The Doppler Quarterly (FRANÇAIS) Printemps 2016 | Page 29
Composant
d’application
Composant
d’application
Sujets
Publier
S'abonner
Transformation
des données
Flux de
données cloud
Passerelle
d’accès
Publier
dans le cloud/
S’abonner
au cloud
Figure 1|: Modèle de conception IoT standard avec Google Datafl ow et Pub/Sub
posants d’application spécifi ques de manière à garantir
des changements plus fl uides au fi l du temps.
Evolutivité de l’intégration des données
Les plateformes IoT performantes ont également besoin
de fl exibilité pour pouvoir intégrer les données d’une
gamme de périphériques toujours plus variée et sophis-
tiquée. Google Datafl ow intègre cette fl exibilité à des
interfaces spécifi quement conçues pour exploiter les
données issues de différents périphériques et sources.
Son intégration native aux capacités de calcul et de
stockage de Google Cloud Platform lui confère une
grande évolutivité, ce qui lui permet de se prêter à
toutes les applications IoT ou presque.
Datafl ow permet le transport fi able des données et l’ex-
écution des tâches liées aux données à la volée. Il four-
nit des connecteurs pour les services Go ogle natifs et
permet aux développeurs de créer des modules person-
nalisés pour les activités telles que l’ETL ou l’exécution
des modèles prédictifs. Datafl ow peut également être
utilisé pour veiller à ce que les processus métier soient
mis en œuvre sous forme de workfl ows systématique-
ment exécutés.
Synchronisation des données
Nombre de consommateurs d’IoT ont besoin d’utiliser
leurs périphériques ou leurs applications en mode hors
ligne ou déconnecté. Ces environnements exigent que
les données soient synchronisées entre les
périphériques locaux et un référentiel de données cen-
tralisé. Google Firebase [3] permet ce processus de
façon native dans Google Cloud. Il permet ainsi l’exécu-
tion en mode hors ligne des applications en synchroni-
sant les données dans un emplacement central en vue
de leur utilisation et de leur analyse ultérieures.
Gestion des modèles
La gestion des modèles permet de s’assurer que les
modèles analytiques déployés sont correctement
testés, suivis et mis à jour de manière constante et
cohérente. De plus en plus, l’exécution de l’analytique
fait l’objet d’une répartition, comme c’est le cas avec
l’analytique en périphérie de réseau, et la gestion des
modèles est d’autant plus critique que cette exécution
est décentralisée et que le nombre de périphériques
dotés de modèles analytiques stockés localement va en
grandissant. Les plateformes IoT utilisant un modèle de
conception d’analytique en périphérie de réseau
exploitent les ressources de calcul des périphériques
connectés pour exécuter les modèles prédictifs et les
moteurs de recommandation.
Les plateformes IoT savamment conçues sont dotées
d’une élasticité transparente. Google Pub/Sub et Goo-
gle Datafl ow offrent aux équipes de logiciel et des
opérations la possibilité de remplacer les composants
individuels d’une plateforme IoT, limitant les temps
d’arrêt et optimisant les performances en fonction de la
demande. Ces technologies permettent le développe-
ment rapide des plateformes IoT et leur ajustement à
mesure que la technologie évolue et que la demande
augmente.
PRINTEMPS 2016 | THE DOPPLER | 27