通过基于云的数据管理技术实现分布式设备的态势感知

数据库架构

NoSQL数据库的基本属性是模式自由，因此特别适合OT系统。大型实时分布式系统都有数据模式，而且非常复杂，还是动态的。

这个产业很大程度上在远离固定的单数据模型概念(如CORBA)，原因有很多，而集成度和前向兼容性是其中最重要的两个。在现代OT系统中，数据模式必须实时动态的发现，并且必须是可扩展和/或容易改变。

这些模式不仅必须被数据管理系统捕获，而且还可能被检查以供分析使用。换句话说，元数据和数据对态势感知来说同样重要。

数据关联、查询和获取

实现态势感知(SA)要求关联实时数据与历史数据。从技术角度讲，这意味着当数据流写入NoSQL数据库时，必须对这些数据流进行连续的预编译和动态查询。

所有态势感知查询都是由某些实时事件的发生进行触发，例如安全性的价格变化。一旦实时事件发生，查询数据需要关联历史数据，并确定采取哪种措施(如果有的话)。

内容发布

NoSQL数据库已经征服了按需内容发布世界。Netflix使用Apache Cassandra实现流服务这个事实也许是最生动的例证。

查询结果分成两类：警告和内容获取。警告发布在大多数情况下都不是很重要，只是一个高优先级的消息。在数据获取情况下，发布成为一个重要因素。来自查询的数据结构需要及时地被取回、排序并发布给消费者。

使用案例：发电

全球范围内建好的风力发电厂已有数百个。假如风力发电厂建构为分层的分布式系统。

在层次化结构的最底层，每个风机本身就是一个分布式系统：它有一个巨大的传感器阵列，用于产生有关当前发电的信息以及结构数据和环境数据，这些数据用来使风机安全高效地运行。

这些数据也自动与电厂控制中心共享。控制中心负责保持与其它电厂的联系，并链接到两个重要的外部系统：电网和气象系统。

以风机检测到突发和意外的强大阵风为例，根据过去几周的精确测量结果以及过去几年更全面的测量结果，风机会判断这阵风不正常。

由于具有潜在的危害性，风机将转换到故障防护模式。然后向命令中心发送警告，然后根据每个风机的当前状态使用连续实时控制方法仔细地调整其它涡轮的性能。命令中心也可以警告下游电厂，以便他们可以能够及时调整性能。

另外一种场景涉及到来自能源贸易的实时报价更新。电网和能源交换可以提供有关负荷、需求和电量报价方面的信息。

如果需求和价格低于当前输出电能，电厂能够自动将产生的电能重定向到存储或停止发电。如果需求和价格高于当前所产电能，电厂能够转向峰值产能，并销售存储的电能。就像安全交易一样，有可能设计出算法来检测发电和配电的有益模式。气象系统也能采取算法统计分析方法，并从与风力发电厂的双向通信中受益。一方面，电厂成为气象数据的重要实时传感器站；另一方面，电厂依靠气象系统的天气预报进行仔细调整性能来实现最优输出。

发电和气象系统中使用的算法都需要及时地访问实时事件和历史趋势。如果由于某种原因延迟了数据，造成的结果可能从不足输出导致收入减少，到灾难性的故障和基础设施损毁(甚至可能危及人类生命安全)。

前瞻性维护

前瞻性维护和资产管理是先进的OT/IT集成可能直接影响收入的例子。就像预防性维护一样，这种方法能够降低成本，因为工作只在需要时开展。前瞻性维护是通过连续的实时监视在线设备预测何时要求维护来实现的。

但只是监视设备状态是不够的。就像风力发电厂例子一样，其自身实时数据不能提供足够信息来判断设备是否工作在正常范围内。传感器指示高温有可能是由于设备故障引起的，也可能是由于电厂输出提高造成的。

为了进行确认，必须根据历史信息分析监视数据来判断是否需要采取进一步措施。用于解决维护问题的相同技术和算法也可以用于提供长期商业智能。除了防止意外的设备故障外，认清设备使用方面的长期趋势也可以提高可用性，并延长设备寿命。

干草堆中的细针

许多公司已经成功展示使用Big Data技术筛选IT系统产生的庞大信息的价值。这种技术被证明非常适合用来寻找谚语式的干草堆细针。与此同时，有关部门刚开始认识到OT系统产生的数据商业价值。

合并OT和IT数据是下一个合理的步骤，但这种整合面临许多技术挑战。OT系统会产生甚至更多的数据用于分析(更多的“干草”来隐藏细针)，而IT系统必须以不影响OT实时数据流的时间敏感性这种方式进行集成。

通过选择正确的技术整合方法可以解决数据管理问题，OT和IT的能量可以同时释放出来捕获转瞬即逝的机会。也就是说，在细针落入干草堆之前就发现细针。