Lektion 1Säkerhetsgrunderna från ända till ända: enhetsidentitet, säker uppstart, säker lagring, TLS, OTA-signeringDenna sektion introducerar säkerhet från ända till ända för industriella sensorer, och täcker enhetsidentitet, säker uppstart, säker lagring, TLS, OTA-signering och nyckelhantering, samt förklarar hur man integrerar dessa kontroller i arkitekturen utan att bryta användbarhet eller drifttid.
Etablering av enhetsidentitet och certifikatSäkra uppstarts-kedjor och firmware-integritetSäker lagring av nycklar och hemligheterTLS-konfiguration för resursbegränsade enheterSignerade OTA-uppdateringar och rollback-säkerhetLektion 2Inbäddade systemarkitektur: mikrokontrollers, realtids-OS, drivrutiner, bootloaderDenna sektion täcker inbäddade arkitekturer för industriella sensorer, inklusive val av mikrokontroller, minneslayout, realtidsoperativsystem, drivrutiner, bootloaders och hur man strukturerar firmware för tillförlitlighet, testbarhet och säkra över-the-air-uppdateringar i fältet.
Val av mikrokontrollerfamiljer och perifera enheterMinnesmappar, flash och RAM-planeringRTOS-uppgifter, schemaläggning och prioriteringarDrivrutinsabstraktion och hårdvaruisoleringBootloaders och firmwareuppdateringsflödenLektion 3Operativa icke-funktionella krav: tillgänglighet, latens, skalbarhet, genomströmning, underhållbarhetDenna sektion beskriver icke-funktionella krav för industriella sensorer, inklusive tillgänglighet, latens, genomströmning, skalbarhet och underhållbarhet, och visar hur man översätter dem till konkreta designdesignmål, SLA:er och arkitektoniska avvägningar över hela stacken.
Definiera SLA:er och SLO:er för sensorflottorModellera latens och ända-till-ända-tidtagningGenomströmning, batchning och backpressureDesign för tillgänglighet och failoverUnderhållbarhet, observabilitet och supportLektion 4Sensorhårdvarukomponenter: transducerer, konditionering, strömförsörjning, kapslingarDenna sektion undersöker nyckelhårdvaruelement för industriella sensorer, inklusive transducerer, signal konditionering, strömförsörjning och hantering samt mekaniska kapslingar, med tonvikt på tillförlitlighet, brusprestanda och miljöskydd i tuffa miljöer.
Välja transducerer för målfenomenSignal konditionering och analoga front endsStrömbudgetering och energiskördBatteritid, regulatorer och skyddKapslingsdesign och miljö tätningLektion 5Uppkopplingsalternativ: Ethernet, Wi-Fi, BLE, LoRaWAN, mobilnät (NB-IoT, LTE-M) och avvägningarDenna sektion jämför uppkopplingsalternativ för industriella sensorer, inklusive Ethernet, Wi-Fi, BLE, LoRaWAN och mobilnätvarianter, och förklarar avvägningar i räckvidd, bandbredd, effekt, kostnad, tillförlitlighet och regulatoriska begränsningar för olika driftsättningsscenarier.
Ethernet och industriell fieldbus-integrationWi-Fi för hög genomströmning i lokala nätverkBLE för idrifttagning och lokal åtkomstLoRaWAN och sub-GHz långdistanslänkarNB-IoT och LTE-M mobilnät driftsättningarLektion 6Molnarkitekturmönster för IoT: inmatning, meddelandeköer, tidsserielagring, API:erDenna sektion presenterar molnarkitekturmönster för IoT-sensordata, inklusive inmatningsslutpunkter, meddelandeköer, tidsserielagring, API:er och strömbehandling, och förklarar hur man designar skalbara, säkra och kostnadseffektiva backends för stora flottor.
Designa inmatningsslutpunkter och gatewaysMeddelandeköer, ämnen och routringTidserie-databaser och retentionAPI:er för dataåtkomst och integrationStrömbehandling och varnings-pipelinesLektion 7Förstå industriella sensorers krav och typiska användningsfallDenna sektion klargör hur man fångar industriella sensorers krav och kartlägger dem till användningsfall, inklusive processövervakning, prediktivt underhåll, säkerhet och regulatoriska behov, samtidigt som man balanserar kostnad, effekt, noggrannhet och integrationsbegränsningar.
Elicitera intressent- och fältkraVDefiniera noggrannhet, räckvidd och provtagningsbehovMiljö- och regulatoriska begränsningarEffekt, kostnad och livslängdsavvägningarÖversätta användningsfall till specifikationer och KPI:erLektion 8Kantbehandling och datoreduktion: provtagning, filtrering, aggregering, lokal ML-inferensDenna sektion förklarar hur kant-enheter provtar, filtrerar och aggregerar sensordata, när man ska kasta eller komprimera information, och hur man tillämpar lättvikts maskininlärningsinferens lokalt för att minska bandbredd och latens samtidigt som man bevarar nyckelkunskaper.
Designa provtagningsfrekvenser och fönsterFiltrera brus och avvikelseavvisningAggregering, komprimering och nedprovtagningLokal ML-inferens och modellvalBalansera kant- och molnansvar