净水机这个品类看着不起眼,背后却是一套典型的物联网数据工程。每台设备要持续上报TDS值、pH值、水温、水量、电导率、滤芯寿命、电源状态等运行指标,同时还要处理水卡消费记录、远程开关机、预警下发、水费调整这类业务操作。设备量一旦上到千台规模,数据写入的频次与查询模式的多样性就会把单一种类的数据库逼到墙角。本文以一次基于KWDB分布式多模数据库的净水机方案落地为例,完整拆解从选型、建模、压测到故障复盘的全过程,重点放在那些只有踩过才知道的坑。
业务背景与约束
这套方案的原始需求来自某净水设备运营商。设备部署在小区、写字楼与商户场所,运维团队需要远程掌握每台设备的滤芯状态与水质指标,提前安排换芯服务;运营团队需要按水卡消费做计费与对账;客服团队需要按设备号检索历史上报数据定位投诉。三类诉求对应三种数据访问模式:高频时序写入、结构化事务记录、按标签维度的历史检索。
约束条件同样现实。边缘侧没有机房环境,只能用香橙派OrangePiAIPro这类开发板做本地节点,内存只有8G。数据库要求支持安全模式部署,满足运营商对数据加密的基本要求。团队手头的开发语言是Go,消费端系统已有Java栈,两种语言都要能顺畅接入。预算上不可能先上集群,第一版必须以单节点跑通全链路。
这些约束决定了验证的目标不是追求极致吞吐,而是确认三件事:单节点能不能扛住千台设备的上报节奏、8G内存下资源占用是否可控、时序与关系两种模型能否在一个实例里协同工作。
多模选型的决策依据
传统做法是时序库与关系库分开部署,比如InfluxDB加MySQL的组合。这个组合在净水机场景里有三个摩擦点。第一是数据孤岛,设备运行数据在水卡消费分析时经常要关联,跨库联查要么在应用层拼装,要么ETL同步,链路越长一致性风险越大。第二是运维翻倍,边缘节点资源紧张,跑两个存储进程的内存开销很难压下来。第三是Schema演进不一致,设备固件迭代频繁,两边模型要人工保持对齐。
KWDB的多模设计把时序引擎与关系引擎放进同一实例,时序表与关系表可以做内连接、左右外连接、子查询与集合运算。对净水机场景来说,消费记录这张关系表可以直接与时序表按device_id关联,运营报表一条SQL出结果,省掉了整条同步链路。安全模式部署的支持也让边缘场景的合规检查有了着落。
选型对比时也评估过直接用开源时序库加轻量关系库的方案,搭建成本低,但边缘节点的进程管理、备份策略、监控接入都要维护两套,长期人力成本反而更高。多模方案的溢价换来了模型统一与运维收敛,在设备量持续增长的前提下这笔账是划算的。
时序库建库参数设计
KWDB的时序库在CREATE语句里带TS标识,与普通关系库区分。建库语句里有两个参数直接决定后期的存储行为与运维节奏,值得单独展开。
第一个是RETENTIONS保留策略。净水机运行数据的价值随时间快速衰减,三个月前的TDS曲线对运维决策几乎没有意义。方案里设了50天自动过期,过老的数据由引擎自行清理,不需要应用层跑定时删除任务。这一点类似Redis对过期键的被动清理思路,把生命周期管理下沉到存储层,避免应用层清理任务在高峰期抢占业务资源。
第二个是PARTITION INTERVAL分区间隔,设为2天。分区粒度过粗会导致过期释放不均匀,一次清理一大块,磁盘IO出现周期性尖峰;过细则分区元数据膨胀,查询计划需要扫描更多分区信息。2天粒度在本场景的写入量下,单分区数据规模适中,清理动作分散且轻量。
建库语句本身很简洁:
sql
CREATE TS DATABASE iot
RETENTIONS 50d
PARTITION INTERVAL 2d
需要注意保留策略的触发语义是分区内最新数据超过保存周期才整分区删除,而不是逐行过期。这意味着实际数据留存时间最长可达50天加一个分区间隔,做容量规划时要按最坏情况估算磁盘占用。
时序表三类列的建模方法
KWDB时序表的列分三类,建模时把职责划清楚,后期的查询效率与压缩率都会受益。
时间戳列记录采集时间,引擎默认建索引,不需要手工声明。标签列TAGS存放采集对象的静态属性,本方案里是device_id设备号,消费记录表里还有card_id卡号。标签列参与数据分布,同一标签的时间序列在物理上相邻,按设备检索时天然收敛扫描范围。字段列存放实时变化的测量值,净水机上就是TDS、pH、水温、水量、电导率、滤芯寿命这些指标列。
设备运行表的建模骨架如下:
sql
CREATE TABLE device_data
timestamp timestamptz NOT NULL
tds float NOT NULL
ph float NOT NULL
temperature float NOT NULL
water_volume float NOT NULL
filter_life INTEGER NOT NULL
conductivity float NOT NULL
power_status BOOLEAN NOT NULL
TAGS device_id VARCHAR50 NOT NULL
PRIMARY TAGS device_id
PRIMARY TAGS指定device_id为主标签,作用是把每台设备的时间序列划成独立单元,时间戳索引在不同设备之间天然隔离。这里有一个建模判断值得展开:同一个设备在同一时刻不可能产生两个合法读数,所以主标签加时间戳的组合就是天然唯一键,业务层不需要再造去重逻辑。但如果场景换成一台网关聚合多传感器,同一设备同一时刻会有多条不同传感器的数据,就要把传感器类型提升为主标签的一部分,否则写入端会出现同键覆盖。
字段列全部声明NOT NULL也是有意为之。物联网上报数据缺列往往意味着设备固件异常,宁可让该条写入失败进入错误通道,也不希望查询时被空值污染统计口径。这个取舍后面在故障复盘一节还会再碰到。
消费记录表的标签设计
水卡消费记录是典型的关系型业务,但它的查询模式带有时序特征,所以同样放进时序引擎,用标签区分业务维度:
sql
CREATE TABLE consumption_record
timestamp timestamptz NOT NULL
amount float NOT NULL
TAGS device_id VARCHAR50 NOT NULL
card_id VARCHAR50 NOT NULL
PRIMARY TAGS device_id
与设备表不同,消费记录的标签有两个维度。设备维度用于对账场景,按设备聚合当月消费金额与刷卡次数;卡维度用于用户查询场景,用户客服咨询时按卡号拉取消费明细。主标签仍然选device_id而不是card_id,原因是写入高峰来自设备侧刷卡事件流,按设备分布可以让同一台设备的消费记录落在一起,写入局部性更好。按卡号查询虽然会跨设备扫描,但卡号查询频率远低于对账聚合频率,牺牲低频路径的效率换取高频路径的写入局部性,是这套建模的核心权衡。
另一个细节是amount字段的精度。水费计费对金额误差敏感,float类型在聚合求和时会累积浮点误差。验证版先用float跑通链路,生产化清单里已把金额字段改为定点类型列为待办,这一点在压测阶段不影响结论,但不能带进生产。
边缘侧部署与连接层实现
验证环境里,KWDB单节点安全模式部署在边缘节点,Go压测程序跑在同一块香橙派开发板上,通过pgx驱动连接。KWDB兼容PostgreSQL协议,pgx v5.5.1版本可以直接使用,pgxpool连接池做并发管理。这意味着团队现有的PostgreSQL运维经验与工具链大部分可以平移,接入成本显著低于引入私有协议驱动。
连接池参数在8G内存的边缘节点上需要克制。压测脚本设置了100并发为一批,连接池上限对应收敛,避免连接数把内存挤爆。监控侧接入Prometheus与Grafana,看板分三个层次:集群指标概览、硬件资源、SQL执行统计,写入QPS与99分位延迟是两根核心曲线。
边缘部署有一个容易被忽略的点:开发板同时跑压测程序与数据库进程,压测端的CPU波动会直接干扰数据库的资源指标读取,Grafana上看到的内存占用要区分进程归属。验证阶段建议把两个角色的资源曲线分开看板展示,否则容量结论会被相互污染。
首次压测的失真与归因
第一轮压测结果出来时团队一度怀疑选型错了。Go程序逐条执行INSERT,写入QPS远低于预期,完全体现不出时序引擎的优势。把指标拆开看,数据库侧的写入路径并不拥堵,瓶颈在客户端:逐条单行INSERT让网络往返次数与SQL解析次数都随行数线性增长,时序引擎的批量写入优势根本没有机会发挥。
这是物联网场景压测里非常典型的一类失真。测出来的低QPS混杂了三层因素:客户端串行化程度、网络限速、服务端写入路径。归因方法是先看服务端CPU与IO水位,如果服务端空闲而客户端打满,问题一定在客户端侧。官方沟通确认了这一点,指出压测代码逐条写入没有利用批量接口,建议改用批量写入通道。
第一轮的教训是:评估一个存储引擎的写入能力,压测工具本身的实现质量决定了结论的有效性。逐条INSERT测出来的是网络与解析的吞吐,不是引擎的吞吐。任何压测结论落地之前,先确认压测端已经用上了引擎推荐的最优写入方式。
批量写入接口的改造路径
改造后的写入链路切换到KaiwuDB JDBC的批量接口,核心是三个方法:addBatchInsert把多行数据挂进批次缓冲,executeBatchInsert把整批合并为一次提交,clearBatchInsert清理缓冲。单条SQL合并多行写入后,网络往返次数下降两个数量级,服务端CPU占用同步显著下降。
Java侧在16核32G的阿里云ECS上实测,平均写入速率约1.7万条每秒,单次批量上限10万条,受限于公司网络限速与压测机配置,峰值记录到2.2万条每秒。官方在理想网络下可到几十万乃至百万级每秒,这个差距主要来自客户端环境而非引擎本身。
批量接口还有一个必须正视的语义变化:整批提交意味着一批里某一行出错会牵连整批。物联网上报数据质量参差,固件异常设备可能持续产出脏数据,如果因为个别坏行导致整批回滚,写入吞吐会被少数异常设备拖垮。解决方案是开启会话参数ts_ignore_batcherror,让引擎跳过错误数据、正常写入其余数据,同时把被跳过的行数暴露成监控指标,脏数据量突增即是设备固件异常的信号。这种允许丢坏行保好行的语义在物联网场景里通常可以接受,但在计费类数据上要谨慎评估,消费记录的批量写入就没有开启跳错,宁可整批重试也不能静默丢账。
批量接口解决的是客户端与网络层的开销,写入优化的第二层在服务端路径上做裁剪,这就是写入短接。会话级开启tsinsert_direct后,数据绕过部分中间处理环节直接写存储;集群级通过server.tsinsert_direct.enabled全局打开。两个开关叠加后,写入路径上的CPU开销进一步压缩,对边缘节点这种算力紧张的环境尤其有意义。
短接模式的代价是部分写入中间校验被裁剪,适合在数据源可信、格式稳定的链路上开启。净水机上报数据由固件生成,字段类型与取值范围固定,属于典型的可信源,开启短接收益大于风险。但如果数据来源包含第三方推送或人工补录,短接前要先在入口层做格式校验,把脏数据挡在短接通道之外。
会话参数与集群参数的分工也值得说明。会话级参数便于灰度:先在压测会话验证行为,再逐个业务连接开启;集群级参数在确认无副作用后统一切换。回退路径同样清晰,会话级断开即失效,集群级改回即恢复。这种两段式的参数灰度方法适用于大多数数据库调优场景,比一次性全局改动安全得多。
空值约束与时间戳冲突的故障复盘
联调阶段踩到两个具体故障,都有普适性。
第一个是created_at空值报错。插入时报SQLSTATE 23502,原因是建模时把created_at字段的默认值去掉了却保留NOT NULL约束,批量写入端没有显式传值,全部命中非空校验。修复方式是建表时给created_at字段恢复当前时间默认值声明。这个故障暴露的规律是:DDL里的默认值约束与写入端的字段清单必须成对设计,任何一边单独改动都会在联调期炸出隐性错误。建议把建表语句纳入版本管理,写入端字段清单从同一份定义生成,避免两边人工同步。
第二个是同一时间戳并发冲突的疑虑。设计评审时有成员担心两台设备同一秒上报会导致时间戳索引冲突。验证结论是时间可以跨设备重复,同设备不可重复:主标签把不同设备的时间序列隔离在独立单元里,时间戳唯一性只在设备内部成立,跨设备天然无冲突。这个语义反过来也约束了业务设计,固件侧要保证单设备时间戳单调,设备时钟漂移或回拨会造成同设备同时间戳覆盖,生产化前需要在固件层加时钟校准逻辑。
两个故障的共同教训是:多模数据库的新语义边界必须靠实测确认,不能靠直觉推演。评审阶段的多数争议,用一条真实写入验证五分钟就能终结。
复盘时把这两个故障写进了团队的故障知识库,记录格式按现象、根因、修复、预防四段展开。空值故障的预防项落在CI环节,建表语句变更时自动比对写入端字段清单,两边不一致直接阻断合并;时间戳疑虑的预防项落在固件自检,设备启动时先做时钟校准再开放上报通道。知识库的另一个作用是给后续项目提供检查清单,新物联网项目立项时把这两条检查项前置到设计评审,联调期的同类故障预期可以完全消除,这比事后复盘的收益大得多。
压测结果解读与容量推算
四轮压测的集群写入QPS分别录得4.15K、2.87K、3.29K、3.74K每秒,波动来自压测端并发调度与网络抖动。99分位服务延迟最高369毫秒,意味着99%的SQL请求延迟低于这个值,对设备上报与报表查询都是可接受的水位。
资源占用是这轮验证最有说服力的部分。8G内存的开发板上,数据库进程峰值内存2.02G,约25%。GC暂停最大8.58毫秒,生命周期维持在2毫秒左右,运行次数平均0.5次。内存水位低意味着同一节点还有余量承载边缘侧的其他进程,GC暂停毫秒级意味着写入延迟不会出现长尾毛刺。
基于实测数据做容量推算:千台设备按每台每5秒上报一条计,峰值写入需求约200条每秒,实测能力有20倍以上冗余。按单条记录约200字节估算,50天保留周期内全量数据约在数GB量级,2天分区粒度下单分区几百MB,清理动作轻量。设备量增长到万台规模时,写入需求约2000条每秒,单节点仍有余量,但磁盘容量与分区清理频率需要重算,届时集群部署也该提上日程。
推算要留出固件迭代余量。下一代设备可能把上报频率提高到1秒级,指标列也可能增加,写入量按4到8倍增长预估比较稳妥,容量规划按这个口径反推磁盘与内存配置。
四轮指标之间还有一个解读细节:QPS波动区间从2.87K到4.15K,跨度接近四成,若只取单轮峰值做容量承诺会严重高估稳定能力。正确做法是取多轮的中位数作为可持续水位,把峰值只当作风暴容量参考。延迟指标同理,369毫秒是压测期的99分位上界,稳态运行时这条曲线应远低于压测值,生产化后要单独建立稳态延迟基线,两条基线分开存放,避免运维同学拿压测基线当告警阈值造成告警长期沉默。
冷热分离与可观测建设
50天保留策略解决了热数据的生命周期,但消费记录与关键运行事件有更长周期的留存需求,方案采用双库冷热分离:KWDB承载热数据与实时查询,历史数据定期备份归档到MySQL。
归档链路的设计要点有三条。第一是归档口径,按分区粒度归档比按行归档效率高得多,KWDB的2天分区正好提供天然批次边界。第二是一致性校验,归档完成后按设备与日期聚合行数比对源端与目标端,行数不一致立即告警,防止静默丢数据。第三是回查路径,超过50天的数据从MySQL回查,应用层按时间范围路由查询目标,路由逻辑封装在数据访问层,业务代码无感。
这套冷热结构的运维成本主要在归档任务的监控。归档任务失败最常见的原因是目标端MySQL容量不足或网络抖动,任务要有重试与断点续传能力,失败状态要进告警通道而不是只写日志。边缘与云端之间的链路质量不可控,归档任务按幂等设计,同一分区重复归档不会产生重复数据。归档窗口的调度避开业务高峰,选在凌晨四点到六点之间执行,与分区清理动作错开半小时,防止两批IO叠加造成磁盘延迟毛刺传导到写入路径。
归档之外,这套方案把可观测分了四个层次。写入层盯批量提交的批次大小、跳错行数与短接开启比例;查询层盯99分位延迟与慢SQL条数;资源层盯内存水位、GC暂停与分区清理的IO尖峰;业务层盯设备在线率与上报断流时长。
业务层指标最容易被漏掉但对运营最关键。设备上报断流超过阈值即触发工单,多数断流的根因是设备断网或固件崩溃,比数据库侧故障的概率高一个数量级。把断流检测做进监控看板,可以把大量报障工单在运维侧提前消化。
归档任务的健康度也进看板,最近一次归档的分区号、归档行数、耗时、失败重试次数四个字段构成归档任务的状态四元组,任何一项偏离基线即触发告警,运维值班不需要登录归档机就能掌握归档链路的完整状态。
告警阈值的设定采用基线加突变的策略。写入QPS的基线随时段波动,固定阈值会产生大量误报;按同时段历史基线上浮一定比例触发,误报率明显下降。跳错行数指标则用绝对阈值,正常情况下应为零,任何非零都值得追查。
上报协议与采集策略的工程权衡
压测环境用Mock规则造数据,生产环境的数据来自真实固件,两者之间隔着一条数据质量鸿沟。方案在设备与数据库之间设计了一层数据质量闸门,位置放在接入网关而非固件内,原因是固件版本分散且升级周期长,闸门放服务端可以随业务演进随时调整。
闸门做三层校验。格式层校验字段完整性与类型,缺列或类型错的数据直接拒绝并记入异常样本库;范围层校验取值边界,pH超出1到14、水温超出0到60度这类明显异常按设备维度累计,单设备异常率超阈值自动降级为低频采样;语义层校验跨字段逻辑,水量曲线突然倒退、滤芯寿命不降反升这类逻辑矛盾标记为可疑数据,写入时带上可疑标记但不阻断,交给后续分析判断是传感器漂移还是真实故障。
异常样本库的价值经常被低估。固件团队拿它做回归测试的输入集,历史异常样本回放能覆盖大部分边界场景;运维团队拿它做设备健康度画像,异常率高的设备提前纳入巡检名单。质量闸门本质上是把数据治理从查询阶段左移到写入阶段,存储层的统计口径干净了,下游所有报表的返工成本都省下来了。
闸门自身的可用性要单独保障。校验逻辑出错不能阻塞主链路,方案里闸门异常时降级为直通模式并告警,宁可让脏数据进来也要保住上报通道的连续性。这个取舍与计费数据的严格校验形成对比,运行指标允许短时降级,金额字段必须逐笔校验,两条链路的质量策略从一开始就要分开设计。
数据质量闸门之上还有一个采集频率的决策维度,两者共同决定进入存储的数据形态。每5秒上报一次是方案初期定的节奏,落地时发现频率本身是一个多方博弈的产物。运维侧希望频率越高越好,故障定位的曲线越细越好;硬件侧希望频率越低越好,开发板的网络与CPU开销随频率线性增长;流量成本侧按月计费,上报频率直接决定月度通信费用。
最终采用分级上报策略。常规指标5秒一报,曲线平滑足够支撑滤芯寿命估算;心跳类指标30秒一报,只证明设备在线;事件类指标即时上报,包括开关机、滤芯更换、报警触发,不受频率约束。三类指标用同一张时序表承载,靠字段列区分,标签列加一个指标类别做辅助维度。
分级策略对存储的影响是正面的。表级压缩率提高,因为常规指标的值在相邻时间点高度相似,时序引擎的列式压缩对小波动序列非常友好。查询侧也没有变慢,运维看曲线查的是常规指标,事件查询按类别标签过滤,两个路径互不干扰。
这套策略在固件侧的配套要求是本地缓冲。设备断网时把指标写入本地缓存,网络恢复后按时间顺序补报,补报数据的时间戳用原始采集时间而非补报时间。时序库按时间戳建索引的特点让补报数据可以无缝归位,曲线完整连续,这是时序模型对物联网场景最友好的一个特性。补报高峰的写入压力要纳入容量推算,方案里按全网百分之五的设备同时补报的口径预留了写入冗余。
成本核算与落地节奏复盘
这次验证的硬件成本账值得单独复盘,因为它直接决定了方案的推广节奏。边缘节点用香橙派开发板,单板成本在数百元量级,功耗不到20瓦,相比工控机方案便宜一个数量级。但开发板的长久运行可靠性存疑,存储介质用SD卡的写入寿命在持续时序写入场景下是隐患,量产时建议换eMMC或外接工业级存储。
数据库侧的成本大头不是许可证而是人力。多模方案省掉了ETL链路开发与两套存储的运维人力,按一个半人力年的投入估算,仅这一项就超过了很多商用时序库的订阅费用。人力节省的兑现前提是团队熟悉PostgreSQL生态,KWDB兼容PG协议让这个前提自然成立,迁移学习成本控制在一周以内。
通信成本按分级上报后的口径重算,比全量5秒上报的方案省下约六成流量费用,千台设备规模的月度通信费用从数百元降到两百元以内,万台规模时这笔差距会放大到每月数千元。硬件加通信加人力的三项合计,构成了方案在客户侧报价的成本底线,也解释了为什么净水运营商愿意把数据平台从公有云整体迁回边缘加中心云的混合架构。
云端中心节点选了16核32G的ECS承载批量写入与报表服务,实测1.7万条每秒的写入能力对应万卡规模的消费记录聚合绰绰有余。中心节点与边缘节点之间的分工边界按数据生命周期划线,50天内的热数据落在边缘侧就近查询,超过周期或需要跨区域聚合的分析走云端,网络中断时边缘侧自治运行,恢复后走补报通道同步,这个架构在多个社区网点分批部署的规划下被验证为弹性最好的形态。
成本数字之外,团队协作的节奏同样决定方案能否按期落地。方案落地跨越固件、后端、运维三个团队,协作节奏对进度的影响不亚于技术选型本身。第一阶段的建模评审把三个团队拉到一张表前逐列确认字段语义,设备表十个指标列每个都标注了采集来源、单位、精度与固件版本起始号,这份字段字典后来成为写入端、闸门、报表三方的共同契约,改动必须走评审,避免出现单边改字段导致下游静默断链。
第二阶段的联调采用了先接口后数据的顺序。先用Mock数据把写入链路打通,再切真实固件灰度十台设备跑一周,对比Mock与真实数据的分布差异,pH与水温的真实分布远比Mock规则集中,这个发现推动闸门的范围校验阈值按真实分布重新收紧,异常检出灵敏度提高了一倍。
第三阶段的压测组织上有个小技巧:四轮压测安排在凌晨低峰时段执行,避免生产模拟环境其他任务干扰指标读取,每轮之间留足GC与分区清理的恢复窗口,保证轮次间指标可比。压测报告固化成模板,环境配置、参数版本、指标曲线、异常事件四段式记录,后来这套模板被复用到另外两个物联网项目的验收里。
进度管理的教训是要给联调期留缓冲。两个故障复盘里的空值问题与时间戳疑虑各消耗了半天到一天,远超评审预估,这类语义边界问题无法靠评审发现,只能在联调期暴露。按最终实际进度回推,联调期预留总工期的三分之一是更合理的比例,前期规划按两成预留导致压测阶段被动压缩,部分调优项被挪进了生产化清单。
生产化前的遗留问题清单
验证跑通了全链路,但距离生产还有一段明确的清单要处理。
第一是金额精度,消费记录的float字段要改为定点类型,涉及存量数据迁移与对账口径重跑。第二是设备时钟治理,固件侧加时钟校准与上报时间戳单调性检查,防止时钟回拨造成数据覆盖。第三是集群化部署,单节点验证通过后,生产环境按官方建议集群部署,验证阶段的所有会话参数要在集群模式下重新回归。第四是归档链路的容灾演练,MySQL归档端故障时的降级查询路径要实测。第五是安全模式的性能复核,加密带来的写入损耗要在集群压测中单独量化,验证阶段安全模式已开启但未单独跑对照压测,损耗数值目前只能引用官方参考值。
这份清单的排序原则是先改数据正确性,再改可用性,最后调性能。金额与时间戳问题属于正确性缺陷,带着上线就是事故;集群化属于可用性保障,在设备量增长前完成即可;性能复核放在最后,因为前两项改动本身会影响性能基线,先改性能后改正确性会造成重复压测。
本篇小结
净水机场景把物联网数据工程的所有典型问题压缩在了一个很小的载体里:高频时序写入、多维度业务查询、边缘资源约束、固件数据质量参差。KWDB的多模设计让时序与关系两种模型在同一实例内协同,跨模查询省掉了同步链路,保留策略与分区粒度把数据生命周期下沉到存储层。压测阶段最大的收获不是那组性能数字,而是方法层面的三条纪律:压测结论必须建立在客户端已用最优写入方式的前提下;新语义边界靠实测确认而非推演;DDL与写入端字段清单必须单一来源对齐。这三条纪律与具体产品无关,放到任何一次物联网数据平台落地里都成立。