大数据的体系架构

    有些数据架构师早已开始应对物联网 (IoT)与智能设备私人网络合作产生的巨量数据。 集成专家 Brian Anderson 是软件和过程开发公司 Notionovus 的总经理。 他在职业生涯早期担任 Caterpillar 公司的嵌入式系统编程员。在当时，他主要负责为车间的机器人车辆网络构建应用系统。

    在 Caterpillar 公司任职的 25 年里，Anderson 还担任过工程部主管、制造工程师和 6 西格玛黑带。 换句话说，在 IoT 还未普及以前，他便已开始处理数据问题。

    Potential at Work 就有关架构师如何准备现有环境，才能进行 IoT 固有的海量扩充和大量集成的问题，对 Anderson 进行了咨询。

    对于那些正在试图为 IoT 数据集成奠定结构化方法基础的架构师，您有何建议？     Anderson： 集成专业人员需着眼于四项关键过程指标 (KPI)：速度、可靠性、成本和安全性。 在人们谈及良好或糟糕的集成体验时，上述四项面向客户的指标总会重复出现。 但在讨论 IoT 时，其关键的指标主要集中在安全性上。 设备归属于所有者，而所有者必定会有隐私方面的担忧。

    IoT 竞争舞台的胜出者将会是那些可以提供最佳用户友好数据控件，而且能够严密锁定访问者查看内容的企业。 而失败者将会是那些暗中使用其设备所生成的数据窥探用户隐私的企业。 此外，还要寻求可以重复使用和利用现有代码库的工具。 这将减少对高度专业化人员的需求。

    架构师的工作要更多地涉及全局思考以及对未来集成需求的预期，以便能够将灵活性置入其规划模型当中。 例如，如果数据架构师和数据集成专业人员忙于处理特定界面上的某个问题，则表明您是在浪费金钱，而不是在规划未来。

    您如何将精益方法应用于非结构化的 IoT？     Anderson： 坚持使用有助于构建透明集成的工具。 以端对端可见的方式深入了解信息的价值链对于测量 KPI 至关重要。 如果致力于持续改进，便不能使用黑箱系统。 避免开发多余的应用系统以及重新创造已建立的连接点。

    补丁、更新和错误修复程序为非客户选项，而且带有附加价值，所以要专注于最大程度地降低发行代码的复杂性。 由于坏数据造成的成本非常高昂，因此在软件中置入数据验证可以提高价值。 在系统及其用户生成无错误数据时，验证是唯一的非增值选项。

    数据架构师如何才能使企业数据管理策略适应 IoT？     Anderson： 企业数据管理策略需要重新访问未来和现有数据流的存档、安全性和用例。 IoT 上所有增加的数据流都将对当前的操作产生巨大的影响。 您需要在适当的位置采用存档和数据保留策略，以最大化地利用海量增加的数据流，同时最大程度地减少数据管理系统占用空间。