AWS এবং IBM: একটি IoT পরিষেবার তুলনা: 4 টি ধাপ

2024 লেখক: John Day | [email protected]. সর্বশেষ পরিবর্তিত: 2024-01-30 08:00

আজ আমরা দুটি স্ট্যাকের তুলনা করছি যা বিভিন্ন পরিষেবা অফারের দৃষ্টিভঙ্গির অধীনে আইওটি অ্যাপ্লিকেশনগুলি বিকাশ করা সম্ভব করে তোলে।

ধাপ 1: একটি পরিষেবা হিসাবে কাজ

FaaS হল ক্লাউড সার্ভিসের একটি শ্রেণী যা একটি "সার্ভারহীন" আর্কিটেকচার তৈরিতে ব্যবহৃত হয়। FaaS গ্রাহকদের অবকাঠামো নির্মাণ এবং রক্ষণাবেক্ষণ না করেই অ্যাপ্লিকেশন ফাংশনালিটি ডেভেলপ, পরিচালনা এবং পরিচালনা করতে দেয়।

আমাজন এডব্লিউএস ল্যাম্বদা অফার করে, আইবিএম আইবিএম ক্লাউড ফাংশন অফার করে। এই পরিষেবাগুলি বেশ অনুরূপ, তবে ল্যাম্বদা এই ধরণের প্রথম ছিল। FaaS ব্যবহার করে আপনি ক্লাউডে কোডের টুকরো চালাতে পারেন এবং প্রতিটি পরিষেবা বিভিন্ন প্রোগ্রামিং ভাষা সমর্থন করে।

আইবিএম ক্লাউড ফাংশন: জাভাস্ক্রিপ্ট, সুইফট, জাভা, গো, পিএইচপি, পাইথন, রুবি,. NET (সি# এফ# ইত্যাদি), ডকার এডব্লিউএস ল্যাম্বডার মাধ্যমে যেকোনো: জাভাস্ক্রিপ্ট, জাভা, সি#, এফ#, গো, পাইথন, রুবি, পাওয়ারশেল, যেকোনো রানটাইম এপিআই এর মাধ্যমে

আইবিএম আরও ভাষা সমর্থন করে এবং ডকারের সাহায্যে অন্যান্য ভাষায় লেখা স্ক্রিপ্ট ব্যবহার করা সহজ। এটি ল্যাম্বডার সাথেও করা যেতে পারে তবে এটি তাত্ক্ষণিক নয়। আপনি এখানে একটি উদাহরণ পড়তে পারেন:

উভয় পরিষেবার ব্যবহারের সীমা রয়েছে, আমরা সেগুলি একটি টেবিলে রিপোর্ট করি এবং সেরাটি হাইলাইট করি।

AWS Lambda এর জন্য অনুরোধের সংখ্যার সংযোজন সহ গিগাবাইট প্রতি সেকেন্ড (RAM) এর উপর ভিত্তি করে মূল্য। প্রতিটি পরিষেবার একটি বিনামূল্যে পরিকল্পনা আছে এবং সেগুলি প্রায় সমতুল্য। আপনি দেখতে পাচ্ছেন যে ল্যাম্বদা জিবি/সেকেন্ডের জন্য কিছুটা সস্তা তবে এটির অনুরোধের সাথে সম্পর্কিত একটি খরচ রয়েছে যে ক্লাউড ফাংশনগুলির সাধারণ খরচ প্রায় একই রকম নয়। অবশ্যই, যদি আপনার এমন কাজগুলি চালানোর প্রয়োজন হয় যা মেমরি খায় এবং কয়েকটি অনুরোধ ব্যবহার করে তবে আপনার ল্যাম্বদা ব্যবহার করা উচিত। আইবিএম ক্লাউড ফাংশনের প্রধান সুবিধা, আমাদের মতে, এর স্ট্যাক ওপেন সোর্স। এটি সম্পূর্ণরূপে Apache OpenWhisk এর উপর ভিত্তি করে এবং একটি ব্যক্তিগত অবকাঠামোতেও স্থাপন করা যেতে পারে।

ধাপ 2: মেশিন লার্নিং

একটি ক্ষেত্র যেখানে আইবিএম এবং এডব্লিউএস স্ট্যাকগুলি অনুরূপ পরিষেবা সরবরাহ করে তা হল মেশিন লার্নিং: আমাজন তার সেজমেকার এবং আইবিএম ওয়াটসন মেশিন লার্নিং সহ। দুটি পরিষেবা অনেক দিক থেকে অনেকটা একই রকম: উভয়ই নিজেদেরকে উপকরণ হিসেবে উপস্থাপন করে তথ্য বিজ্ঞানীদের এবং ডেভেলপারদের তাদের মেশিন লার্নিং মডেল তৈরিতে, প্রশিক্ষণে এবং তারপর উৎপাদনের জন্য প্রস্তুত পরিবেশে স্থাপন করতে সাহায্য করে, কিন্তু দুই কোম্পানি যে দর্শন গ্রহণ করে তা কিছুটা ভিন্ন। উভয় পরিষেবা আপনাকে আপনার ব্যবহার করা মডেলগুলিতে নিয়ন্ত্রণের বিভিন্ন ডিগ্রির মধ্যে বেছে নিতে দেয়। ওয়াটসন এমএল-এ, আপনার কিছু অন্তর্নির্মিত মডেল রয়েছে যা ইতিমধ্যেই কিছু নির্দিষ্ট কাজ করার জন্য প্রশিক্ষণপ্রাপ্ত: উদাহরণস্বরূপ, যদি আপনি কোন ছবিতে কোন বস্তু উপস্থিত আছে তা চিনতে চান তবে আপনি শুধু VisualRecognitionV3 মডেলটি আমদানি করুন এবং এটি আপনার কাছে পাঠান বিশ্লেষণ করতে চান। আপনি একটি "কাস্টম মডেল" তৈরি করতে পারেন, কিন্তু ওয়াটসন এমএল -এ এর অর্থ বেশিরভাগই একটি ইতিমধ্যে নির্মিত মডেল নেওয়া এবং এর উপর আমাদের প্রশিক্ষণ নেওয়া, তাই কাস্টমাইজেশন বেশ সীমিত। এটা লক্ষ্য করা গুরুত্বপূর্ণ যে যদিও সেজমেকার বা ওয়াটসন এমএল তাদের ডেভেলপারদের স্ট্যাকগুলিতে মেশিন লার্নিং করার একমাত্র উপায় নয়, তারা কেবল ডেভেলপারদের জীবনকে সহজ করার লক্ষ্যে পরিষেবা। ওয়াটসন এমএল প্ল্যাটফর্মটি অনেক জনপ্রিয় মেশিন লার্নিং লাইব্রেরিগুলিকে সমর্থন করে, তাই আপনি এমনকি PyTorch, Tensorflow বা অনুরূপ লাইব্রেরির সাহায্যে একটি মডেল তৈরি করতে পারেন। আপনি হয় সরাসরি সেই লাইব্রেরিগুলি ব্যবহার করুন, অথবা পূর্বনির্ধারিত মডেলগুলি ব্যবহার করুন, কোন মধ্যম স্থল নেই। এছাড়াও ওয়াটসন এমএল আমাজনের পছন্দের লাইব্রেরি, অ্যাপাচি এমএক্সনেটকে সমর্থন করে না, যার পরিবর্তে সেজমেকারে প্রথম শ্রেণীর সমর্থন রয়েছে।

অ্যামাজন সেজমেকারের পদ্ধতি, এমনকি বিল্ট-ইন বিকল্পগুলি ব্যবহার করার সময়, কিছুটা বেশি নিম্ন স্তরের: আপনাকে পূর্বনির্মিত মডেলগুলি থেকে বেছে নেওয়ার পরিবর্তে, এটি আপনাকে ইতিমধ্যে বাস্তবায়িত প্রশিক্ষণ অ্যালগরিদমগুলির একটি থেকে বেছে নিতে দেয়, যা আপনি আপনার নির্মাণের সময় ব্যবহার করতে পারেন আরো traditionalতিহ্যগত পদ্ধতিতে মডেল। যদি এইগুলি পর্যাপ্ত না হয়, আপনি আপনার নিজের অ্যালগরিদম ব্যবহার করতে পারেন। এই কাজটি করার জন্য অবশ্যই ওয়াটসন এমএল -এ একটি প্রশিক্ষিত মডেল ব্যবহার করার তুলনায় মেশিন লার্নিং কীভাবে করা হয় সে সম্পর্কে আরও জ্ঞানের প্রয়োজন।

প্রথম নজরে মনে হতে পারে যে ওয়াটসন এমএল হল "সহজ এবং দ্রুত" উপায়, যেখানে আমাজন সেজমেকার সেটআপ করা আরও জটিল। কিছু দৃষ্টিকোণ থেকে এটি পুরোপুরি সত্য নাও হতে পারে, কারণ সেজেমেকার একটি জুপিটার নোটবুকে সবকিছু চালানোর জন্য গঠন করা হয়েছে, যখন ওয়াটসন এমএল-এ একই বৈশিষ্ট্যগুলির জন্য আপনাকে ওয়েব UI থেকে বিভিন্ন উপ-পরিষেবাগুলি সেট আপ করতে হবে। ডেটার প্রি -প্রসেসিংয়ের ক্ষেত্রেও আইবিএম পরিষেবায় ডেডিকেটেড স্পেস রয়েছে যখন সেজমেকার আপনার নোটবুকের কোড থেকে এটি করার উপর নির্ভর করে। এর পাশাপাশি এই সত্য যে Jupyter নোটবুকগুলি সফটওয়্যার ইঞ্জিনিয়ারিং এর দৃষ্টিকোণ থেকে ঠিক সেরা পছন্দ নয়, সেজমেকারকে উৎপাদনে খুব ভালভাবে স্কেল করা থেকে বিরত রাখতে পারে। উভয় পরিষেবাগুলিরই আপনার মডেল স্থাপন এবং বাহ্যিক বিশ্বে এটির জন্য API উপলব্ধ করার জন্য বেশ ভাল এবং সহজ প্রক্রিয়া রয়েছে।

উপসংহারে, ওয়াটসন এমএল বিশাল প্রকল্পগুলিতে আরও ভাল পারফর্ম করে যেখানে জুপিটার নোটবুকগুলি তাদের সীমা দেখাতে শুরু করে এবং যেখানে মডেলটি নিজেই করে সেখানে আপনার খুব বেশি কাস্টমাইজেশনের প্রয়োজন নেই। সেজমেকার অনেক ভালো যখন আপনার অ্যালগরিদম সংজ্ঞায়িত করার ক্ষেত্রে আরও নমনীয়তা প্রয়োজন, কিন্তু এটি ব্যবহার করার সময় আপনাকে এই বিষয়টি বিবেচনায় নিতে হবে যে আপনাকে জুপিটার নোটবুকের উপর নির্ভর করতে হবে, যা উৎপাদনে ভালো নাও হতে পারে। একটি সমাধান হতে পারে যতটা সম্ভব মডেল থেকে বাকী কোডগুলিকে ডিকুপল করা, যাতে প্রকৃত নোটবুকের কোডটি খুব বড় না হয় এবং আমরা আমাদের সফ্টওয়্যারগুলিকে অন্যান্য মডিউলগুলিতে আরও ভালভাবে সংগঠিত করতে পারি যা আমাদের মডেলের API ব্যবহার করে ।

ধাপ 3: ডেটা স্ট্রিমিং এবং অ্যানালিটিক্স

ডেটা স্ট্রিমিং পরিষেবাগুলি রিয়েল টাইমে ডেটাগুলির বিশাল প্রবাহ পরিচালনা এবং বিশ্লেষণে গুরুত্বপূর্ণ। এই প্রবাহ ক্লাউড থেকে ব্যবহারকারীদের ডিভাইসে হতে পারে, যেমন ভিডিও স্ট্রিমিং, অথবা ব্যবহারকারীদের থেকে ক্লাউডে, যেমন IoT টেলিমেট্রি এবং সেন্সর রিডিং। বিশেষ করে দ্বিতীয় ক্ষেত্রে, আমাদের এমন একটি পরিস্থিতি থাকতে পারে যেখানে একক উত্সগুলি অল্প পরিমাণে ডেটা আপলোড করে কিন্তু যখন আমরা সামগ্রিক থ্রুপুট বিবেচনা করি, সমস্ত ডিভাইস থেকে আসা, এটি যথেষ্ট ব্যান্ডউইথ ব্যবহার করে, এইভাবে এই ধরনের হ্যান্ডেল করার জন্য বিশেষ পরিষেবা ব্যবহার করা বোধগম্য হয় তথ্য প্রবাহ এই ক্রমাগত প্রবাহটি সরাসরি পরিচালনা না করে, আমাদের আগত তথ্যগুলিকে একটি অস্থায়ী স্টোরেজে বাফার করতে হবে এবং দ্বিতীয়বার এটি কিছু কম্পিউটেশনাল ইঞ্জিন দিয়ে প্রক্রিয়া করতে হবে। এই শেষ পদ্ধতির সমস্যা হল যে একটি একক ডেটা স্ট্রিম পরিষেবা ইতিমধ্যেই একা যা করে তা অর্জনের জন্য আমাদের আরও বিভিন্ন পরিষেবার সমন্বয় করতে হবে, যা অ্যাপ্লিকেশনটির রক্ষণাবেক্ষণ এবং কনফিগারেশনের জটিলতা বৃদ্ধি করে। উপরন্তু, বাফারিং নীতিগতভাবে আমাদের আবেদনকে আর রিয়েল টাইমে করতে পারে না, যেহেতু একটি আইটেম প্রক্রিয়াজাত করার জন্য এটি প্রয়োজনীয় যে এটির আগে অন্যান্য আইটেমগুলিও প্রক্রিয়াজাত করা উচিত, এবং বাফারে অগ্রাধিকার নীতি যোগ করা যেতে পারে, আবার, জটিলতা ব্যাপকভাবে বৃদ্ধি। সংক্ষেপে, ডেটা স্ট্রিমিং পরিষেবাগুলি একটি সহজ কনফিগারেশন সহ রিয়েল টাইমে ডেটা ফ্লো হ্যান্ডলিং অফার করে এবং আগত ডেটার বিশ্লেষণ প্রদান করতে পারে। এখানে আমরা IBM এবং AWS স্ট্যাকের দুটি প্রধান স্ট্রিমিং পরিষেবার তুলনা করি, যথা IBM Streams এবং AWS Kinesis।

আমরা লক্ষ্য করে শুরু করি যে আমরা স্ট্রিমিং পরিষেবা থেকে যে সমস্ত মৌলিক বৈশিষ্ট্যগুলি চাই তা আইবিএম এবং এডব্লিউএস উভয়ই অফার করে। এই বৈশিষ্ট্যগুলির মধ্যে কার্যত অসীম প্রক্রিয়াকরণের হার, কম বিলম্ব এবং রিয়েল টাইম ডেটা বিশ্লেষণ অন্তর্ভুক্ত। যেহেতু আমরা পেশাদার পরিষেবা সম্পর্কে কথা বলছি, তারা উভয়ই স্থাপনা এবং অটোমেশনের জন্য উত্পাদন-গ্রেড সরঞ্জাম সরবরাহ করে।

ডেটা অ্যানালিটিক্স সম্পর্কে কথা বললে, উভয় পরিষেবাই এটি একটি alচ্ছিক হিসাবে অফার করে, যার ফলে আপনার প্রয়োজন বা না থাকাকালীনই আপনি অর্থ প্রদান করেন। কিনেসিসের ক্ষেত্রে, যখন আপনার বিশ্লেষণের প্রয়োজন হয় না কিন্তু শুধু ডেটা ফ্লো হ্যান্ডলিংয়ের প্রয়োজন হয়, তখন আইবিএমের মতো প্রসেসিং টাইমের পরিবর্তে প্রতি জিবি প্রসেসেড মূল্য নেওয়া হয়। প্রতি জিবি মূল্য সাধারণত প্রতি দামের চেয়ে কম ব্যয়বহুল হবে, যেহেতু আপনি শুধুমাত্র আগত ট্রাফিকের জন্য অর্থ প্রদান করছেন। এই পোস্টের বাকি অংশে আমরা ডাটা অ্যানালিটিক্স ফিচার সক্ষম করে আইবিএম স্ট্রিমস এবং এডব্লিউএস কিনেসিস দুটোই বিবেচনা করব।

স্ট্রিমস এবং কিনেসিস ইনপামিং ডেটা যথাক্রমে অ্যাপাচি এডজেন্ট এবং এডব্লিউএস ল্যাম্বডার সাথে ডেটা অ্যানালিটিক্সে পাঠানোর আগে প্রাক-প্রক্রিয়াকরণ এবং ফিল্টার করার জন্য বিভিন্ন পরিষেবার সাথে ইন্টিগ্রেশন প্রদান করে। যদিও এই পরিষেবাগুলি একে অপরের থেকে একেবারে আলাদা, আমরা কেবল দুটি স্ট্রিমিং পরিষেবার দৃষ্টিকোণ থেকে সেগুলি নিয়ে আলোচনা করব। উভয়ের মধ্যে মৌলিক পার্থক্য হল অ্যাপাচি এডজেন্ট ডিভাইসে এক্সিকিউট করে, আর AWS ল্যাম্বদা ক্লাউডে এক্সিকিউট করে। এটি প্রচুর সুবিধা এবং অসুবিধা নিয়ে আসে: ল্যাম্বডা দিক থেকে আমাদের একটি নমনীয় এবং সহজেই ব্যবহারযোগ্য পরিষেবা রয়েছে যা কিনেসিসের সাথে একটি অবিচ্ছিন্ন ইন্টিগ্রেশন সহ, তবে এর জন্য ক্লাউডে ডেটা ইতিমধ্যেই আপলোড করা দরকার, এইভাবে দক্ষতা হারানো এবং কিনেসিসকে অর্থ প্রদান করা সেই ডেটার জন্য যা শেষ পর্যন্ত বাতিল হয়ে যাবে। পরিবর্তে এডজেন্ট দিক থেকে, আমরা ক্লাউডে অকেজো ডেটা আপলোড করার আগে নেটওয়ার্কের প্রান্তে (এইভাবে ডিভাইসগুলিতে) বেশিরভাগ গণনা সম্পন্ন করেছি। প্রধান ত্রুটি হল যে এডজেন্ট একটি বড় কাঠামো, যা সেট আপ করার জন্য সময় প্রয়োজন হতে পারে এবং বজায় রাখার জন্য জটিল হতে পারে। আরেকটি পার্থক্য যা একটি প্ল্যাটফর্মের পছন্দের ক্ষেত্রে প্রাসঙ্গিক হতে পারে তা হল এডজেন্ট সম্পূর্ণরূপে ওপেন সোর্স, ল্যাম্বদা নয়। এটি একটি প্রো হিসাবে উভয়ই দেখা যেতে পারে, যেহেতু আপনি বা আপনার গ্রাহক যে কোডটি চালাবেন তার অ্যাক্সেস থাকা সবসময় একটি ইতিবাচক বিষয়, উভয়ই একটি কনস হিসাবে, কারণ এমন পরিস্থিতিতে থাকতে পারে যেখানে আপনার জরুরি সহায়তা প্রয়োজন যা প্রদান করা যাবে না সমস্ত ওপেন সোর্স পরিবেশ।

অন্যান্য বৈশিষ্ট্য যা আমরা উল্লেখ করতে পারি তা হল বরাদ্দকৃত সম্পদের কাইনেসিসের অটো-স্কেলেবিলিটি। প্রকৃতপক্ষে, এটি যে হার্ডওয়্যারটি সরবরাহ করে তা বেশ কয়েকটি তথাকথিত কিনেসিস প্রসেসিং ইউনিট (কেপিইউ) দ্বারা সমান্তরালভাবে চলমান, যেখানে একটি কেপিইউ 1 ভিকোর এবং 4 জিবি র.্যাম সরবরাহ করে। তাদের সংখ্যা অ্যাপ্লিকেশনের প্রয়োজনের উপর নির্ভর করে এবং গতিশীলভাবে এবং স্বয়ংক্রিয়ভাবে বরাদ্দ করা হয় (আপনি যা পরিশোধ করেন তা প্রকৃতপক্ষে CPU- র সময় কেপিইউ -এর সংখ্যার চেয়ে বেশি), শুধু মনে রাখবেন যে আপনি যদি একটি জাভা ব্যবহার করেন তবে আপনাকে আরও একটি KPU চার্জ করা একটি কিনেসিস নীতি। আবেদন আইবিএম স্ট্রিম, পরিবর্তে, এই ধরনের নমনীয়তা প্রদান করে না, আপনাকে নির্দিষ্ট হার্ডওয়্যার সহ একটি ধারক সরবরাহ করে, যখন আমরা মূল্য সম্পর্কে কথা বলি তখন আরো বিস্তারিত। অন্যদিকে, আইবিএম স্ট্রিমগুলি কিনেসিসের চেয়ে বেশি উন্মুক্ত, যেহেতু এটি সাধারণ ব্যবহার করা প্রোটোকলের মাধ্যমে WAN- এর সাথে ইন্টারফেস করে, যেমন HTTP, MQTT ইত্যাদি, যখন Kinesis AWS বাস্তুতন্ত্রের জন্য বন্ধ থাকে।

চূড়ান্ত তুলনা হিসাবে আসুন মূল্যের বিষয়ে কথা বলি এবং আমাকে বলি যে আইবিএম এই মুহুর্তে দুর্দান্ত কাজ করে না। আমরা আইবিএম এবং এডব্লিউএস উভয়ের জন্য তিনটি ভিন্ন বিভাগের (বেসিক, হাই-এন্ড, আল্ট্রা-হাই-এন্ড) জন্য বিভিন্ন সমাধান কনফিগার করেছি এবং আমরা তাদের মূল্য তুলনা করতে যাচ্ছি। মৌলিক কনফিগারেশনে আমাদের একটি AWS KPU আছে, যা আগে উল্লেখ করা হয়েছে, একই হার্ডওয়্যারের সাথে একটি IBM সমাধানের বিপরীতে। হাই-এন্ডের জন্য আমাদের 8 টি কেপিইউ চলছে কাইনেসিসের জন্য সমান্তরাল এবং 2 টি পাত্রে সবসময় আইবিএমের জন্য সমান্তরাল, প্রতিটি 4 টি ভিকোর এবং 12 গিগাবাইট র্যাম সহ। সর্বদা IBM আল্ট্রা-হাই-এন্ডে 16 vCores এবং 128GB RAM সহ একটি একক কন্টেইনার অফার করে, যখন আমরা AWS এর জন্য একটি সমতুল্য সমাধান বাদ দিয়েছি, যেহেতু যদি কিছু অ্যাপ্লিকেশনের জন্য এই বড় পরিমাণ RAM প্রয়োজন হয় তবে এটি বিভিন্ন KPU- তে চালানো সম্ভব নয় । 24/7 ব্যবহার বিবেচনা করে আমরা যে মূল্যগুলি প্রতিবেদন করি তা $/মাসে প্রকাশ করা হয়। মৌলিক কনফিগারেশনের জন্য আমাদের যথাক্রমে IBM এবং AWS- এর জন্য 164 $ এবং 490 $, হাই-এন্ড 1320 $ এবং 3500 $, আল্ট্রা-হাই-এন্ড AWS এর জন্য বিবেচনা করা হয় না এবং 6300 $ দিয়ে শুধুমাত্র IBM আছে। এই ফলাফলগুলি থেকে আমরা দেখতে পাই যে Kinesis দৈনন্দিন ব্যবহারকারীর জন্য এন্টারপ্রাইজ স্তর পর্যন্ত ভাল কাজ করে, যখন এটিতে সরাসরি ডেটা বিশ্লেষণ পরিচালনা করার বিকল্পগুলির অভাব রয়েছে যার জন্য প্রচুর পরিমাণে কম্পিউটিং শক্তি প্রয়োজন। কিনেসিস আইবিএম স্ট্রিমের চেয়ে ভাল পারফরম্যান্স/$ অনুপাত সরবরাহ করে, ছোট প্রয়োজনে ছোট রিসোর্স ব্লকের গতিশীল বরাদ্দ দ্বারাও সাহায্য করে, যখন আইবিএম আপনাকে একটি নির্দিষ্ট ধারক সরবরাহ করে। এই ভাবে, যদি আপনার কাজের চাপ শিখর দ্বারা চিহ্নিত করা হয়, IBM- এর সাহায্যে আপনি আপনার অ্যাপ্লিকেশনের প্রয়োজনের অতিরিক্ত মূল্যায়ন করতে এবং সবচেয়ে খারাপ পরিস্থিতিতে একটি সমাধান কনফিগার করতে বাধ্য হন। IBM পুরো মাস প্রদানের পরিবর্তে ঘন্টা ফি প্রদান করে, কিন্তু এটি Kinesis হিসাবে স্বয়ংক্রিয় নয়।

ধাপ 4: আইওটি আর্কিটেকচার

আইবিএম ওয়াটসন আইওটি এর সাথে তুলনা করলে অ্যাডস আইওটির জন্য ডিভাইসের কনফিগারেশন বেশ সহজ। কারণ আইবিএম ওয়াটসন আইওটি -তে টোকেন সহ প্রতি ডিভাইসে প্রমাণীকরণ করা হয় এবং একবার এটি টোকেন প্রদর্শন করলে এটি আর কখনও প্রদর্শিত হবে না। মূল্যের অংশে আবার আইবিএম ওয়াটসন আইওটি আইওএস আইওটির তুলনায় বেশ ব্যয়বহুল। সুতরাং, আইবিএম ওয়াটসন আইওটি চার্জের মূল্য প্রতি ডিভাইস, ডেটা স্টোরেজ, ডেটা ট্র্যাফিকের উপর ভিত্তি করে। কিন্তু aws iot এ আমরা একবার পরিমাণ পরিশোধ করতে পারি এবং আমরা আরও ডিভাইস এবং ডিভাইস থেকে প্রকাশিত ডেটা যোগ করতে পারি এবং ডিভাইসে বিতরণ করতে পারি।

আপনার ডিভাইস দিয়ে শুরু করুন- এটি সেন্সর, গেটওয়ে বা অন্য কিছু- এবং ক্লাউডের সাথে সংযোগ স্থাপনে আমাদের সাহায্য করুন।

যখন আপনি খোলা, লাইটওয়েট এমজিটিটি মেসেজিং প্রোটোকল বা এইচটিটিপি ব্যবহার করে ক্লাউডের সাথে সংযুক্ত হন তখন আপনার ডিভাইসের ডেটা সবসময় সুরক্ষিত থাকে। প্রোটোকল এবং নোড-রেডের সাহায্যে আমরা আমাদের ডিভাইসকে আইওটি প্ল্যাটফর্মের সাথে সংযুক্ত করতে পারি এবং লাইভ এবং historicalতিহাসিক তথ্য অ্যাক্সেস করতে পারি।

আপনার ডিভাইসগুলির ডেটার সাথে আপনার অ্যাপগুলিকে সংযুক্ত করতে আমাদের নিরাপদ API ব্যবহার করুন।

ডেটা ব্যাখ্যা করার জন্য আমাদের প্রদত্ত ক্লাউড পরিষেবার মধ্যে অ্যাপ্লিকেশন তৈরি করুন।