如今,企业拥抱物联网应该考虑使用微服务和云计算,并作为一种提高效率和降低成本的方法。
物联网得到了人们热切关注。毫无疑问,采用大量传感器和控制器的网络可以丰富我们的生活,但它也面临着滥用这种灾难性的问题。幸运的是,云计算可以帮助我们更好利用物联网,主要是防止恶意使用物联网。
物联网(IOT)是一个连接到互联网庞大的收集设备。虽然业界已经在讨论和解决与物联网模型相关的安全风险,而人们要考虑的另一个方面是成本。即使在今天,Wi-Fi和4G、5G传感器的成本是一个简单的家庭或办公室采用公认协议(如ZigBee或X10)的传感器成本的三到五倍。那么,企业如何能证明这个成本?特别是当互联网连接的传感器向所有人开放的时候。
对于企业IT架构师,以物联网的细胞为中心的观点可能要求现有流程和网络进行升级,而这种倡议让企业的首席财务官难以自圆其说。这种物联网模式也提出了新的安全和合规问题,私营传感器网络并不这样做,这就使得成本更成问题。有一些物联网应用中,无线连接是强制性的。例如,跟踪车辆运输的应用程序。但对其他的来说,需要一个更好的模式。
云计算和微服务在物联网模型中的作用
一个处理物联网更好的方式是不将其作为一个传感器的集合,但作为一个收集的云托管的微服务。同样,我们应该认为互联网不是一个服务器的集合,而是一个资源的集合。微服务可以使用相同的REST风格的API,使得传感器和控制器可见,而不会暴露其漏洞。
微服务让企业执行特定的任务,读取特定的数据元素,并更改特定参数。利用这些功能,企业可以应用的安全和策略过滤器来控制使用物联网的方式,而采用每个在线的传感器和控制器,其成本是非常昂贵的。
云托管的微服务将创建一个物联网模型,是一个功能的集合。例如,一组功能可能收集传感器和控制器的数据,而不是在装置中才能可见。它甚至可以在数据中添加时间戳,使用户更容易把握项目的发展趋势,并确定其相关性。该数据也可以索引位置,使其链接到用户的位置或路线。通过加入一个网关,任何传感器网络可以被添加到IoT设备集合中。这种方式可以保证生成的传感器数据的临界质量,并降低成本。
云计算通过微服务增添了活力,这对解决充满变数的物联网的工作负载是至关重要的。例如,在演唱会结束后,当堵车时,人们可以通过物联网传感器查询到交通状况。而采用单个程序的微服务就可以获取设备信息,并将其存储为数以百万计的访问信息。人们还可以根据需要改变缩放微服务进程的数量来处理工作量。
云计算和微服务对于公共物联网服务的影响
微服务和云计算也有利于定制和创新公共物联网服务新水平。例如,假设在一个主要城市中选择一个步行路线,进行一个销售或服务路由应用程序设计。那么这样的应用将需要数百个不同位置部署和数据格式传感器,以及一些开发人员处理任务。然而,通过简单的API(一组微服务)可以使用一个共同的格式提供这些信息。然后,开发人员可以发布自己的增值微服务。
一个公共服务的物联网模型其复杂的安全临界质量和所达到的成本,安全性和合规性的任何事情都将推迟部署。即使对于企业的物联网,无论是基于专用传感器和控制器或公共资源的物联网,只要获得足够的信息,以维持工人的生产力这将是一个挑战。而物联风设备不会单独应对挑战,IT专业人员将会更多从微服务模型中获益。
其问题是,组织如何才能最好地将来自多个来源的微服务组合到有用的物联网模型中。但是,在创建注册表目录API和云托管的微服务时,在分离的基础上控制大量的传感器安全、政策和身份的过程比较复杂。为了避免这种情况,进行物联网部署的组织应该考虑采用云计算和微服务的方法。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。