“泛在物联苦部署及运营成本久矣。”
随着各行各业数字化程度及转型需求越来越高，数据及高速率的网络部署已成为“重”运营资产。海量的终端数据传输到云端，侵占的资源、电量越来越多，轻量化、低成本部署成为众多企业的渴求。而这一“苦“随着微型机器学习（以下简称TinyML）、LPWAN等技术的发展，可能迎来真正的化解。
基于终端计算在能耗、效率等方面拥有明显的优势， 尤其在万物互联的 IoT 时代的背景下，TinyML 在最近两年可谓“状态火热”。近日，新一代LPWAN技术ZETA推出“ZETA TinyML”端智能系列产品，正在工业预测性维护、数智化物流、智慧城市等领域加速应用落地。搭配LPWAN网络定制的增量OTA远程升级技术，进一步降低物联软件的部署和运营成本。ZETA TinyML的端智能应用或从根源解决物联网的部署和软件升级难题。
01
何谓ZETA TinyML?
众所周知，LPWAN是一种远距离、低功耗、窄带宽的无线通信技术，解决物联网产业存在的终端功耗高、海量终端连接、广域覆盖能力不足和成本高等困难，适合大规模部署。但即便如此，物联网的应用下沉仍是一个难题。以工业场景为例，工业设备众多，环境极其复杂，技术的穿透性、部署的便捷性成为刚需。因此，作为新一代LPWAN技术ZETA推出“LPWAN2.0泛在物联”，旨在以更高性能、更强穿透力、更低成本加速物联网在工业、物流等成本敏感性行业的应用。
与此同时，ZETA还瞄准了限制物联网技术应用落地“高带宽数据分析不及时”这一痛点。据IDC最新研究报告显示，在工业场景68％的数据被浪费。比如振动监测和图像识别的应用，这些场景一般选用5G、wifi等高速率通信回传原始波形和图像，网络成本激增的同时，还极度依赖后台算法开发和二次分析。TinyML在端测内置微型机器学习的技术，在满足越发迫切实时分析需求的同时，结合ZETA低成本、强穿透优势打造“端智能”应用，或可突破传统物联技术构架限制，拓展更多LPWAN应用场景。
TinyML正在让数以亿计的边缘设备拥有实时处理数据的能力，从而摆脱对网关和计算中心的依赖。以数据为中心的节点将成为一个个“端智能“单元，将数据采集、信号处理、模型推理和结果传输融为一体，以低成本、低功耗和穿透力更强的LPWAN通信技术为载体，使智能泛在物联无处不在。TinyML和ZETA LPWAN技术的融合，将极大拓宽LPWAN原有的应用场景，给物联网市场AIoT升级之路带来巨大的想象空间。
02
ZETA 增量升级助力TinyML泛在部署
大多数物联网设备可能就是一颗MCU，不会像手机那样有足够多的存储资源。“深度压缩”技术已经让TinyML模型“瘦下来“，但是还远远不够。
TinyML模型经训练后并非一劳永逸，还有按需更新的必要，主要体现在以下方面：
- 物联网碎片化的应用场景导致差异化严重，即使是同类型的任务，也需要重新训练模型，或是调整模型参数。
- 数据积累改善模型精度需要。TinyML模型一般由纯数据驱动的神经网络算法训练而来，模型精度与数据量成正相关，随着数据不断累积，模型也有定期迭代的需求。
- 状态改变带来的重新学习需要。比如工厂设备经大修后振动水平发生变化，需要重新采集一段时间的数据进行学习，并生成新的模型benchmark。
- 任务输出变化带来的升级需要。典型的如分类模型任务，增加一个类别的输出就需要重新搜集该类别的“基因数据”。
增量OTA（Over-the-Air，空中下载技术）也叫差分远程升级技术，可解决TinyML远程升级难题。相比于传统整包升级和压缩包升级方式，增量升级能最大程度地降低模型升级成本，包括空间维度上的内存成本和时间维度上的时间成本。
增量升级的关键在于文件差分算法。文件差分算法将源数据和目标数据作为输入，提取公共部分，将目标文件中剩余的部分打包成patch包差分数据作为输出。如果两个文件之间的差异很小，就可以大大降低数据冗余性，节省数据的存储空间和传输带宽。bsdiff是目前最常用的一种差分算法，其压缩效率高，算法稳定性也好。
bsdiff差分默认使用bzip2压缩算法，其压缩效率虽高，但相应地也要求解压端侧最小内存400KB，所以并不适合资源受限的嵌入式芯片。为了适配更多的物联网终端，ZETA自研高效的压缩算法，兼顾压缩效率和平台兼容性，利用bsdiff差分包0比较多的特点进行简化压缩--只压缩0。以100kB、10%差异的TinyML模型来说，最终的差分包大小将在11kB以下，而仅要求10kB的额外内存空间，从而能在所有物联芯片上使用。
增量升级技术结合ZETA低功耗、广覆盖的通信优势，将进一步串联起传输、处理和升级等数据链路，解决物联网碎片化的应用场景和在线升级成本高等行业痛点，打造端到端的数据增值服务。
03
ZETA TinyML 端智能应用加速落地
ZETA “端计算”智能传感器，通过在传感器侧进行振动、声音、图像等信号的“人工智能压缩”（即依托机理 深度学习/机器学习的特征提取和事件检测），融合TinyML技术进一步实现“机器智能”的泛在部署。目前ZETA端智能系列传感器正逐步在工业设备预测性维护、智慧楼宇、城市管理等场景落地。
- ZETA端智能振温传感器
目前的设备故障预警和诊断极度依赖平台大数据算法和后台专家分析的方式，系统整体实施成本居高不下：不仅仅是传感器成本，还包括高昂的网络部署、算法二次开发和人力成本，很大程度上造成设备预测性维护难以大规模落地，渐成行业“理想”。
ZETA端智能振温传感器将机理先验知识和TinyML技术融为一体，在端侧提取敏感度高的特征参数和运行推理模型（而非原始波形），并通过低功耗、强穿透的ZETA网络实现大范围覆盖和高效传输。在部署阶段有个短暂的“学习期”，由平台自动训练生成异常检测和故障识别的TinyML模型，并通过ZETA server的增量升级技术进行批量远程部署。报警和诊断完全在端侧执行，保证了数据的时效性，并节省了网络带宽占用和电量消耗。在典型工业环境下，单网关接入容量300 ，电池寿命3年以上。
ZETA端智能振温传感器是LPWAN通信技术和TinyML算法深度结合的一次创新，由于振动信号的通用性，该产品构架也可拓展为其他横向场景，诸如结构安全评估、可穿戴设备、运动和健康监测等，继续丰富ZETA产品生态圈和泛在物联的价值圈。
- ZETA端智能幕墙检测器
幕墙玻璃检测器是ZETA端智能的另一个TinyML应用示例。图像识别玻璃幕墙是否破碎是最直接的方式，但是实际应用中存在成本高昂、布线不便和隐私泄露等痛点。ZETA端智能幕墙检测器集成低成本摄像模组，将图像识别的算法“压缩”成TinyML模型植入模组，仅1/3信用卡大小，占用内存仅几十kB，可由电池供电长期运行。图像识别的结果由ZETag协议回传，实现功耗更低的通信传输，一个网关甚至可以覆盖附近的2~3栋大楼。
端智能的图像识别TinyML应用还有许多场景可扩展，比如数字抄表、工厂异常情况检测、城市安防监控等等，摄像头将不再是依赖于有线供电和填满硬盘的一个仪器，而是具备“自我唤醒”意识和“自主辨识“能力的守望者。
作为新一代LPWAN技术，通过与TinyML技术的深度融合，ZETA“端智能”将串联起传输、应用和升级的完整数据链，以实现更低成本、更低功耗和更智能的网络，并将其应用到智慧城市、工业互联网、智能农业等社会领域的方方面面，其打造透明高效、无处不在的LPWAN2.0泛在物联新生态的愿景指日可待。
