跳到主要內容

QIoT Containers:您專屬的 IoT 私有雲平台

QIoT Containers

您專屬的 IoT 私有雲平台

軟體容器 (Container) 技術不僅簡化了軟體架構和開發流程,更有助於物聯網 (IoT) 應用的發展,為世界帶來巨大改變。QNAP 賦予 NAS 嶄新的意義,奠基於 Container Station (軟體容器工作站) 提供了「QIoT Containers」平台,幫助您快速地架構 IoT 環境與應用部署。

物聯網:科技業革命性的新浪潮

物聯網 (Internet of Things,簡稱 IoT) 是指眾多的物件,包含:電腦、智慧型裝置、可穿戴裝置 (Wearable)、家用設備及其他聯網裝置,彼此透過網路連結,進行信息交換。物聯網生態結合了人與人、人與物,以及物與物之間的關聯,並在過程中產生大量的資料收集與交換,實現智能化管理,並進一步分析資料以獲得洞見,幫助改善效率、減少浪費,或開創商機與新價值。

IoT 產生的龐大資料如何儲存?

現在,萬物皆聯網,由各式裝置產生的大量資料不斷增加。您或許選擇將 IoT 資料儲存於便利的公有雲端空間中,但儲存空間的成本所費不貲,而且還有不可忽視的個人隱私與資料安全疑慮。將重要資料暴露於公司/組織以外的第三方儲存處所,也意味著失去對資料的掌控等潛在風險。

安全私有雲,是您 IoT 應用的最佳後盾

考慮到公有雲部分不利的限制,私有雲則是一個較可靠且符合經濟效益的解決方案,有效支持 IoT 應用所需要的儲存系統。QNAP NAS 不僅提供大儲存空間,亦支援許多協定和安全機制,可做為理想的 IoT 應用平台;搭配軟體容器的支援,透過豐富的 Container 套件,將有助於加速 IoT 應用的開發和部署,是簡化服務架構、推動微服務的最佳選擇。

更快捷的 IoT:利用軟體容器建構微服務

微服務 (Microservices) 將應用程式切割成多個單純、小型的功能/服務,再利用模組化方式組合出大型應用程式,滿足特定業務目標。軟體容器 (Container) 靈活、可擴充套件的特性,使其極適合應用於微服務架構當中,並使用於 IoT 系統。尤其單一容器單一應用,以及可獨立部署的特性相當符合 IoT 架構的需求,更讓軟體容器成為建構微服務的理想工具,不但可針對單個組件來更新應用程式,而不影響其他部分,還可隨時依據企業或客戶需求調整應用程式,更新更快、更容易。

快速設計專屬於您的 IoT 套件

利用「QIoT Containers」設計 IoT 應用套件,您便可享有更高的自主性來創造專屬又具隱私的 IoT 私有雲平台。只要在每個建構步驟選擇一個軟體容器,並安裝於 Container Station,短短幾分鐘就能架構完成、開始使用。
QNAP Container Station 獨家支援 LXC 與 Docker® 兩項輕量級虛擬技術,提供多元豐富的軟體容器,是開發者輕鬆利用、快速開發,與便利部署物聯網應用的最佳平台。立即在 Container Station 內搜尋「IoT」,取得適用的軟體容器,便可以多元開創您的物聯網應用。

IoT 應用案例

開發者僅需數十美金的成本,在開發板 (如:Raspberry Pi) 上連接上煙霧、溫度、或濕度感應器,即可快速開發出一套簡易的智慧家庭專案。QIoT Containers 提供多種通訊協定以及 Dashboard 套件,幫助使用者輕易地將感應器接至開發板,並在 QNAP NAS 中設定 MQTT、Node-RED、Freeboard 等套件。由感應器接收到的資料則會透過網路回傳至 NAS,使用者可透過 Dashboard 的呈現來同時遠端監測家中環境品質。

工業物聯網

工業物聯網 (Industrial Internet of Things,簡稱 IIoT) 為企業成長與產業發展開啟了無限潛能。QIoT Containers 提供經濟實惠的方法,協助傳統工業通訊協定 (如:Modbus、Koyo、Omron、Melsec、Siemens 等) 與新世代 IoT 協定整合。透過 IP 設定,將邊緣閘道器 (Edge gateway)、Moebus 或 PLC 連上網際網路,減少建置在地閘道 (Field gateway) 的成本。

智慧停車管理

IoT 應用於停車管理,可協助改善管理效率和大眾安全。不僅停車場管理員可更精確地掌握停車空間的使用狀況,讓工作有效率,使用者也能更快速地找到停車位。此應用在擁擠市區、城鎮中更顯益處。

智慧家庭

智慧家庭旨在為家庭生活帶來更大的舒適與便利,豐富的應用層面包含:智慧門禁管理、照明調控、室內溫度與濕度調控,以及安全監控與警報器的自動化等等。IoT 智慧家庭透過網路連結了智慧家電、感測器、娛樂裝置和行動裝置,有效整合了居家環境的自動化和安全管理

醫療保健/個人健康照護

將 IoT 導入醫療領域,將可有效擴大服務範圍與改善醫學品質,提高效率同時降低照護的成本。實務上可應用的範圍相當廣闊,包含臨床照護乃至遠距的病人即時監控與照護追蹤等等。藉由 IoT 技術在智慧醫療的應用下,個人的完整健康資訊將可被有效收集、存檔與分析,並在需要時給予合適的健康管理建議。

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...