革命性工业数据集成：UNS
UNS
4分钟
从传统的普渡模型到无等级/无分层模型的转变是工业数字化领域中的一个老生常谈的话题。几乎所有在该领域中的供应商都使用类似于下面的示意图：
我们梦想有一天，企业内的任何系统、设备和人员都能够与单一真实来源进行交流，实现无与伦比的数据流动性和互操作性。
然而，传统IT工具如RESTful API、杂乱的OPC堆栈、繁琐的ETL过程和当前商业软件中普遍存在的基于SQL的解决方案，达到单一真实来源仍然难以实现。
（来自OPC基金会官方）
大约在2015年，一位名叫沃克·雷诺兹的北美IIoT爱好者开始使用消息代理作为构建三层架构的核心。他在社区中传播自己的做法，这种简洁的方法出乎意料地证明了极高的效率。它迅速在社区中流行，并被一些前沿企业采纳。
构建 UNS 的核心
实际上，UNS 的核心是 MQTT Broker。简单来说，UNS 使数据源和消费者能够通过集中式 MQTT Broker双向订阅。
DES 与 RL 的结合
在理解离散事件模拟的定义后，这个术语来了 - 强化学习。
强化学习是一种机器学习方法，在这种方法中，代理通过与环境的互动来学习并做出决策。代理开发出一种策略，以优化根据它执行的动作所获得的总奖励。
在强化学习（RL）中，代理通过尝试不同的行动并观察它们如何随时间影响奖励来学习做出最佳决策。与监督学习不同，监督学习提供正确的答案，而 RL 则使用奖励来展示代理的行动效果好坏。代理必须根据这些奖励自行判断。在 RL 中，代理的行动影响即时奖励和未来奖励。由于环境提供的信息有限，代理从自身的经验中学习。它逐渐改善其行动，以更好地适应环境。
训练一个 RL 代理可能会耗费时间，通常需要数十万步才能找到几乎最优的策略。在无模型的马尔可夫决策过程 (MDP) 中，这变得更加复杂，因为代理必须估计与环境互动后不同结果的概率，而不是拥有预定义的概率。
通过为 RL 代理提供一个可控和可重复的环境，模拟成为强化学习 (RL) 中的一种重要工具。这种方法减少了代理在复杂或潜在危险的现实场景中直接互动所带来的风险和成本。离散事件模拟 (DES) 对于建模在特定、独立的时间发生事件的环境特别有价值。这提供了一个结构化却又可适应的框架供 RL 运作，使其非常适合应用。
UNS 的特点
简单且轻量
这是 UNS 最关键的特点。
UNS 可以用一千字的文章进行全面解释。相比之下，详细阐述 OPC UA 中的伴随规范可能需要一万字，而对于 IIoT 平台，您在那个时候可能仍在阅读前言。
部署和连接 MQTT 代理比使用 Kepware 简单得多，这也是为什么 Mosquitto 在家庭自动化中被广泛使用的原因。
事件驱动，边缘驱动
基于 MQTT 代理的 UNS 是一种典型的事件驱动架构。通过利用在事件发生时触发操作的概念，我们可以轻松定义和开发工业应用。
所有人都接受 MQTT 有效载荷，允许发布者随时自定义和修改他们的消息和逻辑。这将主动权和数据处理去中心化给访问 UNS 的设备和节点。结合像 NodeRED 这样的边缘级数据工具，企业可以显著扩展 UNS，而不妥协安全性、性能或容错能力。
异常报告
许多控制系统和软件系统中的数据在很长一段时间内保持不变。使用传统的周期性轮询方法将导致带宽浪费。在大型企业中，这种浪费可能会加剧，并妨碍建立统一的单一数据源。然而，UNS 使得 "异常报告 " 的机制成为可能，让我们的生活变得轻松许多。
高度可扩展
EMQX 和 HiveMQ 这两个商业代理已将其产品完善至云原生标准。当我们连接到 MQTT 地址时，它可以由一个高可用集群支持。这与向分层、高可用性和可扩展性发展的趋势一致。
实时快照
如前所述，UNS 仅包含实时数据。工业数据集成自然涉及 OLTP 和 OLAP 以利用历史数据。
下一步
在下一篇文章中，我们将讨论开源时间序列数据库和NodeRED如何颠覆性地解决这个问题，以及Balena的“MING Stack”。
如今，大型机构和供应商，如Gartner、SAP、ARC、Wipro等，刚开始讨论UNS（统一命名空间）。然而，初创企业正在真正实施或产品化这种方法。
凭借其灵活性和简洁性，UNS最终将战胜繁琐且老化的OPC。小团队可以依靠热情和毅力超越只关心编织概念的大公司。
这标志着数字时代的新趋势。
