基于5G的物聯網大數據分析方法體系分析

傅宇

（廣東宜通衡睿科技有限公司 廣東省廣州市 510000）

伴隨著大數據、人工智能、云計算各種現代信息技術的快速發展，萬物互聯時代已經到來，海量數據信息予以運營商更多挑戰和機遇，在此情況下，通過對5G物聯網的研究，能夠切實帶動行業發展，提升5G物聯網大數據實際應用效能和應用水平。

1 基于5G的物聯網大數據帶來的挑戰和機遇

5G又可以稱之為第五代移動網絡通信技術，無論是在傳輸速度，還是在傳輸容量，相比于以往都具有較為明顯的應用優勢。根據相關理論研究發現，應用5G技術，從理論的角度整體傳輸速度能夠達到10Gbit/s，傳輸距離也得到較大程度的提高，整體傳輸距離能夠達到2km左右。5G技術的應用能夠打破時間和空間的限制，切實帶動數據傳輸效率。根據我國工信部發布的《2020年通信業統計公報》，2020年我國新建基站數量就已經超過60萬個，而當前全國已經完成搭建工作的5G基站已經達到71.8萬，5G網絡信號開始遍布于社會各界[1]。與此同時，從網絡建設的角度進行分析，移動終端的普及促使人們能夠更加直接地應用技術手段完成數據處理。5G與4G移動通信技術相比，將會切實推動萬物互聯時代的發展，整體服務對象也開始從人聯網朝向物聯網前進。今后，5G技術也開始朝向更加精細化的方向發展，從而更好地發揮技術效能，也予以運營商諸多挑戰和機遇。

（1）在信息傳輸速率不斷提升的同時，數據量也在相應增長，海量數據信息予以運營商更多挑戰。5G時代，海量數據信息雖然予以運營商更多價值和意義，但是在數據存儲、傳輸等方面的處理成本和處理時間也相應增長。在此情況下，運營商應當加強大數據平臺處理架構升級，促使整個數據處理流程能夠更好地適應時代發展要求。

（2）5G技術也實現了萬物互聯時代的開啟，無論是在數據維度，還是在數據種類方面都能夠不斷優化，數據類別也更加多樣，不僅包括圖片，而且還有以視頻為代表的非結構化數據，海量數據接入也在一定程度上豐富應用場景，提升大數據應用效能。而根據相關統計報告顯示，我國物聯網行業應用滲透率已經從2017年的29%提升到2020年的65%，我國物聯網市場規模從2017年的11731億元提升到2020年的22079億元[2]。物聯網行業能夠廣泛應用于不同的行業類別，不同行業之間的業務差別存在差異，場景碎片化也日益明顯。與此同時，移動運營商也可以乘著5G技術的東風，有效應用于各個垂直行業領域，切實推動行業建設發展，實現數字化轉型升級。然而，運營商面臨的最為明顯問題則是人才短缺情況，現有部分運營商缺乏專業理論知識，很難和行業客戶展開深入交流和研究，在此情況下，應當加強人才隊伍建設，實現垂直行業人才培養工作。

（3）在物聯網大數據變革發展的同時，業務識別工作卻變得更加困難，對于不同的行業類別，物聯網應用層協議還并未構建統一標準，不同行業的協議標準存在差異，不同企業也會有所差異，這也就使得具體行業領域數據處理難度相應提高。通常而言，對于物聯網應用層協議，主要含有HTTP協議、MQTT協議，其中MQTT協議具有多方面的應用優勢，協議較為清晰簡單、方便閱讀、便于解析、開發成本較低，是當前應用較為廣泛的一種應用層協議。而對于眾多應用層協議，當運營商應用DPI深度報文處理技術時，也對物聯網數據流識別工作提出了更高的技術要求。

2 基于5G的物聯網大數據分析方法體系

2.1 平臺架構

現階段，基于5G的物聯網大數據進入了快速發展時期，社會各界對于數據的重視程度也在相應上升，通過構建基于5G的物聯網大數據分析方法體系，能夠有效應對不同行業的發展需求，從而更好地滿足不同行業領域的實際需求，切實發揮數據效用。5G時代的到來，數據信息和以往相比也發生了很大差別，對于數據存儲效率、數據處理方式提出了更好的技術要求。基于現階段已有的物聯網技術、5G技術，將其應用于各種業務領域，不僅能夠切實提高業務處理效能，而且還能更好地滿足客戶個性化需求，切實推動行業發展。例如，對于車聯網場景，則對實際運行效率、時延性提出了較高的技術要求，也需要相應提高數據平臺計算能力和處理速度。對于物聯網大數據平臺架構也將會不斷朝向中心+邊緣協同計算的角度進行發展，通過邊緣計算的方式，能夠實現大規模的數據分析，從而提升數據響應速度[3]。采用邊緣計算的方式，能夠實現高效能的數據處理，平臺處理和應用也并不會受到海量數據的影響。數據平臺能夠完成各種數據信息的收集、整合、審核分析工作，直到數據確認無誤之后，才能夠繼續下發到邊緣節點。從當前實際發展情況而言，采用中心平臺、邊緣節點的聯合協作方式，能夠有效改善平臺應用效能，更好地滿足多種業務場景。而中心平臺主要發揮數據處理的功效，還可以完成邊緣大數據平臺節點管理等工作。

2.2 分析流程

前5G時代的人聯網大數據分析方法體系已經難以滿足時代發展要求，在此情況下，通過構建5G物聯網大數據的分析方法體系，能夠更好地發揮數據優勢，帶動行業發展。事實上，5G時代，無論是物聯網技術，還是大數據技術，已經廣泛應用于社會生活的方方面面，各個行業之間的業務差別較大，不同的業務場景，也將會呈現出相應特點，這就需要加強技術分析，結合行業類別進行研究。而對于5G物聯網大數據分析，最為首要的便是構建相應的行業數據識別特征庫，結合行業類別完成數據識別，進而有效展開后續數據處理工作。具體來講，對于5G物聯網大數據采集工作，主要可以借助行業屬性、DPI解析、AI算法三種方式完成行業數據識別，從而結合行業類別完成數據分類、數據分析、數據應用。

2.3 行業數據識別

2.3.1 屬性標識

展開行業數據識別工作，其中最為首要的辨識構建相應的數據識別特征庫，從而方便工作人員直接借助特征庫進行數據搜尋和處理，利用行業屬性進行數據識別是一種較為常見的行業數據識別方法。通過行業屬性表示進行識別與人聯網實名認證方式較為相似，當某行業領域的企業進行入網操作時，運營商將會根據企業類別，自動分配行業標識[4]。而對于已經采集獲取得到的物聯網數據，則可以運用IMSI完成數據關聯，從而更好地獲取該物聯卡中的行業類別屬性信息。

2.3.2 DPI協議特征

除了通過行業屬性標識完成行業數據識別，還可以借助DPI協議特征完成行業數據識別工作。具體來講，技術人員可以直接通過應用DPI深度數據報文解析技術，完成數據識別工作。事實上，DPI作為數據報文過濾技術的一種，與普通報文相比，能夠對數據流實際業務內容進行處理。而采用DPI深度數據報文解析技術的關鍵便在于能夠高效識別多種應用類別，從而明確數據報文，完成“特征字”的識別工作。并能夠透過傳輸層解析規則庫、應用層解析規則庫以及IP規則庫，智能識別各項業務內容，完成行業數據處理功效。

2.3.3 AI智能算法

應用人工智能AI算法完成行業數據識別也是一種應用較為廣泛的識別方式。事實上，對于不同的行業類別，業務特征也會存在明顯差異。例如，對于車聯網行業領域，物聯網卡和一般的工業互聯網，在信息傳輸周期、傳輸時延、傳輸速率等數據指標都會呈現出較大差異。在此情況下，工作人員可以結合既有工作經驗和積累數據，根據行業類別構建指標特征庫，應用聚類、AI算法，完成整個行業領域的智能分類識別工作。

當完成行業數據處理分類工作后，工作人員可以直接按照社會行業特征類別，構建專屬于不同行業的大數據庫，例如，對于新能源行業領域可以形成物聯網能源大數據庫，對于車載行業領域則可以形成物聯網車聯網大數據庫，對于公共交通領域則可以構建物聯網智慧交通大數據庫，對于醫療衛生行業領域則可以形成物聯網智慧醫療大數據庫。不同行業領域的物聯網大數據庫能夠更好地推進行業建設和發展，從而實現行業領域的深度研究和發展。

2.4 分析體系

2.4.1 關聯分析

與傳統的4G人聯網大數據分類方式進行比較，基于5G的物聯網大數據主要包括兩種，兩種不同的數據類別分別具有不同的功效，第一種大數據則為網絡側OSS域數據，此種數據類別將重點放在借助不同接口掛表從而獲取得到的業務行為數據，第二種大數據則為行業屬性BSS側數據，此種數據類別則是將重點放在對行業類別屬性記錄、行業基本標識記錄以及行業業務類別記錄。如果采用整合分析的方式，將網絡側OSS域數據和行業屬性BSS側數據進行綜合考量，便可直接采用多種視角和多種維度，切實完成物聯網大數據分析，也能夠為后續各項業務提供基本保障，降低運行成本，提高應用效能。與此同時，還可以加強數據分析，研究如何才能切實提升行業服務效能，從而切實發揮物聯網大數據技術應用效能。

基于5G的物聯網大數據分析方法體系主要著重于物聯網全域數據收集和處理工作，并能夠一同完成行業屬性BSS側數據、網絡側OSS域數據的打通作業，有機構建動態數據和靜態數據之間的關聯，搭建形成5G物聯網大數據分析方法體系的地層數據關聯層。與此同時，正是由于行業數據信息，結合行業屬性BSS側數據和網絡側OSS域數據，并能夠基于基本的行業數據識別特征庫，開始結合行業類別信息搭建各個企業的數據庫平臺，結合行業類別信息完成標簽化數據處理和加工作業，有效完善標簽化數據處理，切實推進上層關聯分析工作。

事實上對于基于5G的物聯網大數據分析方法體系，關聯分析作為整個方法體系中的重要組成部分，需要結合行業類別，展開全方位、多角度的分析，從而更好地結合行業類別，了解垂直行業網絡運行情況，充分挖掘不同行業的真實需求，從而推動垂直行業建設和發展。為了更好滴推動行業發展，充分發揮不同行業業務效能，工作人員可以采用分層構建的方式，對專題分析數據和模型進行搭建。具體來講，模型第一層則可以根據行業類別，整合多維寬表匯總數據，還可以在第一層整合公共指標匯總數據，通過上述兩種匯總數據，能夠促使各項公共指標充分發揮自身效能，復用性提高，無效加工減少。工作人員還可以完成公共指標抽取作業，當抽取完成后搭建行業場景化應用標簽庫；模型第二層則可以充分利用公共數據中心優勢，結合行業類別搭建更具針對性的統計指標數據中心，統計指標數據中心本身含有大量數據指標信息，也能夠切實發揮上層數據服務應用效能。不同的數據分析模塊分別扮演著不同的角色職能，彼此之間保持著緊密的配合，不同的組合方式也能夠發揮相應的應用需求。例如，對于購物類物聯網企業，為了切實提高銷售額和企業經濟效益，則可以結合企業目標用戶畫像、企業分布等模塊進行綜合分析，從而挖掘出該企業、電子產品的潛在用戶特征和實際消費能力，從而展開針對性的市場營銷工作，有效提高產品服務效能。對于車聯網企業，為了切實提高企業經濟效益、提供優質服務，則可以對機動車運行軌跡等信息進行整合分析，做好道路行為預判，切實推動車聯網企業經濟營收。

2.4.2 業務應用層

5G物聯網大數據分析方法體系的最上層則為業務應用層，業務應用層本身具有靈活多變的應用特征，在此情況下，對于大數據平臺本身的技術功能也提出了更高要求。今后，也應當不斷加強視乎研究，切實推進物聯網業務應用和行業發展。

3 結論

綜上所述，對基于5G的物聯網大數據分析方法體系展開分析具有十分重要的意義。今后，應當加強對5G物聯網大數據的重要性認識，靈活應用大數據分析方法體系，從而全面掌握網絡運行情況、行業業務內容，促使運營商能夠更好地完成網絡連接和垂直行業市場參與，實現經濟社會的恒穩發展。