本著要對消費產品、衛生保健、零售、生產等方面積極改革的信念，物聯網（IoT）承諾要把人們身邊的所有事物都智能化——冰箱、汽車、建筑物甚至油田，一切都將走向智能化。但物聯網也有它的陰暗面；如果我們不能解決它帶來的問題，那我們就有大麻煩了。

　　想要弄清物聯網到底有什么樣的隱患，最簡單的方法就是從它的配置下手。讓我們來假想以下場面：有一個大型食品倉庫和配送中心，兩者都采用了聯網設備來維持各個區域溫度，例如恒溫冷藏區、常溫區和冷凍區。

　　配置要求包括以下：

　　幾十個食品區域，排放要保證能最高效地利用能源；

　　倉庫里要裝幾千個恒溫計還有通風設施和濕度傳感器；

　　倉庫和配送中心外圍要安裝幾百個傳感器，例如墻上、屋頂、通風口等等；

　　幾十個供貨商負責提供設備和傳感器；

　　實時氣候變化通知，以免倉庫遭到不測；

　　排查一切可能會引起溫度失常或通風故障的安全漏洞和故障。

　　現在讓我們來看看物聯網的四大挑戰，以及如何解決這些問題。

　　問題1：對數據理解欠缺

　　你手里掌握著很多數據并不代表你能理解和活用它們。因為在以上案例中物聯網設備使用的區域廣、種類多，一個供貨商很難為整個倉庫給出最好的解決辦法。就算有人給出來了，他的方案也很有可能會被推翻重來，這樣單單成本就已經高得離譜了。

　　想要為倉庫打造一個高效、安全的物聯網環境，那就必須要建立 P2P 網絡，每一個商家提供的設備都能和別的商家的設備交換和交流信息。然而在供應商如此之多、而且倉庫中還保留了部分傳統設備的情況下。這套方案幾乎是不現實的。如果不能更好地解決這個問題的話，那么倉庫的物聯網設計師面臨的簡直就是個現代巴別塔。

　　要保證所有的數據都能互相理解溝通、發揮最大效用的話，可行方案之一就是建立一個樞紐模型。我們可以建立很多物聯網通路，中央服務器則負責全時段接收來自各個設備和傳感器的數據。規則引擎專門負責分析這些數據，然后集線器把正確的指令發送給接受控制器，比如由于陽光東南部外墻溫度較高，需要立即降低區域 2 的冷藏溫度。

　　這種集線器必須能夠翻譯翻譯不同種類的數據和單位，例如從攝氏度到華氏度。它還必須配備一個通用數據模型，這樣才能比較和整合來自不同來自不公供應商的設備的數據信息，于是才能保證系統能夠“理解數據”。

　　問題 2： 信息量實在太大

　　有些情況下，由于整個系統的數據量實在太大，把數據通過網絡傳送到某個中央服務器是根本不可能的。舉個栗子，單單是裝在倉庫墻上的某一個傳感器，它要采集的數據就有溫度、濕度、硬件版本、軟件版本、剩余電量、位置變動等等，你要是想聽的話我還有一大串能講。

　　這些信息可能每 30 秒鐘都會更新一次，或者可能由于環境要求，幾秒鐘就得更新一次。但是由于信息量實在太大，把這些數據全部發送到中央服務器是不可能的。而且整個倉庫還不止這一個傳感器，全部加起來大概有好幾千個；它們可能連型號都不一樣。

　　這時候我們就需要信息整合方案，保證系統能夠篩選出必要信息，轉換成通用數據模型，然后下達報告、維修等各種指令。比方說，我們案例中的倉庫可以僅通過區域 3 外墻上的 50 個傳感器就判斷出整個區域 3 的內外溫度平衡狀態。

　　問題 3： 安全性

　　之前我們說，P2P 模型物聯網對于我們案例中的倉庫或是在任何物聯網的大面積使用案例中都至關重要。但是這個方案也會帶來巨大的安全隱患。

　　整個系統的安全性取決于全系統中安全最差的那個設備。如果某一個供應商提供的設備安全性較差，那么其他的供應商提供的設備再安全也沒用；一個設備出錯，可能就會引起意想不到的蝴蝶效應。舉個栗子，一個有安全漏洞的設備可能會向設備匯報錯誤的室外溫度，造成設備下達調溫指令錯誤，整個區域的溫度出錯，于是區域里的食品也全部都壞了。

　　想要解決這個問題的話，整個倉庫的 P2P 物聯網模型必須采取某種方式，好讓系統能通過確認某個傳感器附近的傳感器數據來二次檢查該傳感器給的數據。舉個栗子，如果某一個室外傳感器測出的溫度特別高，而它附近的傳感器給的溫度卻都普遍比它低的時候，系統就不該僅針對該傳感器給的數據立刻下達溫度調節指令。系統應該發送警報，驗證該傳感器的可靠性并再次確認和比較其周邊傳感器所給的數據。

　　通過確認周邊傳感器的數據來驗證數據可靠性是個非常實用的辦法。除此之外，我們還可以讓系統通過回顧歷史數據中的異常讀數，判斷這些異常是否和氣候情況、庫存量、年份月份、一天中的時間點等因素有關。

　　問題 4： 設備出問題

　　物聯網還有一個弊端，我稱之為“神經病設備”，指的就是物聯網設備或是傳感器莫名其妙地突然出故障，開始向系統發送錯誤的讀數。這種設備的“神經病”癥狀有很多潛在原因；最有可能的有軟件 bug、電量低下、或是設備本身有缺陷等等。比較罕見的原因也可能是裝修工不小把油漆灑到了設備上，遮住了傳感器的某塊夾板。

　　雖說這些“神經病設備”并不會對系統造成外在的安全威脅，但它們的破壞力是不可估量的。比如在我們的倉庫案例中，如果管理員沒有按照我們之前的提議做好保險措施的話，這種故障可能就會讓某個區域的食品全部變質。就如我們之前所說，提防這些“神經病設備”和提高系統安全性的辦法是可以通用的。比較歷史異常讀數、確認周邊傳感器讀數等，這些方案都能有效地防止系統做出毀滅性的決定或是下達危險指令。

　　很多企業都認為物聯網是個商機，他們可以把物聯網運用到現有的產品中。而在這些野心勃勃的計劃成真之前，物聯網設計師必須清楚物聯網的弊端和危險性。知道最簡單也最重要的方法是什么嗎？首先要謹慎選擇你的供應商。記得要選擇能整合和擴展的平臺，開發通用數據模型。總之每一步都千萬要謹慎，要預料到最壞的情況，制作出最完善的解決方案。有了這些，你才能成功。