AWS እና IBM የ IoT አገልግሎቶች ንፅፅር - 4 ደረጃዎች

2024 ደራሲ ደራሲ: John Day | [email protected]. ለመጨረሻ ጊዜ የተሻሻለው: 2024-01-30 07:31

ዛሬ በተለያዩ የአገልግሎት አቅርቦቶች እይታ ስር የአይኦቲ ትግበራዎችን ለማዳበር የሚያስችሉ ሁለት ቁልልዎችን እያነፃፀርን ነው።

ደረጃ 1 ተግባራት እንደ አገልግሎት

ፋአስ “አገልጋይ አልባ” ሥነ ሕንፃን ለመገንባት የሚያገለግል የደመና አገልግሎቶች ምድብ ነው። ፋአስ ደንበኞቹን መሠረተ ልማት ሳይገነቡ እና ሳይጠብቁ የመተግበሪያ ተግባሮችን እንዲያዳብሩ ፣ እንዲሮጡ እና እንዲያቀናብሩ ያስችላቸዋል።

አማዞን AWS Lambda ን ይሰጣል ፣ IBM IBM የደመና ተግባሮችን ይሰጣል። እነዚያ አገልግሎቶች በጣም ተመሳሳይ ናቸው ፣ ሆኖም ላምባ የዚህ ዓይነት የመጀመሪያ ነበረች። ፋአስን በመጠቀም የኮድ ቁርጥራጮችን በደመና ውስጥ ማካሄድ ይችላሉ እና እያንዳንዱ አገልግሎት የተለያዩ የፕሮግራም ቋንቋዎችን ይደግፋል።

የ IBM ደመና ተግባራት ጃቫስክሪፕት ፣ ስዊፍት ፣ ጃቫ ፣ ሂድ ፣ ፒኤችፒ ፣ ፓይዘን ፣ ሩቢ ፣.ኔት (ሲ# ኤፍ# ወዘተ) ፣ ማንኛውም በ Docker AWS Lambda በኩል: ጃቫስክሪፕት ፣ ጃቫ ፣ ሲ# ፣ ኤፍ# ፣ ሂድ ፣ ፓይዘን ፣ ሩቢ ፣ ፓወርሴል ፣ ማንኛውም በ Runtime API በኩል

IBM ብዙ ቋንቋዎችን ይደግፋል እና በዶክከርር በሌሎች ቋንቋዎች የተፃፉ ስክሪፕቶችን ለመጠቀም ቀላል ነው። ይህ በላምዳ እንዲሁ ሊሠራ ይችላል ግን ወዲያውኑ አይደለም። አንድ ምሳሌ እዚህ ማንበብ ይችላሉ-

ሁለቱም አገልግሎቶች የአጠቃቀም ገደቦች አሏቸው ፣ እኛ በሰንጠረዥ ውስጥ ሪፖርት እናደርጋለን እና ምርጡን አጉልተናል።

ለ AWS Lambda የጥያቄዎች ብዛት በመጨመር ዋጋው በሰከንዶች (ራም) በጊጋ ባይት ላይ የተመሠረተ ነው። እያንዳንዱ አገልግሎት ነፃ ዕቅድ አለው እና እነሱ እኩል ናቸው። እርስዎ እንደሚመለከቱት ላምባ ለጂቢ/ዎች ትንሽ ርካሽ ነው ፣ ግን የደመና ተግባራት ከሌሉት ጥያቄዎች ጋር የተዛመደ ዋጋ አለው ፣ ስለሆነም ዋጋው በአጠቃላይ ተመሳሳይ ነው። በእርግጥ ፣ ማህደረ ትውስታን የሚበሉ እና ጥቂት ጥያቄዎችን የሚጠቀሙ ተግባሮችን ማካሄድ ከፈለጉ Lambda ን መጠቀም አለብዎት። የ IBM ደመና ተግባር ዋነኛው ጠቀሜታ በእኛ አስተያየት የእሱ ቁልል ክፍት ምንጭ ነው። እሱ ሙሉ በሙሉ በ Apache OpenWhisk ላይ የተመሠረተ ሲሆን በግል መሠረተ ልማት ላይም ሊሰማራ ይችላል።

ደረጃ 2 - የማሽን ትምህርት

የ IBM እና AWS ቁልፎች ተመሳሳይ አገልግሎቶችን የሚያቀርቡበት መስክ የማሽን መማሪያ ነው -አማዞን ከ SageMaker እና IBM ከ Watson Machine Learning ጋር። ሁለቱ አገልግሎቶች በብዙ ገጽታዎች በጣም ተመሳሳይ ናቸው - ሁለቱም የመረጃ ሳይንቲስቶች እና ገንቢዎች የማሽን መማሪያ ሞዴሎቻቸውን እንዲገነቡ ፣ እንዲያሠለጥኑ እና ከዚያም ወደ ምርት ዝግጁ አከባቢዎች ለማሰማራት ለመርዳት እራሳቸውን እንደ መሣሪያ አድርገው ያቀርባሉ ፣ ግን ሁለቱ ኩባንያዎች የያዙት ፍልስፍና በጣም ትንሽ ይለያያል። ሁለቱም አገልግሎቶች እርስዎ በሚጠቀሙባቸው ሞዴሎች ላይ በተለያዩ የቁጥጥር ደረጃዎች መካከል እንዲመርጡ ያስችልዎታል። በ Watson ML ውስጥ አንዳንድ በጣም የተወሰኑ ተግባሮችን ለመስራት ቀድሞውኑ የሰለጠኑ አንዳንድ አብሮገነብ ሞዴሎች አሉዎት-ለምሳሌ ፣ በስዕሉ ውስጥ ምን ነገሮች እንዳሉ ማወቅ ከፈለጉ የ VisualRecognitionV3 ሞዴሉን ብቻ ያስመጡ እና እርስዎ ያገኙትን ስዕል ያስተላልፉ። መተንተን ይፈልጋሉ። እርስዎም “ብጁ ሞዴል” መገንባት ይችላሉ ፣ ግን በ Watson ML ውስጥ ይህ ማለት ቀድሞውኑ የተገነባ ሞዴልን መውሰድ እና በእሱ ላይ ሥልጠናችንን ማካሄድ ነው ፣ ስለሆነም ማበጀቱ በጣም ውስን ነው። ምንም እንኳን SageMaker ወይም ዋትሰን ኤምኤል በገንቢዎቻቸው ቁልል ላይ የማሽን መማሪያ መንገዶች ብቻ አለመሆናቸውን ማስተዋሉ አስፈላጊ ነው ፣ እነሱ የገንቢዎቹን ሕይወት ቀላል ለማድረግ ዓላማ ያላቸው አገልግሎቶች ናቸው። የ Watson ML መድረክ እንዲሁ ብዙ በጣም ተወዳጅ የማሽን የመማሪያ ቤተመፃሕፍትን ይደግፋል ፣ ስለሆነም ሞዴልን ከባዶ በ PyTorch ፣ Tensorflow ወይም ተመሳሳይ ቤተመፃህፍት መገንባት ይችላሉ። እርስዎ እነዚያን ቤተ-መጻህፍት በቀጥታ ይጠቀማሉ ፣ ወይም አስቀድመው የተሰሩ ሞዴሎችን ይጠቀሙ ፣ መካከለኛ ቦታ የለም። እንዲሁም ዋትሰን ኤምኤል የአማዞን ምርጫ ቤተ -መጽሐፍትን ፣ Apache MXNet ን አይደግፍም ፣ ይልቁንም በ SageMaker ውስጥ የመጀመሪያ ደረጃ ድጋፍ አለው።

የአማዞን SageMaker አካሄድ ፣ አብሮ የተሰሩ አማራጮችን በሚጠቀሙበት ጊዜ እንኳን ፣ ትንሽ የበለጠ ዝቅተኛ ደረጃ ነው-አስቀድመው ከተሠሩ ሞዴሎች እንዲመርጡ ከማድረግ ይልቅ ፣ እርስዎ አስቀድመው ከተተገበሩ የሥልጠና ስልተ ቀመሮች ብዙ እንዲመርጡ ያስችልዎታል ፣ ይህም ሲገነቡ ሊጠቀሙበት ይችላሉ። በባህላዊ መንገድ ሞዴል። እነዚህ በቂ ካልሆኑ የራስዎን ስልተ ቀመርም መጠቀም ይችላሉ። ነገሮችን የማድረግ መንገድ በእርግጥ በ Watson ML ውስጥ የሰለጠነ ሞዴልን ከመጠቀም ጋር ሲነፃፀር የማሽን መማር እንዴት እንደሚደረግ የበለጠ ዕውቀት ይጠይቃል።

በአንደኛው እይታ “ዋትሰን ኤም ኤል” “ቀላል እና ፈጣን” መንገድ ይመስላል ፣ የአማዞን ሳጅማከር ለማዋቀር በጣም የተወሳሰበ ነው። በ Watson ML ውስጥ ላሉት ተመሳሳይ ባህሪዎች ከድር በይነገጽ ብዙ የተለያዩ ንዑስ አገልግሎቶችን ከድር በይነገጽ ማዘጋጀት አለብዎት ፣ ምክንያቱም SageMaker ሁሉም ነገር በጁፒተር ማስታወሻ ደብተር ላይ እንዲሠራ የተዋቀረ ስለሆነ ይህ ከአንዳንድ እይታዎች ሙሉ በሙሉ እውነት ላይሆን ይችላል። የውሂብ ቅድመ -ዝግጅት እንዲሁ በ IBM አገልግሎት ላይ ልዩ ቦታዎችን ሲይዝ SageMaker በማስታወሻ ደብተርዎ ውስጥ ሁሉንም ከኮድ ያደርጉታል። ይህ በተጨማሪ የጁፒተር ማስታወሻ ደብተሮች ከሶፍትዌር ምህንድስና እይታ በጣም ጥሩው ምርጫ አለመሆናቸው ፣ SageMaker በምርት ውስጥ በጣም ጥሩ እንዳይሆን ሊያግደው ይችላል። ሁለቱም አገልግሎቶች ሞዴልዎን ለማሰማራት እና ኤፒአይዎችን በውጪው ዓለም እንዲገኝ ለማድረግ በጣም ጥሩ እና ቀላል ስልቶች አሏቸው።

ለማጠቃለል ፣ ዋትሰን ኤም ኤል የጁፒተር ማስታወሻ ደብተሮች ገደቦቻቸውን ማሳየት በሚጀምሩባቸው እና ሞዴሉ ራሱ በሚያደርገው ውስጥ ብዙ ማበጀት በማይፈልጉባቸው ግዙፍ ፕሮጄክቶች ውስጥ በተሻለ ሁኔታ ይሠራል። ስልተ ቀመሮቹን ለመግለፅ የበለጠ ተጣጣፊነት ሲፈልጉ SageMaker በጣም የተሻለ ነው ፣ ግን እሱን በሚጠቀሙበት ጊዜ በጁፒተር ማስታወሻ ደብተሮች ላይ መተማመን ያለብዎትን እውነታ ግምት ውስጥ ማስገባት አለብዎት ፣ ያ በምርት ውስጥ ጥሩ ላይሆን ይችላል። በተጨባጭ የማስታወሻ ደብተሮች ውስጥ ያለው ኮድ በጣም ትልቅ እንዳይሆን እና የእኛን ሞዴል ኤፒአይ በሚጠቀሙ ሌሎች ሞጁሎች ውስጥ የእኛን ሶፍትዌር በተሻለ ሁኔታ ማደራጀት እንድንችል አንድ መፍትሄ በተቻለ መጠን ከአምሳያው ቀሪውን ኮድ ማለያየት ሊሆን ይችላል።.

ደረጃ 3 የውሂብ ዥረት እና ትንታኔዎች

በእውነተኛ ጊዜ ትላልቅ የመረጃ ፍሰቶች አያያዝ እና መተንተን የውሂብ ዥረት አገልግሎቶች ወሳኝ ናቸው። ይህ ፍሰት ከደመና ወደ ተጠቃሚዎች መሣሪያ ፣ እንደ ቪዲዮ ዥረት ወይም ከተጠቃሚዎች ወደ ደመናው ፣ እንደ IoT ቴሌሜትሪ እና አነፍናፊ ንባቦች ሊሆን ይችላል። በተለይም በሁለተኛው ጉዳይ ላይ ነጠላ ምንጮች አነስተኛ መጠን ያለው መረጃ የሚጭኑበት ሁኔታ ሊኖረን ይችላል ነገር ግን የሁሉንም የውጤት መጠን ከግምት ውስጥ ካስገባ ፣ ከሁሉም መሳሪያዎች የሚመጣው ፣ ከፍተኛ የመተላለፊያ ይዘትን ይጠቀማል ፣ ስለሆነም እንዲህ ዓይነቱን ለማስተናገድ ልዩ አገልግሎት መጠቀሙ ምክንያታዊ ነው። የውሂብ ፍሰቶች። ይህንን ቀጣይ ፍሰት በቀጥታ ሳንይዝ ፣ መጪውን መረጃ ወደ ጊዜያዊ ማከማቻ ማከማቸት እና በሁለተኛ ጊዜ በአንዳንድ የሂሳብ ሞተር ማስኬድ አለብን። የዚህ የመጨረሻው አቀራረብ ችግር የመተግበሪያውን የጥገና እና የውቅረት ውስብስብነት በመጨመር አንድ የውሂብ ዥረት አገልግሎት ቀድሞውኑ ብቻውን የሚያደርገውን ለማሳካት የበለጠ የተለያዩ አገልግሎቶችን ማቀናጀት አለብን። በተጨማሪም ፣ አንድ ንጥል እንዲሠራ ፣ ሁሉም ሌሎች ዕቃዎች እንዲሁ እንዲሠሩ ፣ እና የቅድሚያ ፖሊሲዎችን ወደ ቋት (ማጠራቀሚያው) ማከል ፣ ማቋረጫ በመርህ ደረጃ የእኛን ትግበራ በእውነተኛ ጊዜ ከእንግዲህ ወዲህ ሊያደርገው አይችልም።, ውስብስብነቱን በከፍተኛ ሁኔታ ይጨምሩ። ለማጠቃለል ፣ የውሂብ ዥረት አገልግሎቶች የውሂብ ፍሰት አያያዝን በእውነተኛ ጊዜ ፣ በቀላል ውቅር ያቀርባሉ ፣ እና በመጪው ውሂብ ላይ ትንታኔዎችን ሊሰጡ ይችላሉ። እዚህ የ IBM እና AWS ቁልል ሁለት ዋና የዥረት አገልግሎቶችን ማለትም IBM ዥረቶች እና AWS Kinesis ን እናወዳድራለን።

ከዥረት አገልግሎት የምንፈልጋቸው ሁሉም መሠረታዊ ባህሪዎች በ IBM እና AWS በሁለቱም እንደሚቀርቡ በማስተዋል እንጀምራለን። እነዚህ ባህሪዎች ማለቂያ የሌለውን የሂደት መጠን ፣ ዝቅተኛ መዘግየት እና የእውነተኛ ጊዜ ውሂብ ትንታኔዎችን ያካትታሉ። እኛ ስለ ሙያዊ አገልግሎቶች ስለምንነጋገር ሁለቱም ለማሰማራት እና አውቶማቲክ የማምረት ደረጃ መሣሪያዎችን ይሰጣሉ።

ስለ ውሂብ ትንታኔዎች ማውራት ፣ ሁለቱም አገልግሎቶች እንደ አማራጭ አድርገው ያቀርቡታል ፣ እርስዎ ቢፈልጉም ባይፈልጉም ብቻ እንዲከፍሉ ያደርጉዎታል። በኪኒስ ሁኔታ ፣ ትንታኔዎችን በማይፈልጉበት ጊዜ ፣ ግን የውሂብ ፍሰት አያያዝን ብቻ ፣ እንደ IBM ጉዳይ ጊዜ ከማቀናበር ይልቅ በጊቢ በተቀነባበረ ጊባ ይከፍላሉ። ለገቢ ትራፊክ ብቻ ስለሚከፍሉ በአንድ ጊባ ያለው የዋጋ አሰጣጥ በአጠቃላይ ከዋጋ ዋጋ ያነሰ ይሆናል። በዚህ ልጥፍ ቀሪ ውስጥ ሁለቱንም የ IBM ዥረቶች እና የ AWS ኪኒስን የውሂብ ትንታኔ ባህሪ ከነቃ ጋር እንመለከታለን።

ዥረቶች እና ኪኒስ በቅደም ተከተል ከ Apache Edgent እና AWS Lambda ጋር ወደ የውሂብ ትንታኔዎች ከማስተላለፋቸው በፊት የገቢውን ውሂብ ቅድመ-ማቀነባበር እና ለማጣራት ከተለያዩ አገልግሎቶች ጋር ውህደትን ይሰጣሉ። እነዚህ አገልግሎቶች አንዱ ከሌላው በተለየ ሁኔታ የተለየ ቢሆንም እኛ የምንወያይባቸው ከሁለቱ የዥረት አገልግሎቶች አንፃር ብቻ ነው። በሁለቱ መካከል ያለው መሠረታዊ ልዩነት Apache Edgent በመሣሪያው ላይ መፈጸሙ ፣ AWS Lambda በደመናው ላይ መፈጸሙ ነው። ይህ ብዙ ጥቅሞችን እና ጉዳቶችን ያመጣል-ከ Lambda በኩል እኛ ከኪኒስ ጋር እንከን የለሽ ውህደት ያለው ተጣጣፊ እና ለአጠቃቀም ቀላል የሆነ አገልግሎት አለን ፣ ግን ውሂቡ ቀድሞውኑ ወደ ደመናው እንዲሰቀል ይጠይቃል ፣ ስለሆነም በብቃት ማጣት እና ኪኒስን እንዲሁ ይከፍላል። ውሎ አድሮ ለሚጣል መረጃ። በምትኩ ከኤድጀንት ጎን ፣ እኛ አብዛኛው ስሌት በደመናው ላይ ፋይዳ የሌለውን መረጃ ከመስቀሉ በፊት በአውታረ መረቡ ጠርዝ (በጥሩ ሁኔታ በመሣሪያዎቹ ላይ) ተከናውኗል። ዋነኛው መሰናክል ኤድጀንት ትልቅ ማዕቀፍ ነው ፣ ይህም ለማዋቀር ጊዜ ሊፈልግ እና ለመጠገን ውስብስብ ሊሆን ይችላል። በመድረክ ምርጫ ውስጥ አግባብነት ያለው ሌላ ልዩነት ኤድጀንት ሙሉ በሙሉ ክፍት ምንጭ ነው ፣ ላምባ አይደለም። እርስዎ ወይም ደንበኛዎ የሚያስፈጽሙትን ኮድ ማግኘት ሁል ጊዜ እንደ አዎንታዊ ነገር ስለሆነ ይህ ሊሰጥ የማይችል አስቸኳይ ድጋፍ የሚያስፈልግዎት ሁኔታዎች ሊኖሩ ስለሚችሉ ይህ እንደ ሁለቱም ሊታይ ይችላል። ሁሉም ክፍት ምንጭ አካባቢዎች።

ልንጠቅሳቸው የምንችላቸው ሌሎች ባህሪዎች የተመደበውን ሀብቶች የኪኔሲስ ራስ-ማሻሻል ነው። በእርግጥ ፣ እሱ የሚያቀርበው ሃርድዌር አንድ በአንድ KPU 1 vCore እና 4 ጊባ ራም በሚሰጥበት በተመሳሳይ የኪኔሲስ ማቀነባበሪያ አሃዶች (KPUs) ተብለው በሚጠሩ በርካታ የተዋቀረ ነው። ቁጥራቸው በመተግበሪያው ፍላጎቶች ላይ የሚመረኮዝ እና በተለዋዋጭ እና በራስ -ሰር የተመደቡ ናቸው (የሚከፍሉት በእርግጥ የሲፒዩ ጊዜ የ KPUs ብዛት እጥፍ ነው) ፣ ጃቫን የሚጠቀሙ ከሆነ አንድ KPU የበለጠ እንዲከፍሉዎት የኪኒስ ፖሊሲ መሆኑን ያስታውሱ። ማመልከቻ. የ IBM ዥረቶች ፣ ይልቁንም ፣ ስለ የዋጋ አሰጣጥ ስናወራ ቋሚ ሃርድዌር ያለው ኮንቴይነር ፣ ተጨማሪ ዝርዝሮችን በማቅረብ እንዲህ ዓይነቱን ተጣጣፊነት አይሰጥም። በሌላ በኩል ፣ IBM ዥረቶች ከ ‹ኪኔሲስ› የበለጠ ክፍት ናቸው ፣ ምክንያቱም እንደ ኤች ቲ ቲ ፒ ፣ ኤምኤችቲ እና የመሳሰሉት በጋራ ጥቅም ላይ የዋሉ ፕሮቶኮሎች በኩል ወደ WAN ስለሚገናኝ ፣ ኪኒስ ለ AWS ሥነ ምህዳር ተዘግቷል።

እንደ የመጨረሻው ንፅፅር ስለ የዋጋ አሰጣጥ እንነጋገር ፣ እና IBM በዚህ ነጥብ ላይ ጥሩ እንደማይሰራ ንገረኝ። ለ IBM እና AWS ለሁለቱም ለሦስት የተለያዩ ምድቦች (መሠረታዊ ፣ ከፍተኛ-መጨረሻ ፣ እጅግ-ከፍተኛ-መጨረሻ) የተለያዩ መፍትሄዎችን አዋቅረናል ፣ እና ዋጋቸውን እናወዳድራለን። በመሠረታዊ ውቅረት ውስጥ እኛ ተመሳሳይ ሃርድዌር ካለው የ IBM መፍትሄ ጋር ቀደም ሲል የተጠቀሰው አንድ AWS KPU አለን። ለከፍተኛ ደረጃ እኛ 8 KPU ዎች ሩጫ ለኪኒስ እና 2 መያዣዎች ሁል ጊዜ ለ IBM ትይዩ ነው ፣ እያንዳንዳቸው 4 vCores እና 12 ጊባ ራም አላቸው። አንዳንድ ትግበራዎች ይህንን ከፍተኛ መጠን ያለው ራም የሚፈልግ ከሆነ በተለያዩ KPU ዎች ላይ ማስኬድ ስለማይቻል ሁል ጊዜ IBM እጅግ በጣም ከፍተኛ በሆነ አንድ 16 ኮንቴይነሮች እና 128 ጊባ ራም ያለው አንድ ኮንቴይነር ያቀርባል።. የ 24/7 አጠቃቀምን ከግምት ውስጥ የምናስገባቸው ዋጋዎች በ $/በወር ይገለፃሉ። ለመሠረታዊ ውቅረት እኛ ለ IBM እና AWS በቅደም ተከተል 164 $ እና 490 $ ፣ ለከፍተኛው 1320 $ እና 3500 $ ፣ ለከፍተኛ-ደረጃ AWS አይታሰብም እና IBM ብቻ ከ 6300 ዶላር ጋር አለ። ከነዚህ ውጤቶች እጅግ በጣም ብዙ የኮምፒተር ኃይልን የሚጠይቁ የመረጃ ትንታኔዎችን በቀጥታ ለማስተናገድ አማራጮች ባይኖሩትም ኪኒስ ለዕለት ተዕለት ተጠቃሚ እስከ የድርጅት ደረጃ በተሻለ ሁኔታ እንደሚሠራ ማየት እንችላለን። ኪኔሲስ ከ IBM ዥረቶች የተሻለ አፈፃፀም/$ ሬሾን ይሰጣል ፣ አስፈላጊ ሆኖ ሲገኝ ብቻ በአነስተኛ ሀብት ብሎኮች ተለዋዋጭ ምደባ የታገዘ ሲሆን ፣ IBM ቋሚ መያዣ ይሰጥዎታል። በዚህ መንገድ ፣ የሥራ ጫናዎ በከፍታዎች ተለይቶ የሚታወቅ ከሆነ ፣ ከ IBM ጋር የመተግበሪያ ፍላጎቶችዎን ከፍ ለማድረግ እና በከፋ ሁኔታ ውስጥ መፍትሄን ለማዋቀር ይገደዳሉ። አይቢኤም ሙሉውን ወር ከመክፈል ይልቅ የሰዓታት ክፍያዎችን ይሰጣል ፣ ግን እንደ ኪኒስ አውቶማቲክ አይደለም።

ደረጃ 4: IoT አርክቴክቸር

ለአውስ iot መሣሪያዎች የመሣሪያ ውቅር ከኢቢም ዋትሰን አዮት ጋር ሲወዳደር በጣም ቀላል ነው። ምክንያቱም በ ibm watson iot ውስጥ ማረጋገጫው በአንድ መሣሪያ ላይ ነው እና አንዴ ምልክቱን ከገለጸ በኋላ እንደገና አይታይም። እንደገና ወደ የዋጋ አሰጣጥ መምጣት ibm watson iot ከአውስ iot ጋር ሲወዳደር በጣም ውድ ነው። ስለዚህ ፣ በ ibm watson iot ክፍያዎች ውስጥ ያለው ዋጋ በአንድ መሣሪያ ፣ የውሂብ ማከማቻ ፣ የውሂብ ትራፊክ ላይ የተመሠረተ ነው። ነገር ግን በ aws iot ውስጥ መጠኑን አንድ ጊዜ መክፈል እንችላለን እና ከመሣሪያዎች የታተሙ እና ወደ መሣሪያዎች የተላኩ ተጨማሪ መሣሪያዎችን እና መረጃዎችን ማከል እንችላለን።

በመሣሪያዎ ይጀምሩ- አነፍናፊ ፣ መግቢያ በር ወይም ሌላ ነገር- እና ከደመና ጋር እንዲገናኙ እንረዳዎ።

ክፍት ፣ ቀላል ክብደት ያለው የ MGTT መልእክት መላላኪያ ፕሮቶኮል ወይም ኤችቲቲፒ በመጠቀም ከደመናው ጋር ሲገናኙ የመሣሪያዎ ውሂብ ሁል ጊዜ የተጠበቀ ነው። በፕሮቶኮሎች እና በመስቀለኛ-ቀይ እገዛ መሣሪያችንን በአይዮት መድረክ ማገናኘት እና የቀጥታ እና ታሪካዊ መረጃን መድረስ እንችላለን።

የእርስዎን መተግበሪያዎች ከመሣሪያዎችዎ ውሂብ ጋር ለማገናኘት የእኛን ደህንነቱ የተጠበቀ ኤፒአይ ይጠቀሙ።

መረጃን ለመተርጎም በተሰጠን የደመና አገልግሎታችን ውስጥ መተግበሪያዎችን ይፍጠሩ።