• 数据的优化（Optimization） 当前工业现场存在大量的多样化异构数据，需要通过数据优化实现数据的聚合、数据的统一呈现与开 放，以灵活高效地服务于边缘应用的智能。 时序数据写入：支持每秒钟上千万上亿数据点的写入。 • 时序数据读取：支持在秒级对上亿数据的分组聚合运算。 • 成本敏感：由海量数据存储带来的是成本问题。如何更低成本地存储这些数据是时序数据库需要解决 的重中之重。 边缘数据是在网络边缘侧产生的，包括机器运行数据、环境数据以及信息系统数据等，具有高通量（瞬 间流量大）、流动速度快、类型多样、关联性强、分析处理实时性要求高等特点。 与互联网等商业大数据应用相比，边缘数据的智能分析有如下特点和区别： • 因果 VS 关联 边缘数据主要面向智能资产，这些系统运行一般有明确的输入输出的因果关系，而商业大数据关注的是 数据关联关系。 • 高可靠性 VS 较低可靠 制造业、交通等行业对模型的准确度和可靠性要求高，否则会带来财产损失甚至人身伤亡。而商业大数 据分析对可靠性要一般较低。边缘数据的分析要求结果可解释，所以黑盒化的深度学习方式在一些应用场景 受到限制。将传统的机理模型和数据分析方法相结合是智能分析的创新和应用方向。 边缘计算参考架构2.0 27 • 小数据 VS 大数据 机床，车辆等资产是人设计制造，其运行过程中的多数数据是可以预知的，其异常、边界等情况下的数 据才真正有价值。商业大数据分析则一般需要海量的数据。