Kanten, Wolken und das IoT
Wie Edge Computing die Cloud ergänzt
Kann Edge Computing die Cloud ersetzen? Ein genauer Blick zeigt: Erst aus beiden Technologien gemeinsam lässt sich eine Ende-zu-Ende-Lösung für das Industrial IoT schaffen. Dabei rückt das Gerät, das erfasste Produktionsdaten verarbeiten sollte, im Verhältnis zur erforderlichen Reaktionsgeschwindigkeit immer näher an den Shop Floor heran.
BIld: Software AGIoT-Lösungen basieren häufig auf Cloud-Computing: Ganze Software-Kategorien wie Kundenmanagement, Projektverwaltung, Collaboration, Teamkommunikation, Datenanalysen und künstliche Intelligenz werden nahezu vollständig in die Cloud ausgelagert. Für diese Entwicklung gibt es zwei Treiber: Rechenleistung und Komfort - Mitarbeiter können Daten beispielsweise an jedem Ort und auf unterschiedlichen Geräten nutzen. Die verfügbare Rechenleistung in der Cloud macht wiederum neuere technologische Ansätze überhaupt erst möglich.
Die Grenzen der Cloud
Ein Beispiel: Für Predictive Maintenance werden Industrieanlagen mit Sensoren ausgestattet, die Zustandsdaten in die Cloud senden. Per Machine Learning werden die Daten ausgewertet und auf Auffälligkeiten wie Verschleiß der beweglichen Teile untersucht. Da Sensoren permanent Signale senden, entstehen große Datenmengen, die via Internet in der Cloud landen sollen. Dadurch kann sie zum Flaschenhals werden. In bestimmten kritischen Situationen, etwa beim Überhitzen von Anlagen, kann die Cloud so nur verlangsamt reagieren. Cloud Computing stößt dabei an seine technischen Grenzen, was die Nutzung bestimmter IoT-Anwendungen erschwert. Zudem wird, durch die zunehmende Verbreitung von IoT-Geräten, die verfügbare Bandbreite immer stärker ausgelastet. Selbst ein Gigabit-Glasfaserkabel kann durch die großen Datenmengen überlasten. Beispielsweise liefert eine hochauflösende Überwachungskamera pro Stunde bis zu 80 Terabyte an Rohdaten. Um beispielsweise eine auf Machine Learning basierte Einbruchserkennung anhand von Bewegungen im Kamerabild zu nutzen, erweist sich die Übertragung aller Daten in die Cloud als nicht praktikabel.
Daten bündeln
Mit der Hilfe von Edge Computing, also zur Verfügung stehenden IT-Kapazitäten am Rande des Netzwerks, können Datenzugriffe gebündelt und an die Cloud weitergeleitet werden. Die jeweiligen Devices schieben also sich zwischen Sensor und Cloud, wodurch beispielsweise schnelle Reaktionen auf technische Probleme ermöglicht werden. Darüber hinaus haben sie die Aufgabe, die Datenübertragung in die Cloud zu optimieren. Im Falle der Überwachungskamera würde es beispielsweise nur dann eine Live-Übertragung geben, wenn ein Computersystem vor Ort anhand seines Maschine-Learning-Modells einen Einbruch erkennt.
Devices unterscheiden
Die unterschiedlichen Einsatzszenarien für Edge-Computing führen zu spezifischen Anforderungen an die jeweiligen Geräte. Während beispielsweise die Bündelung von Sensordaten auch von recht einfachen Geräten erledigt werden kann, sind für andere Anwendungsfälle größere Server erforderlich. Eine Unterscheidung kann nach den vor Ort verfügbaren IT-Ressourcen getroffen werden. Demnach gibt es Thin Edge Devices, Embedded Devices und Thick Edge Devices.
- • Thin Edge Devices besitzen eine vergleichsweise geringe Rechenleistung und Speicherkapazität. Sie werden im Regelfall als IoT-Gateway für Sensoren in größeren Maschinenparks genutzt. Die Geräte führen einfache Echtzeit-Analysen aus, um beispielsweise die Daten der Sensoren anhand vorgegebener Kriterien zu filtern. Dadurch werden die Verbindungen zur Cloud nicht überbelastet.
- • Embedded Thin Edge Devices werden beispielsweise an komplexere Werkzeugmaschinen und Industrieroboter angeschlossen. Sie erfüllen die Aufgabe eines IoT-Gateways, erlauben aber die schnelle Verarbeitung von wichtigen Daten, beispielsweise Alarmmeldungen wegen Überlastung.
- • Thick Edge Devices sind im Grunde ausgewachsene On-Site-Server mit entsprechenden Leistungsdaten und Speicherkapazitäten. Sie übernehmen zeitkritische Aufgaben von Cloud-Anwendungen, etwa die Echtzeit-Analyse extrem großer Volumina an Sensordaten und die autonome Verarbeitung, um vor Ort schnell auf die per Datenanalyse ermittelten Situationen reagieren zu können.
Die Gemeinsamkeit aller IoT-Geräte, von der Sensorbox bis zum Thick Edge Device, ist ihre Anbindung an eine Ende-zu-Ende-Lösung im Rahmen einer IoT-Plattform wie etwa Cumulocity IoT in der Cloud. Sie sind Teil eines Smart Services mit zentralem Gerätemanagement. Eine Hilfe beim erfolgreichen Einsatz von Edge Computing ist zudem die Möglichkeit, einen gemeinsamen Software-Stack, sowohl in der Cloud als auch in Thick Edge Devices, zu benutzen. Dadurch müssen die Anwender nur eine einzige Lösung administrieren, die je nach Wunsch entweder in der Cloud oder der Edge arbeitet. Alle IoT-Geräte sowie die Cloudanwendungen sind deshalb als Teil einer komplexen, übergreifenden IoT-Systemlösung zu verstehen.
Cloud und Edge gemeinsam
Edge Computing kann eine Cloud kaum ersetzen. Vielmehr entsteht insbesondere im IIoT eine verteilte Verarbeitung der Daten, bei der Cloud und Edge Hand in Hand arbeiten. In typischen IoT-Szenarien in der Industrieproduktion sind die Analytics-Funktionen auf verschiedene Edge Devices und Cloud Services verteilt. Je wichtiger schnelle Reaktionen und Echtzeit-Fähigkeiten sind, desto stärker nutzt die entsprechende Lösung das Edge Computing. Die Cloud dagegen ist die zentrale Datensammelstelle für Business Analytics, Machine Learning und Prozesssteuerung. In der Praxis kommt es also auf die richtige Mischung aus Cloud und Edge an. n Business Unit bei der Software AG sowie Gründer und CEO bei Cumulocity.
Kann Edge Computing die Cloud ersetzen? Ein genauer Blick zeigt: Erst aus beiden Technologien gemeinsam lässt sich eine Ende-zu-Ende-Lösung für das Industrial IoT schaffen. Dabei rückt das Gerät, das erfasste Produktionsdaten verarbeiten sollte, im Verhältnis zur erforderlichen Reaktionsgeschwindigkeit immer näher an den Shop Floor heran.
BIld: Software AGIoT-Lösungen basieren häufig auf Cloud-Computing: Ganze Software-Kategorien wie Kundenmanagement, Projektverwaltung, Collaboration, Teamkommunikation, Datenanalysen und künstliche Intelligenz werden nahezu vollständig in die Cloud ausgelagert. Für diese Entwicklung gibt es zwei Treiber: Rechenleistung und Komfort - Mitarbeiter können Daten beispielsweise an jedem Ort und auf unterschiedlichen Geräten nutzen. Die verfügbare Rechenleistung in der Cloud macht wiederum neuere technologische Ansätze überhaupt erst möglich.
Die Grenzen der Cloud
Ein Beispiel: Für Predictive Maintenance werden Industrieanlagen mit Sensoren ausgestattet, die Zustandsdaten in die Cloud senden. Per Machine Learning werden die Daten ausgewertet und auf Auffälligkeiten wie Verschleiß der beweglichen Teile untersucht. Da Sensoren permanent Signale senden, entstehen große Datenmengen, die via Internet in der Cloud landen sollen. Dadurch kann sie zum Flaschenhals werden. In bestimmten kritischen Situationen, etwa beim Überhitzen von Anlagen, kann die Cloud so nur verlangsamt reagieren. Cloud Computing stößt dabei an seine technischen Grenzen, was die Nutzung bestimmter IoT-Anwendungen erschwert. Zudem wird, durch die zunehmende Verbreitung von IoT-Geräten, die verfügbare Bandbreite immer stärker ausgelastet. Selbst ein Gigabit-Glasfaserkabel kann durch die großen Datenmengen überlasten. Beispielsweise liefert eine hochauflösende Überwachungskamera pro Stunde bis zu 80 Terabyte an Rohdaten. Um beispielsweise eine auf Machine Learning basierte Einbruchserkennung anhand von Bewegungen im Kamerabild zu nutzen, erweist sich die Übertragung aller Daten in die Cloud als nicht praktikabel.
Cumulocity GmbH
Dieser Artikel erschien in IT&Production April 2018 - 06.04.18.Für weitere Artikel besuchen Sie www.it-production.com
