低延迟的分布式数据库架构对于新兴的雾应用程序至关重要

物联网 （IoT） 解决方案对任何数据库都提出了独特的挑战。来自非常广泛的物联网设备的数据越来越大，速度越来越快，再加上关键的延迟要求。鉴于此，数据的处理和分析必须越来越多地在网络边缘处理，靠近传感器、执行器和其他物联网设备。

我们不再奢侈地能够在云环境中处理物联网数据，因为云环境中似乎有无限的计算和存储资源，因为延迟是不可接受的。值得庆幸的是，有强大的数据库和平台解决方案可以正面应对这一挑战，我们将在下面进行探讨。但首先，让我们回顾一下物联网环境特有的一些数据要求。

考虑到物联网和大数据的数量、速度、多样性和准确性（“四个V”）要求，以及许多这些用例的分布式性质，边缘计算越来越多地成为赌注的隐喻。

那么，如果我们回到边缘的分布式计算，有没有办法保持我们长期享有的功能（以及我们在过去 10 年中云计算的巨大趋势的原因）？我们也可以吃蛋糕吗？

通过雾计算将云主体带到边缘

幸运的是，在这种情况下 - 随着雾计算的普及和增长趋势 - 答案是肯定的。解决方案是将云主体带到边缘，雾和云环境协同运行，以处理复杂的物联网用例。当您有关键的延迟要求时，例如对于枪击检测或犯罪人脸识别等智能城市物联网用例，您的数据必须由靠近 IP 摄像机和其他传感器的加固雾节点处理。

非延迟关键数据仍可同步到核心或云。通过这种方式，来自 IoT 解决方案中所有边缘设备和雾节点的数据可以在核心级别（例如，智能城市用例中的城市街区）聚合，并最终聚合到云或数据中心环境以进行商业智能和其他分析。

对于雾计算，我们将物联网设备、边缘设备、雾节点和云之间的数据通信称为“南北”通信，将整个系统中边缘/雾节点之间的数据通信称为“东西向”通信。为了有效，我们必须在边缘拥有通用的云或数据中心环境功能，例如机器学习、深度学习和其他人工智能。

这就带来了下一个挑战：考虑到边缘设备和雾节点的分布式性质以及适度的存储和计算能力，我们如何处理这些需求？让雾和云环境协同运行至关重要。例如，通过机器学习，我们需要在拥有大量计算和存储资源的云中训练模型。然后，我们需要将这些经过训练的模型部署到雾节点和/或边缘设备，以便它们可以靠近物联网设备，以最大程度地减少延迟。

面向“智能边缘”的数据库

“智能边缘”已经到来，并将我们从这些看似无法解决的问题中解救出来（或者小林丸为你们《星际迷航》粉丝）。边缘已经成为当今物联网的战场，但地球上是否有一个数据库可以处理来自数千个传感器、摄像头和其他设备的大量高速数据？一个可以实时处理数据，使用许多不同的数据库模型，并且占用空间小？

业界正在解决这个问题，答案是：是的。

现在市场上有解决方案可以提供快速的性能，并且能够在物联网边缘每秒摄取数百万次写入，延迟不到 1 毫秒。这很强大。由于这些解决方案的硬件和软件占用空间很小，因此在某些情况下，它们非常适合安装在雾节点、边缘网关设备甚至物联网设备上。

其中一些解决方案（例如 Redis Enterprise）具有许多本机数据结构（集合、排序集、列表、哈希、流等），为 IoT 应用程序开发人员提供了最大的灵活性。此外，由于已经存在许多模块来扩展它，这些解决方案可以采用多模型数据库，可以处理物联网边缘所需的非常多样化的工作负载：时间序列、图形、机器学习、搜索等。

简化的架构

这些平台无需部署六个不同的数据库来支持这些需求，而是可以管理所有这些数据库，从而极大地简化了您的架构。许多任务关键型物联网用例在地理上分布在许多地区，这是另一个用例，可以通过具有高可用性、主动-主动（具有 CRDT）、灾难恢复和自动扩展功能的平台优雅地处理。

既然我们已经展示了值得在智能边缘上使用的数据库，您可能想知道哪个平台最适合在物联网边缘运行它们？当然，有很多变量和选项。在Redis Labs，我们与Microsoft Azure合作开发了物联网边缘解决方案。关键是为客户提供快速的常规数据存储、Azure Edge 模块之间的消息代理、流处理、时序数据库和内存中处理（机器学习模型服务、图形处理等），以实现最佳性能。

物联网社区将从联合物联网边缘解决方案中受益匪浅。但是，将正确的数据库与正确的智能物联网边缘解决方案集成对于所有物联网工作的成功至关重要。

审核编辑：郭婷