans le cas de MindSphere qui pourrait être nécessaire pour le prototype 😅 node.js lib n'est pas encore disponible publiquement) M2: Capteurs d'intégration (données) .Intégration la plus simple de l'appareil. Perspectives d'intégration d'autres appareils (intégration automatique lorsque l'utilisateur s'enregistre) M3: Visualisation des données Visualisation (prête à l'emploi si disponible) M4: Visualisation de l'utilisateur et gestion des événements (seuils) .User propre appareil de visualisation et de gestion des événements (hors de la boîte) si disponible) .M5: Entrée utilisateur en cas d'événements ou manuel. Entrée utilisateur pour enrichir les données d'événement de l'appareil. Mise en œuvre la plus simple. Outlook pour entrée mobile.M6: Intégration de sources de données externes.Ajout de données de détection disponibles via une API externe, par ex. L'API appelle les coordonnées GPS dédiées et les ajoute pour enrichir la qualité des données.M7: Analyse des données (pour la corrélation de la qualité de l'air d'autres facteurs sur la santé) .Nous n'aurons pas de données volumineuses mais nous fournissons des données et vérifions la difficulté de la pénétration de ces données (automatisées ou manuelles). Apprentissage automatique pour identifier la corrélation entre la maladie et diverses entrées M8: Automatisation (envoi de commandes aux actionneurs) Fermeture de la boucle de rétroaction (par exemple automatisation de l'actionneur de chauffage central en cas d'événements). Commande de l'actionneur.

Laisser un commentaire