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