Category: Internet of Things

在实际生产物联网设备，一般会量产部署上百万设备。这些设备到达客户手上，或者部署到生产系统后，如何安全管理设备成为一个很大的难题，例如远程升级设备这些常见操作。物联网设备往往没有屏幕，也没有工作人员在设备前进行手动管理。升级操作如何触发？升级失败后如何回滚，并上报升级状态？在这种场景下就需要提前设计一套系统，自动化进行设备管理。

本文将介绍如何使用Amazon IoT控制网络摄像头的布防撤防状态，通过Kinesis Video Streams服务上传云端，同时可以使用Amazon Rekognition服务提供人脸的识别，提供更精准的警报推送服务

本博文介绍如何使用Terraform来对Amazon IoT进行规则操作的自动化部署。详细介绍了如何利用Amazon IoT规则操作在DynamoDB，通过Kinesis Data Firehose在S3来存储数据，以及使用Lambda进行数据处理。另外也提供了具体的Terraform部署模版的示例代码，供大家参考，从而更好的让大家能通过Terraform部署模版来自动化部署相关IoT规则操作，更好的便于管理以及可重复应用。

对于IoT设备的管理，设备状态的管理是重要的一项，一般来说我们可以根据Amazon IoT Core提供的设备影子来实时查看设备状态信息。但对于IoT设备的异常断开连接，我们需要一些额外的机制比如LWT来获知设备状态信息。另外，如果有些客户因为某些原因并没有使用设备影子，可以利用Amazon IoT的生命周期事件来查看设备状态并进行管理。本文将详细讲述上述问题的解答。

2020 年，我们推出了 AWS IoT Greengrass 2.0，这是一项用于构建、部署和管理设备软件和应用程序的开源边缘运行时和云服务。今天，我们非常高兴地宣布能够使用 AWS Systems Manager (SSM) 安全地管理您的 AWS IoT Greengrass 边缘设备。 对于边缘设备的管理员来说，远程管理大量不同的系统和应用程序可能是一项挑战。AWS IoT Greengrass 旨在使这些管理员能够管理其边缘设备应用程序堆栈。尽管这可以满足许多典型边缘设备管理员的需求，但这些设备上的系统软件仍然需要通过与其更广泛的 IT 企业相一致的运营策略进行更新和维护。为此，管理员通常必须构建或集成工具来创建一个集中式界面来管理边缘和 IT 设备软件堆栈——从安全更新到远程访问和操作系统补丁不等。 直到今天，IT 管理员仍然必须构建或集成自定义工具，以确保边缘设备可以通过一组一致的策略与 EC2 和本地实例一起管理。跨各种边缘和 IT 系统大规模管理设备和系统软件成为一项巨大的时间和金钱投资。这段时间可以更好地用于部署、优化和管理它们所维护的边缘设备。 新增功能 今天，我们集成了 IoT Greengrass 和 Systems Manager，以简化边缘设备系统软件的管理和维护。与 AWS IoT Greengrass 客户端软件结合使用时，边缘设备管理员现在可以远程访问和安全地管理他们拥有的众多设备——从操作系统补丁到应用程序部署不等。此外，维护边缘计算系统的定期操作可以自动执行，而无需创建额外的自定义流程。对于 IT 管理员，此版本通过集中式界面提供了所有设备的完整概览，并提供了一组与 AWS Systems Manager 保持一致的工具和策略。 对于刚接触 AWS IoT Greengrass 平台的客户而言，与 Systems Manager 的集成通过新的入门向导进一步简化了设置，该向导可将为边缘设备创建运营管理系统所需的时间从数周缩短至数小时。 这是如何实现的？ […]

在上一篇智能家居物联网平台博文中，我们阐述了设备到家后如何配网以及如何构建设备中心与用户中心，本文作为系列文章的第二篇，将介绍如何管理设备的状态。

模组配网

无论在工业物联网，还是在智能家居等各个行业，随着越来越多的物联网设备的接入，需要我们将这些设备批量的自动注册到物联网云平台中。另外，IoT设备连接后，随着对IoT数据的越来越多的获取，对这些IoT数据需要进行分层次存储和处理，同时，对云平台物联网业务和规则的自动化部署也能很好的帮助客户对物联网平台业务进行快速的部署和搭建。本博文很好的描述了上述问题，同时提供了端到端的实现方案。

亚马逊云科技为工业客户提供了基于亚马逊云的虚拟安灯平台。针对于传统物理安灯系统开发和运维成本较高并不易规模化扩大问题，通过基于云平台的虚拟安灯能够帮助企业加速上线时间，节省部署成本并且实现灵大规模扩展。

物联网（IoT）的一个典型应用场景是能够从传感器数据中获取上下文洞察力，例如分析设备异常或者进行预测性维护，及时给予用户通知。在本文中，我们将专注于通过设备多项指标对设备进行预测性维护，利用机器学习算法，对设备运行状态进行预测，提前发现可能出现的异常，及时进行维护，避免出现严重的生产事故。