百度智能云发9款IoT新品，尹世明谈ABC+X

在去年的百度智能物联网峰会上，百度除了继续在讲“ABC+IoT”外，强调了边缘计算，发布了智能边缘BIE（Baidu IntelliEdge）。

其实，早在2017年，在尹世明入职百度，任职百度副总裁、百度智能云总经理数月后，就为百度智能云此前的ABC加了一个IoT，也就有了现在百度智能云的ABC+IoT。

2018年是IoT被喊得最响亮的一年，包括阿里、华为等互联网时代的佼佼者纷纷将IoT定为公司层面的发展战略。与阿里、华为相同的是，百度的IoT业务同样基于云基础业务，在智能云事业部（2018年12月升级为智能云事业群组）下开展；不同的是，百度的天工物联网平台仍是相对低调。不过，百度在IoT的发力仍然明显，在2018年，尹世明亲自接受多家专业媒体采访，为百度智能云物联网，为其ABC+IoT战略铺路。

5月30日，在2019 ABC Inspire智能物联网峰会上， 百度智能云升级天工物联网平台，就边云融合、时空洞察、数据智能发布9款产品，尹世明也再次登台解读ABC+IoT战略新发展。

物联网在2018年正式从幕后转向台前，在此之前，各玩家已经先后布局并零星可见在各产业试水应用。百度智能云正式对外公布进入物联网领域是在2016年，2016年7月，百度天工物联网平台正式发布，入局物联网，随后发布了物接入、物解析、规则引擎、物可视、时序数据库TSDB等物联网产品。

这之后的三年中，百度在物联网领域的重点布局也清晰可见。2017年，重点布局百度大脑；2018年，重点布局智能边缘BIE；2019年，百度的重心则是边云智能升级。

百度智能云副总经理管瑞峰认为，新一代智能物联网平台将向三个方向突破：第一，向边界突破，形成边云融合；第二，在时间和空间的维度上寻求突破；第三，利用数据智能对场景突破。 边 云融合、时空洞察和数据智能，将成为下一代智能物联网平台的核心要素。

“ 2019年是边云融合计算商业化元年。 ”管瑞峰在峰会上这样称。这主要体现在三个方面：

消防烟感需要时间戳、设备位置、烟雾浓度、报警状态、故障状态、覆盖范围6个维度信息；无人机需要时间戳、经纬度、高度、电量、农作物长势等50个维度信息；新能源 汽车 需要时间戳、经纬度、充电状态、探针温度等100个维度信息。其中，时间和空间成为两个基础维度信息。

百度智能云天工物联网平台在发布之初，首批产品中即有时序数据库TSDB。管瑞峰表示，这正是百度智能云在时空洞察方面的布局。其中，时间维度上包括存储、分析、洞察，空间维度上包括位置标识、轨迹规划、全局优化。

以百度地图为例，百度地图是百度面向C端的产品，在为用户提供服务同时，同时拥有15亿POI、850万公里的路网空间数据，基于此，百度则可以提供诸如定位、地图、搜索、鹰眼轨迹、导航、路线规划、路况能力。与此同时，空间能力也被百度结合百度智能云为B端用户提供服务，官方数据显示，包括165万开发者、65万应用。

数据智能要击穿B端，首先解决行业理解（行业知识）问题。例如， 汽车 生产线上有一百多个生产指标，如何从众多数据指标中抽取出与积漆有关联的关键指标进行生产线积漆模型构建就成为关键。“利用天工的时序数据库、行业洞察及其他平台能力与模型训练结合起来，通过一个工程师可以实现模型训练和工程研发。”

而此次峰会上，作为主角的是百度智能云针对物联网领域发布的9款产品，包括针对边云融合推出的百度智能边缘20和三款智能边缘硬件（天工IoT Module、BIE AI BOX、BIE Developer Kit），针对时空洞察推出的地图空间服务、货运路径规划、智能调度ROS，以及针对数据智能推出的百度智能时序洞察（公测阶段）、小度企业音箱行业解决方案。

百度智能云物联网产品总监周保玉上台首先介绍了百度智能云天工物联网平台的无接入、规则引擎、时序数据库、物可视基础能力的升级。具体包括：

接下来则是此次峰会的主角，百度智能云发布的9款新品。

第一款，发布百度智能边缘（BIE）20。 自去年发布百度智能边缘后，如今已经支持Ubuntu、Debian等40+种 *** 作系统版本，支持x86、x86_64、arm等主流硬件平台，此次的20版本主要有以下三个方面的升级：

第二款，天工IoT Module。 百度联合Quectel推出包括NB-IoT、2G、4G的IoT模组（均通过了FCC、CE认证），这些模组预装百度智能云的IoT SDK，可提供诸如免GNSS智能定位等服务。

第三款，BIE AI BOX。 百度智能云今年年初联合英特尔推出BIE AI BOX，BIE AI BOX除了配置了Arm处理器外，还配置了movidius视觉协处理，从而实现云上训练、边缘预测。

第四款，BIE Developer Kit。 百度智能云联合英伟达、伙伴米文动力合作开发BIE Developer Kit，该产品预装OpenEdge，支持PaddlePaddle、TensorFlow、Caffe等主流深度学习框架。

第五款，地图空间服务。 百度智能云天空联合百度地图推出地「图空间服务」。具体包括三方面：

第六款，货运路径规划。 针对物流行业，推出货运路径规划，提供包括限高、限款、险重、限轴、限行信息，货运限行数据达200路线规划能力支持里程、时间、收费、路况等十几种路线偏好。

第七款，智能调度（ROS）。 百度智能云的智能调度（ROS）可以快速地生成千万级的路网数据，能够同时支持6000+网店配送任务，同时进行规划和计算，并且针对复杂的城配场景支持附加时间窗口、满载率等20多种约束条件。

第八款，时序洞察。 周保玉称，“做时序洞察这款产品的核心目的是两个：一是降低IoT行业运用门槛，提高落地效率；二是希望这款产品能够作为载体，承载行业知识的沉淀。”该产品主要有三方面能力：

第九款，小度企业音箱行业解决方案。 小度智能音箱最初为面向C端产品，百度现已经将其拓展到B端应用中。小度企业音箱行业解决方案可以提供首屏定制、行业功能定制、硬件定制、行业系统对接等定制能力。目前已应用到诸如地产、酒店、银行等行业中。

据雷锋网了解，百度智能云以上9款产品均以应用到行业中，包括在智能边缘计算方面与雅砻江合作，启动智能电站规划工作；智能调度（ROS）应用到车满满SaaS云平台，提供货运路径规划一体化解决方案；小度企业音箱行业解决方案方面与深圳市碧城智慧 科技 合作，在智慧地产方面打造惠州潼湖 科技 小镇等。

尹世明：百度智能云ABC+X，IoT、5G、边缘计算

在2018年9月，百度智能云ABC战略升级到30，尹世明现场再次重申ABC 30的能力。

众所周知，百度智能云以B端业务为主，尹世明表示，智联网时代，To C技术开始进入To B领域，企业技术架构也必将受到很大冲击。

谈到企业数字化转型和AI转型，尹世明表示，在传统Client Server架构上做AI加持并不容易，如果对底层MES系统、DCS系统、ERP、物流软件整个过程中每一台设备都配备一个AI引擎更加困难。百度为此提出了ABC+X，“将计算、数据、AI，以及现今更先进5G、边缘计算技术统一到智能云端。”

以5G为例，传统设备升级应用5G技术需要在每一台应用设备中装一个5G连接或计算模块，这在实际应用环境中很难实现。4月11日，百度联合华为、中国移动展示了基于5G SA架构的5G Vertical LAN（行业局域网）技术及基于此的8K互联网视频直播，该技术可提供定制化5G行业局域网，使得企业终端与企业云处于同一个“局域网”中。

就当下百度智能云ABC+X架构在物联网上的应用，我们思考更多的是设备（物），所以我们有物的边缘，我们有移动的边缘。左边是物边缘，移动边缘，云边缘，右边是局域网、无线网、骨干网。“这样的分布式架构使得在1毫秒、10毫秒、100毫秒之内能够将相关的能力汇聚到一起。”

过去传统的技术架构无法实现实时响应。以ERP系统为例，传统的ERP系统是层级化的，所有数据经过排期之后必然有延时，这个延时可能是分钟级的，也可能是小时级的，因而难以实现实时响应。“物联网到来之后，当我们边缘计算、云计算融为一体，实时响应将有可能实现。”

雷锋网小结

纵观百度此次针对物联网行业应用推出的9款产品，除去沿袭其一直在布局的边缘计算以外，在模组方面发的三款产品仍是以行业合作为主，包括与英特尔、英伟达、米动 科技 等合作，百度主要提供的仍是其云端能力；而诸如货运路径、智能调度、时序洞察等产品，仍是基于百度自身在大数据和数据分析能力上的积累。

雷锋网认为，物联网就本质而言，一定程度上可以理解为万物的是数据化、数字化，再辅以数据分析和人工智能的能力，将会对产业带来深远的影响。也正如尹世明为百度智能云制定的ABC+X的战略，或将是未来企业数字化、智能化转型的一个思路。

你好

客观地讲prometheus较zabbix好：（个人观点，仅供参考）

1、pull方式获取node数据，并且节点node也可以通过web来查看获取数据。

2、告警和监控分离的设计，可以做告警的高可用，也在一定程度上解决了单点故障。

3、promSQL，可以使用大量内置函数解决多维度查询和分类。

4、时序数据库，可以直接获取时间阶段的变量值和变率，可以简化一部分指标的计算步骤。

但并没有感觉到目前“非常火”的原因。

希望对你有帮助

对于互联网业务来说，传统的直接访问数据库方式，主要通过数据分片、一主多从等方式来扛住读写流量，但随着数据量的积累和流量的激增，仅依赖数据库来承接所有流量，不仅成本高、效率低、而且还伴随着稳定性降低的风险。

鉴于大部分业务通常是读多写少（读取频率远远高于更新频率），甚至存在读 *** 作数量高出写 *** 作多个数量级的情况。因此， 在架构设计中，常采用增加缓存层来提高系统的响应能力 ，提升数据读写性能、减少数据库访问压力，从而提升业务的稳定性和访问体验。

根据 CAP 原理，分布式系统在可用性、一致性和分区容错性上无法兼得，通常由于分区容错无法避免，所以一致性和可用性难以同时成立。对于缓存系统来说， 如何保证其数据一致性是一个在应用缓存的同时不得不解决的问题 。

需要明确的是，缓存系统的数据一致性通常包括持久化层和缓存层的一致性、以及多级缓存之间的一致性，这里我们仅讨论前者。持久化层和缓存层的一致性问题也通常被称为双写一致性问题，“双写”意为数据既在数据库中保存一份，也在缓存中保存一份。

对于一致性来说，包含强一致性和弱一致性 ，强一致性保证写入后立即可以读取，弱一致性则不保证立即可以读取写入后的值，而是尽可能的保证在经过一定时间后可以读取到，在弱一致性中应用最为广泛的模型则是最终一致性模型，即保证在一定时间之后写入和读取达到一致的状态。对于应用缓存的大部分场景来说，追求的则是最终一致性，少部分对数据一致性要求极高的场景则会追求强一致性。

为了达到最终一致性，针对不同的场景，业界逐步形成了下面这几种应用缓存的策略。

— 1 —

Cache-Aside

Cache-Aside 意为旁路缓存模式，是应用最为广泛的一种缓存策略。下面的图示展示了它的读写流程，来看看它是如何保证最终一致性的。在读请求中，首先请求缓存，若缓存命中（cache hit），则直接返回缓存中的数据；若缓存未命中（cache miss），则查询数据库并将查询结果更新至缓存，然后返回查询出的数据（demand-filled look-aside ）。在写请求中，先更新数据库，再删除缓存（write-invalidate）。

1、为什么删除缓存，而不是更新缓存？

在 Cache-Aside 中，对于读请求的处理比较容易理解，但在写请求中，可能会有读者提出疑问，为什么要删除缓存，而不是更新缓存？站在符合直觉的角度来看，更新缓存是一个容易被理解的方案，但站在性能和安全的角度，更新缓存则可能会导致一些不好的后果。

首先是性能 ，当该缓存对应的结果需要消耗大量的计算过程才能得到时，比如需要访问多张数据库表并联合计算，那么在写 *** 作中更新缓存的动作将会是一笔不小的开销。同时，当写 *** 作较多时，可能也会存在刚更新的缓存还没有被读取到，又再次被更新的情况（这常被称为缓存扰动），显然，这样的更新是白白消耗机器性能的，会导致缓存利用率不高。

而等到读请求未命中缓存时再去更新，也符合懒加载的思路，需要时再进行计算。删除缓存的 *** 作不仅是幂等的，可以在发生异常时重试，而且写-删除和读-更新在语义上更加对称。

其次是安全 ，在并发场景下，在写请求中更新缓存可能会引发数据的不一致问题。参考下面的图示，若存在两个来自不同线程的写请求，首先来自线程 1 的写请求更新了数据库（step 1），接着来自线程 2 的写请求再次更新了数据库（step 3），但由于网络延迟等原因，线程 1 可能会晚于线程 2 更新缓存（step 4 晚于 step 3），那么这样便会导致最终写入数据库的结果是来自线程 2 的新值，写入缓存的结果是来自线程 1 的旧值，即缓存落后于数据库，此时再有读请求命中缓存（step 5），读取到的便是旧值。

2、为什么先更新数据库，而不是先删除缓存？

另外，有读者也会对更新数据库和删除缓存的时序产生疑问，那么为什么不先删除缓存，再更新数据库呢？在单线程下，这种方案看似具有一定合理性，这种合理性体现在删除缓存成功。

但更新数据库失败的场景下，尽管缓存被删除了，下次读 *** 作时，仍能将正确的数据写回缓存，相对于 Cache-Aside 中更新数据库成功，删除缓存失败的场景来说，先删除缓存的方案似乎更合理一些。那么，先删除缓存有什么问题呢？

问题仍然出现在并发场景下，首先来自线程 1 的写请求删除了缓存（step 1），接着来自线程 2 的读请求由于缓存的删除导致缓存未命中，根据 Cache-Aside 模式，线程 2 继而查询数据库（step 2），但由于写请求通常慢于读请求，线程 1 更新数据库的 *** 作可能会晚于线程 2 查询数据库后更新缓存的 *** 作（step 4 晚于 step 3），那么这样便会导致最终写入缓存的结果是来自线程 2 中查询到的旧值，而写入数据库的结果是来自线程 1 的新值，即缓存落后于数据库，此时再有读请求命中缓存（ step 5 ），读取到的便是旧值。

另外，先删除缓存，由于缓存中数据缺失，加剧数据库的请求压力，可能会增大缓存穿透出现的概率。

3、如果选择先删除缓存，再更新数据库，那如何解决一致性问题呢？

为了避免“先删除缓存，再更新数据库”这一方案在读写并发时可能带来的缓存脏数据，业界又提出了延时双删的策略，即在更新数据库之后，延迟一段时间再次删除缓存，为了保证第二次删除缓存的时间点在读请求更新缓存之后，这个延迟时间的经验值通常应稍大于业务中读请求的耗时。

延迟的实现可以在代码中 sleep 或采用延迟队列。显而易见的是，无论这个值如何预估，都很难和读请求的完成时间点准确衔接，这也是延时双删被诟病的主要原因。

4、那么 Cache-Aside 存在数据不一致的可能吗？

在 Cache-Aside 中，也存在数据不一致的可能性。在下面的读写并发场景下，首先来自线程 1 的读请求在未命中缓存的情况下查询数据库（step 1），接着来自线程 2 的写请求更新数据库（step 2），但由于一些极端原因，线程 1 中读请求的更新缓存 *** 作晚于线程 2 中写请求的删除缓存的 *** 作（step 4 晚于 step 3），那么这样便会导致最终写入缓存中的是来自线程 1 的旧值，而写入数据库中的是来自线程 2 的新值，即缓存落后于数据库，此时再有读请求命中缓存（step 5），读取到的便是旧值。

这种场景的出现，不仅需要缓存失效且读写并发执行，而且还需要读请求查询数据库的执行早于写请求更新数据库，同时读请求的执行完成晚于写请求。足以见得，这种 不一致场景产生的条件非常严格，在实际的生产中出现的可能性较小 。

除此之外，在并发环境下，Cache-Aside 中也存在读请求命中缓存的时间点在写请求更新数据库之后，删除缓存之前，这样也会导致读请求查询到的缓存落后于数据库的情况。

虽然在下一次读请求中，缓存会被更新，但如果业务层面对这种情况的容忍度较低，那么可以采用加锁在写请求中保证“更新数据库&删除缓存”的串行执行为原子性 *** 作（同理也可对读请求中缓存的更新加锁）。 加锁势必会导致吞吐量的下降，故采取加锁的方案应该对性能的损耗有所预期。

— 2 —

补偿机制

我们在上面提到了，在 Cache-Aside 中可能存在更新数据库成功，但删除缓存失败的场景，如果发生这种情况，那么便会导致缓存中的数据落后于数据库，产生数据的不一致的问题。

其实，不仅 Cache-Aside 存在这样的问题，在延时双删等策略中也存在这样的问题。针对可能出现的删除失败问题，目前业界主要有以下几种补偿机制。

1、删除重试机制

由于同步重试删除在性能上会影响吞吐量，所以常通过引入消息队列，将删除失败的缓存对应的 key 放入消息队列中，在对应的消费者中获取删除失败的 key ，异步重试删除。这种方法在实现上相对简单，但由于删除失败后的逻辑需要基于业务代码的 trigger 来触发 ，对业务代码具有一定入侵性。

鉴于上述方案对业务代码具有一定入侵性，所以需要一种更加优雅的解决方案，让缓存删除失败的补偿机制运行在背后，尽量少的耦合于业务代码。一个简单的思路是通过后台任务使用更新时间戳或者版本作为对比获取数据库的增量数据更新至缓存中，这种方式在小规模数据的场景可以起到一定作用，但其扩展性、稳定性都有所欠缺。

一个相对成熟的方案是基于 MySQL 数据库增量日志进行解析和消费，这里较为流行的是阿里巴巴开源的作为 MySQL binlog 增量获取和解析的组件 canal（类似的开源组件还有 Maxwell、Databus 等）。

canal sever 模拟 MySQL slave 的交互协议，伪装为 MySQL slave，向 MySQL master 发送 dump 协议，MySQL master 收到 dump 请求，开始推送 binary log 给 slave （即 canal sever ），canal sever 解析 binary log 对象（原始为 byte 流），可由 canal client 拉取进行消费，同时 canal server 也默认支持将变更记录投递到 MQ 系统中，主动推送给其他系统进行消费。

在 ack 机制的加持下，不管是推送还是拉取，都可以有效的保证数据按照预期被消费。当前版本的 canal 支持的 MQ 有 Kafka 或者 RocketMQ。另外， canal 依赖 ZooKeeper 作为分布式协调组件来实现 HA ，canal 的 HA 分为两个部分：

那么，针对缓存的删除 *** 作便可以在 canal client 或 consumer 中编写相关业务代码来完成。这样，结合数据库日志增量解析消费的方案以及 Cache-Aside 模型，在读请求中未命中缓存时更新缓存（通常这里会涉及到复杂的业务逻辑），在写请求更新数据库后删除缓存，并基于日志增量解析来补偿数据库更新时可能的缓存删除失败问题，在绝大多数场景下，可以有效的保证缓存的最终一致性。

另外需要注意的是，还应该隔离事务与缓存，确保数据库入库后再进行缓存的删除 *** 作。 比如考虑到数据库的主从架构，主从同步及读从写主的场景下，可能会造成读取到从库的旧数据后便更新了缓存，导致缓存落后于数据库的问题，这就要求对缓存的删除应该确保在数据库 *** 作完成之后。所以，基于 binlog 增量日志进行数据同步的方案，可以通过选择解析从节点的 binlog，来避免主从同步下删除缓存过早的问题。

3、数据传输服务 DTS

— 3 —

Read-Through

Read-Through 意为读穿透模式，它的流程和 Cache-Aside 类似，不同点在于 Read-Through 中多了一个访问控制层，读请求只和该访问控制层进行交互，而背后缓存命中与否的逻辑则由访问控制层与数据源进行交互，业务层的实现会更加简洁，并且对于缓存层及持久化层交互的封装程度更高，更易于移植。

— 4 —

Write-Through

Write-Through 意为直写模式，对于 Write-Through 直写模式来说，它也增加了访问控制层来提供更高程度的封装。不同于 Cache-Aside 的是，Write-Through 直写模式在写请求更新数据库之后，并不会删除缓存，而是更新缓存。

这种方式的 优势在于读请求过程简单 ，不需要查询数据库更新缓存等 *** 作。但其劣势也非常明显，除了上面我们提到的更新数据库再更新缓存的弊端之外，这种方案还会造成更新效率低，并且两个写 *** 作任何一次写失败都会造成数据不一致。

如果要使用这种方案， 最好可以将这两个 *** 作作为事务处理，可以同时失败或者同时成功，支持回滚，并且防止并发环境下的不一致 。另外，为了防止缓存扰动的频发，也可以给缓存增加 TTL 来缓解。

站在可行性的角度，不管是 Write-Through 模式还是 Cache-Aside 模式，理想状况下都可以通过分布式事务保证缓存层数据与持久化层数据的一致性，但在实际项目中，大多都对一致性的要求存在一些宽容度，所以在方案上往往有所折衷。

Write-Through 直写模式适合写 *** 作较多，并且对一致性要求较高的场景，在应用 Write-Through 模式时，也需要通过一定的补偿机制来解决它的问题。首先，在并发环境下，我们前面提到了先更新数据库，再更新缓存会导致缓存和数据库的不一致，那么先更新缓存，再更新数据库呢？

这样的 *** 作时序仍然会导致下面这样线程 1 先更新缓存，最后更新数据库的情况，即由于线程 1 和 线程 2 的执行不确定性导致数据库和缓存的不一致。这种由于线程竞争导致的缓存不一致，可以通过分布式锁解决，保证对缓存和数据库的 *** 作仅能由同一个线程完成。对于没有拿到锁的线程，一是通过锁的 timeout 时间进行控制，二是将请求暂存在消息队列中顺序消费。

在下面这种并发执行场景下，来自线程 1 的写请求更新了数据库，接着来自线程 2 的读请求命中缓存，接着线程 1 才更新缓存，这样便会导致线程 2 读取到的缓存落后于数据库。同理，先更新缓存后更新数据库在写请求和读请求并发时，也会出现类似的问题。面对这种场景，我们也可以加锁解决。

另在，在 Write-Through 模式下，不管是先更新缓存还是先更新数据库，都存在更新缓存或者更新数据库失败的情况，上面提到的重试机制和补偿机制在这里也是奏效的。

— 5 —

Write-Behind

Write behind 意为异步回写模式，它也具有类似 Read-Through/Write-Through 的访问控制层，不同的是，Write behind 在处理写请求时，只更新缓存而不更新数据库，对于数据库的更新，则是通过批量异步更新的方式进行的，批量写入的时间点可以选在数据库负载较低的时间进行。

在 Write-Behind 模式下，写请求延迟较低，减轻了数据库的压力，具有较好的吞吐性。但数据库和缓存的一致性较弱，比如当更新的数据还未被写入数据库时，直接从数据库中查询数据是落后于缓存的。同时，缓存的负载较大，如果缓存宕机会导致数据丢失，所以需要做好缓存的高可用。显然，Write behind 模式下适合大量写 *** 作的场景，常用于电商秒杀场景中库存的扣减。

— 6 —

Write-Around

如果一些非核心业务，对一致性的要求较弱，可以选择在 cache aside 读模式下增加一个缓存过期时间，在写请求中仅仅更新数据库，不做任何删除或更新缓存的 *** 作，这样，缓存仅能通过过期时间失效。这种方案实现简单，但缓存中的数据和数据库数据一致性较差，往往会造成用户的体验较差，应慎重选择。

— 7 —

总结

在解决缓存一致性的过程中，有多种途径可以保证缓存的最终一致性，应该根据场景来设计合适的方案，读多写少的场景下，可以选择采用“Cache-Aside 结合消费数据库日志做补偿”的方案，写多的场景下，可以选择采用“Write-Through 结合分布式锁”的方案 ，写多的极端场景下，可以选择采用“Write-Behind”的方案。

您好，php格林威治时间转换的方法：首先定义一个PHP示例文件；然后输入语句为“$aa=strtotime("格林威治时间")”；最后通过“echo date("Y--m-d H:i:s",$aa)”方法获取转换结果即可。

以上就是关于百度智能云发9款IoT新品，尹世明谈ABC+X全部的内容，包括:百度智能云发9款IoT新品，尹世明谈ABC+X、prometheus比zabbix好在哪点、如何保证数据库缓存的最终一致性等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！