虽然工业物联网（IIoT）正在迅速成熟，但通常与人工智能（AI）和机器学习（ML）工具有着密切的联系，它们可以管理数据流。这带来了许多挑战，包括连接性、安全性、存储和建模需求。IIoT设备和更大规模部署的设计者必须为这些领域的变化构建应急机制，否则可能会出现风险。
虽然IIoT正在逐渐成熟，但整个市场仍有许多挑战需要克服。其中一些挑战是物联网设备运营的技术障碍，如连接标准和电池技术，但情况甚至比这更为广泛。IIoT的世界不仅要求物联网硬件在所有环境中可靠、高效地运行，而且还依赖于支持网络和服务。其结果是，IIoT的部署不能被视为孤立的技术升级或生产力驱动，而是高度互联的生态系统，对广泛的变量敏感，特别是在人工智能不断发展的情况下。
真实世界的AI
尽管AI以概念形式存在已久，但将原理引入现实世界已被证明是一项复杂的业务。但对于许多潜在的IIoT应用而言，这是必不可少的。监视来自微型传感器网络的多个数据流、检测异常和发现模式（可以将其标记为进行预防性维护或提高效率）是IIoT的重要组成部分。如果没有它，生成的大量数据就是噪音。
例如，一辆全自动的人工智能汽车每行驶8小时就会产生大约40TB的数据，这个惊人的数据量使得任何人工分析都无法进行。这对IIoT和AI设计者来说是一个挑战 - 确保建模和训练数据集在部署之前是高度精确的，并且经过了现场测试。
网络方面的考虑
传输和接收由IIoT生成的、需要人工智能进行分析的大量数据本身就带来了重大挑战，这导致了“边缘人工智能（Edge AI）”的发展，在给网络增加负担之前，在设备上处理尽可能多的数据。这个网络包含了一系列令人眼花缭乱的现有可能性，从Wi-Fi到4G、光纤到新频谱、low-lower LoRa网络和NB-IoT网络，这些网络都是设计来与5G一起运行的。管理这些网络中不可避免的中断和延迟肯定是一项持续的挑战，这可能会被mesh风格的网络架构所克服。但是，即使是这些也可能会失败，特别是在IIoT场景中，在这种场景中可能并不总是可以避免单点故障。
数据挑战
自动驾驶的人工智能汽车处于更高的等级，它不仅携带大量不同的传感器来检测其他车辆、危险和人，要求对突然出现的障碍等刺激做出即时反应，而且还具有自成一体和移动功能。但是，这些需求的组合也与大多数IIoT场景相关。例如，用于检测工厂机械振动的声学传感器需要能够对突然的俯仰变化做出非常迅速的响应，否则者会导致一台昂贵的机器损坏。大多数IIoT场景将包括多种传感器类型，以过滤误报，更先进的应用还将涉及某种程度的冗余。
数据安全
可以说，最大的挑战是维护网络安全，确保操作、个人或审计数据不被泄露。虽然对于大多数IIoT场景而言，个人/客户数据可能不是问题，但出于商业动机的攻击获取或破坏操作或审计数据的可能性很大。
任何设备所有者或企业IT团队都知道，要为设备修补最新的漏洞是一场持续不断的战斗，但是IIoT设备管理起来并不容易。 对于主要设计用于传输数据的网络，低的下游带宽可能是一个挑战，而本地存储限制和电源限制可能会使定期更新出现问题或不可能。 此外，将引导加载程序保持解锁状态以允许临时更新是潜在的问题，如果攻击者可以引入rootkit或类似的办法，则攻击者可以长期在网络上获得有力的立足点。
HRoT – TPM, FPGA？
幸运的是，随着工业互联网协会最近发布了《数据保护最佳实践白皮书》，该出版物旨在解决IIoT网络中的数据安全性问题，引起了IIoT安全问题的广泛关注。核心建议是，IIoT部署应依赖于基于硬件的安全性（所谓的基于硬件的信任根或HRoT），该安全性不仅可以对设备引导加载程序进行身份验证，而且可以从该点开始通过设备操作系统建立信任链， 应用程序，然后再通过网络，以防止引导加载程序或操作系统操纵。不幸的是，这里的标准和方法可能会有所不同，一些制造商嵌入TPM芯片来满足加密要求，而其他制造商则使用基于FPGA的芯片来达到类似的效果。
前进之路
尽管乍看之下，IIoT和AI面临着巨大挑战，但早期采用者的辛勤工作，成熟的技术堆栈和简单的创新解决了许多最大的问题，而其他一些问题正在等待共识。 虽然AI提供了管理和解释大量数据的机会，但它是必须增强安全性和增强可见性的底层架构，以及尽可能地面向未来的部署。 这将是IIoT设计人员关注的重要领域。
原文链接
