2.5　第四部分——计算、分析和机器学习

此时，我们必须考虑如何处理从边缘节点流入云服务的数据。我们先谈谈云架构的各个方面，如SaaS、IaaS和PaaS系统。架构师需要了解云服务的数据流和典型设计（云服务是什么，如何使用）。我们以OpenStack作为云设计的模型，探讨从摄取器（ingestor）引擎到数据湖（data lake），再到分析引擎的各种组件。

理解云架构的约束条件对于正确判断系统的部署和扩展规模也很重要。架构师还必须了解延迟如何影响物联网系统。另外，并非所有事物都属于云。将所有物联网数据移至云计算而不是在边缘进行处理（边缘计算）或将云服务向下扩展到边缘计算设备（雾计算）时，成本都是可度量的。这部分深入研究雾计算的新标准，例如OpenFog架构。

从物理模拟事件转化为数字信号的数据可能会产生可操作的后果。这就是物联网的分析和规则引擎发挥作用的地方。物联网部署的复杂程度取决于所设计的解决方案。在某些情况下，一个寻找异常温度极端值的简单规则引擎可以很容易地部署在监控几个传感器的边缘路由器上。在其他情况下，大量的结构化和非结构化数据可能会实时流向基于云的数据湖，既需要快速处理以进行预测分析，也需要使用先进的机器学习模型进行长程预测，例如时间相关信号分析包中的循环神经网络。本部分详细介绍了从复杂事件处理器到贝叶斯网络，再到神经网络的推理和训练的分析方法的用途和限制。