物聯網 （IoT） 解決方案對任何數據庫都提出了獨特的挑戰。來自非常廣泛的物聯網設備的數據越來越大，速度越來越快，再加上關鍵的延遲要求。鑒于此，數據的處理和分析必須越來越多地在網絡邊緣處理，靠近傳感器、執行器和其他物聯網設備。

我們不再奢侈地能夠在云環境中處理物聯網數據，因為云環境中似乎有無限的計算和存儲資源，因為延遲是不可接受的。值得慶幸的是，有強大的數據庫和平臺解決方案可以正面應對這一挑戰，我們將在下面進行探討。但首先，讓我們回顧一下物聯網環境特有的一些數據要求。

考慮到物聯網和大數據的數量、速度、多樣性和準確性（“四個V”）要求，以及許多這些用例的分布式性質，邊緣計算越來越多地成為賭注的隱喻。

那么，如果我們回到邊緣的分布式計算，有沒有辦法保持我們長期享有的功能（以及我們在過去 10 年中云計算的巨大趨勢的原因）？我們也可以吃蛋糕嗎？

通過霧計算將云主體帶到邊緣

幸運的是，在這種情況下 - 隨著霧計算的普及和增長趨勢 - 答案是肯定的。解決方案是將云主體帶到邊緣，霧和云環境協同運行，以處理復雜的物聯網用例。當您有關鍵的延遲要求時，例如對于槍擊檢測或犯罪人臉識別等智能城市物聯網用例，您的數據必須由靠近 IP 攝像機和其他傳感器的加固霧節點處理。

非延遲關鍵數據仍可同步到核心或云。通過這種方式，來自 IoT 解決方案中所有邊緣設備和霧節點的數據可以在核心級別（例如，智能城市用例中的城市街區）聚合，并最終聚合到云或數據中心環境以進行商業智能和其他分析。

對于霧計算，我們將物聯網設備、邊緣設備、霧節點和云之間的數據通信稱為“南北”通信，將整個系統中邊緣/霧節點之間的數據通信稱為“東西向”通信。為了有效，我們必須在邊緣擁有通用的云或數據中心環境功能，例如機器學習、深度學習和其他人工智能。

這就帶來了下一個挑戰：考慮到邊緣設備和霧節點的分布式性質以及適度的存儲和計算能力，我們如何處理這些需求？讓霧和云環境協同運行至關重要。例如，通過機器學習，我們需要在擁有大量計算和存儲資源的云中訓練模型。然后，我們需要將這些經過訓練的模型部署到霧節點和/或邊緣設備，以便它們可以靠近物聯網設備，以最大程度地減少延遲。

面向“智能邊緣”的數據庫

“智能邊緣”已經到來，并將我們從這些看似無法解決的問題中解救出來（或者小林丸為你們《星際迷航》粉絲）。邊緣已經成為當今物聯網的戰場，但地球上是否有一個數據庫可以處理來自數千個傳感器、攝像頭和其他設備的大量高速數據？一個可以實時處理數據，使用許多不同的數據庫模型，并且占用空間小？

業界正在解決這個問題，答案是：是的。

現在市場上有解決方案可以提供快速的性能，并且能夠在物聯網邊緣每秒攝取數百萬次寫入，延遲不到 1 毫秒。這很強大。由于這些解決方案的硬件和軟件占用空間很小，因此在某些情況下，它們非常適合安裝在霧節點、邊緣網關設備甚至物聯網設備上。

其中一些解決方案（例如 Redis Enterprise）具有許多本機數據結構（集合、排序集、列表、哈希、流等），為 IoT 應用程序開發人員提供了最大的靈活性。此外，由于已經存在許多模塊來擴展它，這些解決方案可以采用多模型數據庫，可以處理物聯網邊緣所需的非常多樣化的工作負載：時間序列、圖形、機器學習、搜索等。

簡化的架構

這些平臺無需部署六個不同的數據庫來支持這些需求，而是可以管理所有這些數據庫，從而極大地簡化了您的架構。許多任務關鍵型物聯網用例在地理上分布在許多地區，這是另一個用例，可以通過具有高可用性、主動-主動（具有 CRDT）、災難恢復和自動擴展功能的平臺優雅地處理。

既然我們已經展示了值得在智能邊緣上使用的數據庫，您可能想知道哪個平臺最適合在物聯網邊緣運行它們？當然，有很多變量和選項。在Redis Labs，我們與Microsoft Azure合作開發了物聯網邊緣解決方案。關鍵是為客戶提供快速的常規數據存儲、Azure Edge 模塊之間的消息代理、流處理、時序數據庫和內存中處理（機器學習模型服務、圖形處理等），以實現最佳性能。

物聯網社區將從聯合物聯網邊緣解決方案中受益匪淺。但是，將正確的數據庫與正確的智能物聯網邊緣解決方案集成對于所有物聯網工作的成功至關重要。

審核編輯：郭婷