在物联网的世界中，通过传感器探测器创造出大量的数据是极为常见的，也是当今物联网所面对的挑战之一——从传输的角度来看是如此，从数据层管理的层面来看也依然是如此。物联网设备可以产生海量的数据其中之一的事例就是在商业航空工业中所部署在飞机上的传感器。
现代飞机上的喷气发动机上装有上千个传感器以确保飞机发动机的稳定运行，这些传感器每秒大概可以产品高达10GB的数据。如下图1.1所示现代飞机装配的喷气式发动机大约配备5000个左右的传感器。因此，如果一家双引擎的商用飞机平均运行时间为8小时，那么每天的数据将会超过500TB，而这仅仅是来自引擎的数据！今天的飞机有成千上万的其他传感器连接到飞机上的各个部位系统。而事实上，现代的大型喷气式飞机仅仅是机翼上就有1万个传感器。
图1.1 商业飞机的喷气式引擎
每架飞机每天所获取的拍字节（PB）数据的难度并不大——这仅仅是针对一家飞机来说。当前全世界越有10万余次商业航班。这些来之商业航空业务的飞机所产生的的物联网数据是惊人。
这个示例只是众多物联网大数据问题愈发严重的示例之一。以目前尽可能有效的方式来分析这些数据所属范畴。数据分析必须能够及时的从数据中找到可用、可操作的见识和认知，无论数据的展示方式如何，否则无法体现出充分体现出物联网的优点。
在分析数据研究之前，有必要定义数据相关的关键概念。首先，并非所有数据都是相同的；可用用不同的角度、方法进行分类、分析。根据数据的分类方式，可以应用各种数据分析工具和处理方法。从物联网的角度来看，这两个概览是数据的结构化和非结构化的重要依据，以及评定数据是否处于动态还是禁止。
结构化数据与非结构化数据的比较
数据的结构是数据的重要分类，因为从分析数据的角度来看，它们通常需要用到不同的数据分析工具集合。如图1.2提供了结构化和非结构化数据的差异比较。
图1.2数据结构化与非机构化的差异
结构化数据遵循这这种模型/模式，该模型/模式定义了数据的结构的表达和组织方式，这意味着它非常适合传统的关系型数据管理系统（RDBMS）。
结构化数据可以在大多数计算机系统中找到，包括从银行交易后将发票统计到计算机的日志文件和路由器的配置在内的所有内容。物联网传感数据通常使用的结构化的值，如温度、湿度、气压等，这些数值都是已知格式发送。结构化数据易于格式化、存储、查询和处理；因为这些特性，它一直作为行业决策的主要数据类型。
非结构化的数据缺少通过传统编程的方式来进行解读以及解码。这种数据类型包括文本、语音、图形以及视频。一般来说，任何不完全符合预定义数据模型的数据都会被归类为非机构化的数据。
根据统计，目前大约80%的业务数据为非结构化数据。正因为如此，可以应用与非结构化的数据分析方法相对比较复杂，如认知计算器、机器学习、自然语言处理（NLP）和人工智能等。这些技术能从各种各样的非机构化数据中提取关键信息。
目前而言结构化数据相对非结构化数据，更容易管理和处理。熟悉这两种数据分类结构非常重要，这样才能判断使用哪一种数据分类能更加容易判断给出适宜的数据分析方案。
动态数据与静态数据
与大多数网络应用，物联网中的数据要么在“传输中”（动态数据），要么已经被保存或者存储（静态数据）。动态数据包括传统的客户端与服务器进行交换，比如WEB浏览器中通过网络进行传输的用户数据、电子邮件传输等。将数据保存到硬盘、USB存储器等物理硬件中的数据属于静态数据。
从物联网的角度来看，来自智能设备的数据通常被认为是运动数据，因为它是通过网络的方式最后到达到最终目的地。其采集数据在边缘计算采集后通过雾计算的方式进行处理后进行上传，最终到达数据存储中心。
当数据到达数据中心后，数据中心再次将采集的数据进行二次处理，而处理中的数据仍是在移动的状态。当前，动态数据的分析处理工具还是处理起步阶段。
在物联网网络中的静态数据通常可以在物联网的数据整体或者代理网络中找到。从数据分析的角度来看，有许多工具可以使用，特别是对于结构化数据的处理工具，这些工具不仅可以提供数据处理，还能提供对数据的存储服务。
物联网数据分析概述
来自智能物联网设备的数据通常需要经过处理筛选后的数据才会有实现其商业和分析价值。数据分析通常会根据其结果进行类型分析和分解。如图1.3，数据分析的4种类型。
图1.3数据分析的4种类型
描述性分析：此类数据通分析过描述的方式阐述此可正在发生着什么。例如，起车胎压中的计量器每秒报告一个气压值。通过这些数据设备使用人员可时刻监控设备的状态以确保设备安全稳定的运行。
诊断性分析：此类分析通过分析设备为何会产出出数据的方式，清楚的了解设备运行原理，从而进行对设备问题的诊断。
预测性分析：预测性分析的目的是为了在问题发生之前进行对其预测从而达到设备稳定运行目前。列如，汽车在运行时水箱的温度不断缓慢上升，着表明可能起车需要更换机油或者水箱需要维护。
处方性分析：处方性分析已经超越预测性分析，其可提供对即将到来的问题提出解决方案。就如针对水箱攀升问题进行数据分析处理的方式提出各种替代解决方案。
预测性分析和处方性分析都是资源密集型的数据分析方式，其提供的价值远远超过数据本身。如1.4所示为4中数据分析方式中描述分析最为简单处方性分析最难，其中难度成梯度上升，处方性分析其提供的价值最多，但也是最为复杂的。当前物联网的数据分析大多依赖于描述性分析和诊断性分析，但是对于目前企业而言预测性分析和处方性分析的需求是迫切的。
图1.4价值和复杂性因素在数据分析类型中的应用
今天的分享就到这里啦，亿佰特人每一天都致力于更好的助力物联化、智能化、自动化的发展，提升资源利用率，更多产品更多资料，感兴趣的小伙伴可以登录我们的官网进行了解，还有客服小姐姐在线答疑哦！
