物流配送之司，操Dynamics 365 Supply Chain Management者，日需实时运营之数：GPS所踪之货，RFID所读之存，遥测所察之车。非问其是否为之，乃问其自建专管之渠，抑或用微软既供之器。
论及此，显三制。其二者，难成其大。
不耐世触之纹
不谙 Azure 监测之栈者，常拟其一：
- Excel 并批导入：藏传感之读于表，每时导入 F&O 之 DMF。败，盖因传感之量（每秒千读于众舰）未至 F 而已先溃 Excel與O之批處窗。
- 第三方整合平台，日日推進。租此困，推之於隊外，實時預測之見，成昨日之鏡。
- SharePoint手記。此議驚人，常見於初建之會。不克展於一試之車。
此等皆非近实时数据之交付，亦无扩至车队之能.
Azure原生之管路
微软之参考架构，于此境所荐之式：
- 摄取层：Azure IoT Hub自诸器（传感器、RFID读器、车体遥测）受遥测。每器类一MQTT或AMQP之端点，随IoT Hub之单元而扩。
- 流处理：Azure流分析读取自物联网中心，对数据窗口之（如，车辆位置一分钟滚动窗口，库存读取五分钟窗口），行聚合与异常检测于内完成.
- 增丰与导引：流分析之输出，达诸多汇——数据域供Power Apps用之操作数据，Azure服务总线为工作流触发，Azure Blob为冷存储分析之用。
- ：入D365：Power Automate之流，因数据域变（或服务总线之信）而发，更F。或依数据实体及商业事件。若需极高吞吐量，可绕行Power Automate，直呼F&直由定制服务。
- 分析层寒 Blob 之库，哺 Azure Synapse 以成预测之模；预测之环，复经 Dataverse 而入 F。&奥之师规划所入。
此堆栈每日可承载百万事件，无需定制设施。
模式之内权衡取舍
建筑自有其抉择。
- 流分析对比 Azure 函数流分析之术，有如明文之SQL，内置时窗之设。函数以增其变通，然需添码。遇阻则用函数，先求流分析。
- 数据宇宙为热库与F之比较&请指示Dataverse较之F，更能容频繁之写。&呜呼案几。当致书于Dataverse，使双写或定制同步推及F。&日程表F之上也&其能消融也。
- 自动化流程之比较：Power Automate与定制服务: Power Automate可应付每分钟数百次触发，逾此则需定制服务于F&侧方乃逃生之孔。
- 数据量于F&噢勿将每项传感读数推入F&O。流分析中聚合（如"车辆X于位置Y之十五分钟窗口"），书其聚合，使F&O仅载规划者所询。
末点多困诸项目：欲"悉数据于F&O"之心，实损F&O之效。
安防与运维
- 设备标识：每设备得 IoT Hub 标识，配 X.509 证书或 SAS 密钥。吊销事宜由 IoT Hub 设备注册表处理。
- 网络隔离：IoT Hub、Stream Analytics 及 F&O 边界间有私有链路。不得已处仅设公共端点。
- 监控：Azure Monitor之仪表盘，示IoT Hub之吞吐量，Stream Analytics之延迟，Dataverse之写入量。有警讯，若任一输出端滞后者。
- ：成本控制：IoT Hub之单元与Stream Analytics之流单元，乃成本之驱动二。量其大小，当依实测之峰值吞吐，非臆想之量。
：此架构所附之器何物？
：运作之IoT至F。O之整合，具：物联枢纽（IoT Hub）以设器自动化，各数据类之流分析（Stream Analytics）任，配版本化SQL询；数据宇宙（Dataverse）定制表以应运算；赋能自动化（Power Automate）或定制服务执笔以达&O；更备运行簿以增新器类，无待每度架构复审。
建造成本前置，而循环成本远低于定制集成平台，盖因粘合层（IoT Hub, Stream Analytics, Dataverse, Power Automate）皆由微软管理。此乃建议：倚赖托管服务，避免永为所拥有的基础设施。