物联网正在不断产生令人难以置信的数据量。分析人士预测，到2019年，将有266.6亿台IoT设备投入使用。此外，IDC预测，到2025年，IoT设备将产生超过90 ZB的数据。所有这些数据意味着什么？通过流分析，它意味着对救生事件的实时响应。例如，卡车接收有关道路上结冰的数据。然后，卡车不仅可以警告驾驶员，还可以警告其他车辆结冰的确切位置。为了使这些实时数据以高容量，高速度从IoT传感器和网络运营连续流入组织中，您需要一种不同于所需的传统静态交易数据的数据管理解决方案。以卡车为例。想象一下，您在冬天在道路上驾驶卡车。贵公司已为车辆安装了IoT传感器，以连续监视车轮打滑，空气温度，速度和转速。突然，当温度降至冰点以下时，车轮打滑测量值急剧上升。如果卡车或驾驶员可以在几毫秒内做出反应，则可以避免发生事故。如果不是，则传感器数据毫无意义。事件流处理事件流处理系统使您可以通过实时数据清理和分析及时处理这些数据。让我们定义事件流处理：是在明确定义的时间发生并记录在数据字段集合中的任何事件； “流”是数据事件的连续流，还是来自数千个已连接设备的数据流？企业内部和企业周围的数据连续流； “处理”指的是“处理”。指分析数据的行为。当事件流处理系统管理来自IoT传感器的数据时，它们执行将原始数据转换为实时操作信息的过程。随着大量数据快速流入系统，事件流处理系统将立即清理，标准化和聚合内存中的数据。同时，编码在这些数据流中的实时分析模型将执行分析以确定特定事件是否相关，并在需要采取紧急措施时生成即时警报。实时分析和后期分析事件流处理系统可以实时过滤数据。因为这些系统最初将数据存储在有限的内存中，所以事件流处理系统决定要丢弃或保存哪些数据，甚至可能以聚合形式保存数据，因为多个事件通常比单个事件提供更多信息。例如，当卡车有在冰路上滑倒的危险时，网络边缘的实时分析将立即提醒驾驶员减速，甚至自动减速。相反，传统的关系数据库管理系统（RDBMS）存储所有数据，事后对其进行清理和分析。关系数据库管理系统从预定义的源中收集数据，并将其存储在诸如数据集市之类的存储系统中。一旦存储，数据将被清理，规范化并集成到数据仓库或Hadoop中。只有这样，用户才能通过报告，历史分析甚至预测分析和机器学习从数据中获取含义。例如，对于事件流处理，如果传感器跟踪温度并且温度保持稳定，则系统将不会存储连续的读数。相反，它可能仅保留表明变化的读数。多阶段分析提供了优势。事件流处理为您提供了从数据中提取价值的多种机会。对于传统的数据管理，数据是历史数据，不会更改。事后可能只对它进行一两次分析，而不能再进行分析。事件流处理系统首先实时分析数据，以便它可以立即响应事件。然后，您可以将来自多个传感器的数据子集带回云或现场，以进行实时或接近实时的跨传感器分析。假设您要分析整个卡车车队，以确定在特定高度下发生的故障情况。如果系统检测到问题，则可能会触发车队中所有卡车的大规模维修。最后，事件流处理系统还将指定的数据存储在数据仓库或Hadoop中。在那里，您可以对当前历史数据执行视觉分析或视觉统计。使用数据仓库中的历史数据，您可以使用机器学习算法进行预测性维护。随着时间的流逝，机器学习算法可以学习模式，在需要维护时指导卡车，并提前发现故障。在多阶段分析的所有步骤中，机器学习都可以训练系统更好地预测结果。随着模型的更改，流处理解决方案可以根据需要在边缘，本地或云中更新模型