Edge Computing: Was ist das und warum ist es wichtig?

Über das herkömmliche Cloud Computing hinaus wird auch Edge Computing zu einem Wegbereiter in der Welt des IoT. Geringere Latenzzeiten, Reaktionsfähigkeit in Echtzeit und eine verbesserte Bandbreiteneffizienz sind nur einige der Vorteile, die sich daraus ergeben, dass Datenverarbeitung und -speicherung näher an den Ort der Datenerzeugung verlagert werden.

 

Lassen Sie uns jedoch noch etwas tiefer in das Thema Edge Computing einsteigen. Was sind die Vorteile gegenüber Cloud Computing ? Für welche Anwendungen ist Edge Computing sinnvoll?

 

Was ist Edge Computing?

 

Obwohl Cloud Computing wahrscheinlich viel Aufmerksamkeit erhalten hat, spielt auch Edge Computing eine wichtige Rolle. Während lokales Computing Daten direkt auf Ihrem Gerät verarbeitet und Cloud Computing Daten in entfernten Rechenzentren verarbeitet, liegt Edge Computing dazwischen und löst Probleme, die keines der beiden allein bewältigen kann:

• Reduzierte Latenz. Edge-Computing verarbeitet Daten in Echtzeit oder nahezu in Echtzeit und verringert so die Latenz bei der Übertragung von Daten in die Cloud und zurück. Dies ist ideal für Anwendungen wie industrielle Automatisierung oder selbstfahrende Autos, die schnell reagieren müssen.
• Reduzierte Netzwerkbelastung. Es müssen weniger Daten in die Cloud übertragen werden, wodurch Netzwerk-Kapazitäten frei werden, wenn die Datenverarbeitung näher an der Quelle erfolgt.
• Kosteneinsparungen. Im Laufe der Zeit gehen geringere Bandbreitenkosten mit einem geringeren Datenübertragungsvolumen einher.
• Verbesserter Datenschutz und höhere Sicherheit. Durch die lokale Verarbeitung sensibler Daten oder die Verarbeitung auf Edge-Geräten wird das Risiko einer Datenoffenlegung während der Übertragung oder der Speicherung in der Cloud verringert.
• Offline-Fähigkeiten. Selbst wenn Ihr Gerät nicht mit dem Internet verbunden ist, ermöglicht Edge Computing ein gewisses Maß an Datenverarbeitung und Berechnung.

Edge Computing ermöglicht im Wesentlichen eine schnellere, effektivere und sicherere Datenverarbeitung, indem Rechenleistung und Datenspeicherung näher an den Ort des Bedarfs gebracht werden.

 

Edge-Computing-Architektur

Eine typische Edge-Computing-Konfiguration umfasst eine dreistufige Struktur:

• Die Cloud-Ebene ist der bekannte Bereich entfernter Rechenzentren, die für die Verarbeitung großer Datenmengen und deren langfristige Speicherung zuständig sind. Hier finden viele komplexe Analysen, maschinelles Lernen und Datenaufbewahrung statt.
• Die Edge-Ebene: Die Magie der nahezu Echtzeitverarbeitung findet auf dieser Ebene statt. Dazu gehören Edge-Server oder Gateways, die sich in lokalen Netzwerken oder vor Ort befinden, näher an den Datenquellen. Um schnell Entscheidungen treffen zu können und die Notwendigkeit zu minimieren, alles in die Cloud zu übertragen, filtert, aggregiert und verarbeitet die Edge-Ebene Daten lokal.
• Die Geräteebene: An der Peripherie des Netzwerks umfasst diese Ebene eine Vielzahl miteinander verbundener Geräte und Sensoren. Diese Geräte erzeugen unverarbeitete Daten, wie beispielsweise Bilder von Überwachungskameras und Temperaturmessungen aus intelligenten Fabriken. Diese Geräte sammeln Daten und leiten sie zur weiteren Analyse an die Edge-Ebene weiter, können jedoch auch einige grundlegende Verarbeitungsvorgänge durchführen.

 

Edge-Computing-Klassifizierungen basierend auf dem Prozessortyp

Edge-Computing lässt sich anhand des verwendeten Prozessors grob in zwei Typen unterteilen:

• Edge-CPU. Zentralprozessoren (CPUs) übernehmen den Großteil der allgemeinen Rechenaufgaben. Dazu gehören die Datenverarbeitung, das Netzwerkmanagement und leichte KI-Inferenz. Das Hauptziel beim CPU-Design ist es, einen Kompromiss zwischen geringem Stromverbrauch und allgemeiner Rechenleistung zu finden.
• Edge-GPU. Hochgradig parallele Rechenaufgaben sind eine Stärke von Grafikprozessoren (GPUs). Zu diesen Aufgaben gehören die Bearbeitung groß angelegter Modelle, die Verarbeitung von Grafiken sowie das Training und die Inferenz in Deep-Learning-Modellen. GPUs werden aufgrund ihrer Überlegenheit bei der parallelen Verarbeitung häufig in Anwendungen eingesetzt, die eine hohe Rechenleistung erfordern.

Woher stammen die für die Berechnung verwendeten Daten?

 

Mit dem Aufkommen des Internets der Dinge (IoT) werden Maschinen und Geräte immer intelligenter. Für diese Intelligenz sind erhebliche Rechenleistung und immense Datenmengen erforderlich. In dieser Situation ist das Computing die Königin, die kontrolliert, wie die Daten verwendet werden, während die Daten der König sind.

 

Für die Intelligenz von Maschinen und Anlagen werden mehr Daten benötigt. Diese stammen aus folgenden Quellen:

• Operative Technologie (OT)-Daten: Dazu gehören Informationen, die von entsprechenden Sensoren an den Geräten erfasst werden, sowie Daten, die von den Maschinen selbst erzeugt werden, wie z. B. Betriebsstatus und Informationen zu Störungen.
• Informationstechnologie (IT)-Daten: Diese bieten einen umfassenderen Kontext als nur Maschinenaktivitäten und umfassen Daten, die aus anderen Geschäftssystemen gesammelt wurden.

Durch die Integration, Untersuchung und Auswertung dieser IT- und OT-Daten können wir intelligente Anwendungen entwickeln. Dazu gehören beispielsweise Anwendungen, die die Intelligenz der Maschine steigern, die Qualitätskontrolle während des Betriebs verbessern oder vorausschauende Wartungsmaßnahmen ermöglichen, um ungeplante Ausfälle zu vermeiden.

 

Konnektivität ist der Grundstein für alles. Die Fähigkeit, Verbindungen herzustellen und zu kommunizieren, ist für all diese Daten unerlässlich. Daher ist der erste und wichtigste Schritt, um maschinelle Intelligenz zu ermöglichen und das volle Potenzial des Internets der Dinge auszuschöpfen, die Schaffung zuverlässiger Verbindungen.

 

In welchen Szenarien ist der Einsatz von Edge-Computing erforderlich?

 

Edge Computing ist ideal in folgenden Szenarien:

• Geringe Latenz ist entscheidend. Die reduzierte Latenz, die Edge-Computing bietet, ist vorteilhaft für Anwendungen wie industrielle Automatisierung, autonome Fahrzeuge und Fernoperationen, die eine Datenverarbeitung und Reaktion in Echtzeit oder nahezu in Echtzeit erfordern. Es ist einfach nicht schnell genug, Daten an eine entfernte Cloud zu senden und auf eine Antwort zu warten.
• Die Bandbreite ist begrenzt oder teuer: Edge-Computing ermöglicht die Datenverarbeitung und -analyse näher an der Quelle, wodurch die Notwendigkeit, alles in die Cloud zu senden, minimiert wird, wenn der Transport großer Datenmengen in die Cloud aufgrund von Bandbreitenbeschränkungen oder Kosten schwierig ist.
• Datenlokalität ist wichtig. Edge-Computing ermöglicht die lokale Verarbeitung und Speicherung in Szenarien, in denen Daten aufgrund von Datenschutz-, Sicherheits- oder Compliance-Beschränkungen innerhalb eines bestimmten geografischen Standorts oder vor Ort verbleiben müssen.
• Die Konnektivität ist unzuverlässig: Edge-Computing bietet ein gewisses Maß an Autonomie, wenn Programme auch bei sporadischen oder instabilen Netzwerkverbindungen zur Cloud weiterlaufen müssen. Sobald die Konnektivität wiederhergestellt ist, können die Daten später synchronisiert werden und wichtige Funktionen können lokal weiterlaufen.

 

Welche Funktionen muss Edge Computing im Industrial Internet of Things (IIoT)-System realisieren?

 

Die IIoT-Architektur lässt sich wie folgt zusammenfassen „End-Pipe-Edge-Anwendung“ Um seine Ziele zu erreichen, muss Edge Computing im IIoT die folgenden Kernfunktionen realisieren:

• Datenerfassung in Richtung Süden (Ende). Dazu gehört das Sammeln von Informationen aus verschiedenen Geräten, Maschinen und Sensoren. Damit Edge-Computing-Lösungen mit einer Vielzahl von Geräten funktionieren, müssen sie eine große Anzahl industrieller Protokolle unterstützen.
• Kommunikation in Richtung Norden (Pipe). Die Daten müssen nach der Erfassung sicher an Server vor Ort oder in der Cloud übertragen werden. Je nach den Anforderungen der Anwendung ermöglicht Edge Computing die Weiterleitung von Daten aus mehreren Quellen an unterschiedliche Ziele.
• Computing Engine (Edge). Edge Computing leistet mehr als nur die Speicherung und Übertragung von Daten; es verarbeitet und analysiert diese auch lokal. Um die betriebliche Effizienz zu verbessern und die Fehlerbehebung zu optimieren, umfasst dies die Unterstützung einer Vielzahl von Datenbanken, die praktische Umsetzung von Datenanalysealgorithmen und die Bereitstellung von Datenvisualisierungsfunktionen.
• Entwicklungs-Engine (Anwendung). Die Anwendungen für das IIoT variieren je nach Branche und Anwendungsfall erheblich. Die Erstellung einzigartiger Anwendungen wird durch eine offene Computing-Plattform erleichtert, die mit Funktionen wie objektorientierter Programmierung, grafischer Programmierung und Hochsprachen ausgestattet ist.

Die Unterstützung für Containerisierung vereinfacht die Bereitstellung von Anwendungen auf vielen Plattformen erheblich.

• Sicherheits-Engine. Da die Nutzung des IIoT zunimmt, ist es von entscheidender Bedeutung, ein hohes Maß an Sicherheit zu gewährleisten. Ein umfassendes Sicherheitssystem sollte Folgendes umfassen:
  • Sicherheit für den Betrieb. Implementieren Sie robuste Sicherheitsverfahren, die den Anforderungen von ISO 27001 und IEC 62443-4-1 entsprechen.
  • Mehrere Verteidigungsebenen. Richten Sie Sicherheitsmaßnahmen für das Netzwerk, die Hardware, das System und den Betrieb ein.
  • Häufige Bewertung der Penetration. Penetrationstests sollten regelmäßig durchgeführt werden, um Schwachstellen zu finden und frühzeitig zu beheben.

Unternehmen wie Robustel haben die Bedeutung der Sicherheit erkannt und umfassende Lösungen entwickelt, um diesen Bedenken Rechnung zu tragen.

 

Servicemodelle für industrielles Edge-Computing

 

Aus Sicht der Produktverteilung bietet Industrial Edge Computing die folgenden Servicemodelle:

 

Nur Gateway-Hardware. Obwohl es kein Betriebssystem und keine Middleware hat, bietet es dennoch die grundlegenden Verbindungs- und Kommunikationsfunktionen. Ideal in Situationen, in denen nur eine minimale Datenübertragung erforderlich ist.

 

Gateway + Betriebssystem. Durch die Integration eines Betriebssystems auf dem Gateway bietet dieses Modell verbesserte Datenverarbeitungs- und Verwaltungsfunktionen, sodass komplexere Aufgaben am Rand des Netzwerks ausgeführt werden können.

 

Gateway + Betriebssystem + Middleware (Tools). Dieses Modell integriert Middleware und Entwicklungstools noch stärker und erleichtert es Kunden, ihre Anwendungen auf der Edge-Plattform zu erstellen und bereitzustellen.

 

Gateway + Betriebssystem + Middleware (Tools) + Anwendung. Eine umfassende Komplettlösung, die Hardware, Software, Middleware und eine vorgefertigte Anwendung umfasst. Sie geht direkt auf spezifische Kundenanforderungen ein und erfordert nur minimale zusätzliche Entwicklungsarbeit.

 

Diese Servicemodelle bieten Flexibilität, sodass Benutzer das für ihre spezifischen Anforderungen und ihr Budget geeignete Serviceniveau auswählen können.

 

Anwendungsszenarien für Edge Computing

 

Industrielles Edge-Computing hat in verschiedenen Branchen breite Anwendung gefunden. Zu den gängigsten Anwendungen gehören:

• Industrielle Fertigung. Edge-Computing-Knoten, die in der Fabrikhalle eingesetzt werden, ermöglichen eine Echtzeitüberwachung und intelligente Anpassungen des Produktionsprozesses. Dies führt zu einer verbesserten Produktqualität und einer höheren Produktionseffizienz.
• Intelligente Gebäude. Edge-Computing verarbeitet Daten von verschiedenen Sensoren innerhalb von Gebäuden, um den Energieverbrauch zu optimieren, die Verwaltungsabläufe zu verbessern und ein komfortableres und produktiveres Wohn- und Arbeitsumfeld zu schaffen.
• Energie und neue Energien. In Energie- und neuen Energiesystemen ermöglicht Edge-Computing die Echtzeitüberwachung und prädiktive Analyse von Stromnetzen und Energieversorgungsbedingungen und trägt so zu einer verbesserten Stabilität und Sicherheit innerhalb der Energieinfrastruktur bei.

 

Cloud vs. Edge: Entscheidung über den Verarbeitungsort

 

Edge-Computing:

• Große Datenmengen + Echtzeitanforderungen. Anwendungen, die erhebliche Datenmengen generieren und sofortige Erkenntnisse erfordern (z. B. Qualitätsanalyse, Prozessoptimierung, vorausschauende Wartung), eignen sich gut für Edge-Computing. Die reduzierte Latenz bei der lokalen Datenverarbeitung am Rand ermöglicht schnellere Entscheidungen und Reaktionen.
• Branchenspezifisches Computing. Wenn die Rechenanforderungen eng mit einer bestimmten Branche oder einem bestimmten Sektor verbunden sind und die Datenlokalität aufgrund von Vorschriften oder Datenschutzbedenken von entscheidender Bedeutung ist, kann Edge-Computing von Vorteil sein. Beispiele hierfür sind Analysen in Fabrikhallen, wo die Echtzeit-Datenverarbeitung sofortige Maßnahmen erfordert, oder die Überwachung von Ölplattformen an abgelegenen Standorten mit begrenzter Konnektivität.

Cloud Computing:

• Standardisierte Aufgaben. Anwendungen mit klar definierten Arbeitsabläufen und standardisierten Rechenanforderungen können Cloud-Ressourcen oft effektiv nutzen. Die Skalierbarkeit und die enorme Rechenleistung der Cloud machen sie ideal für die Verarbeitung und Analyse großer Datenmengen, die keine sofortigen Echtzeit-Antworten erfordern.
• Leichtgewichtige Anwendungen. Industrielle IoT-Systeme mit vorwiegend grundlegenden Anforderungen an Überwachung und Datenerfassung können durch leichtgewichtige Edge-Geräte oder Gateways angemessen verwaltet werden. Diese Geräte können eine erste Datenfilterung und -aggregation durchführen, während komplexere Analysen oder die langfristige Datenspeicherung in der Cloud erfolgen können. Dieser hybride Ansatz optimiert die Ressourcennutzung und Kosteneffizienz.

Wie Edge Computing mit Cloud Computing zusammenwirkt

 

Im Streben nach intelligenten Maschinen und Anlagen werden Edge-Computing und Cloud-Computing zunehmend zusammenarbeiten, um eine höhere Effizienz und Leistungsfähigkeit zu erreichen. Diese Synergie zeigt sich auf verschiedene Weise:

• Arbeitsteilung: Edge Computing übernimmt die Echtzeit-Datenverarbeitung und vorläufige Analyse direkt an oder in der Nähe der Geräte, wodurch Latenzzeiten und Bandbreitenanforderungen reduziert werden. Kritische Informationen oder Daten, die eine umfangreichere Verarbeitung erfordern, werden dann an die Cloud gesendet. Die Cloud mit ihren enormen Rechenressourcen und Speicherkapazitäten führt eine gründliche Datenauswertung, Analyse und das Training von Machine-Learning-Modellen durch.
• Cloud-seitige Zusammenarbeit: Dieses Modell nutzt sowohl die Echtzeitfähigkeiten des Edge-Computing als auch die leistungsstarken Datenverarbeitungs- und Speicherkapazitäten der Cloud. Es ermöglicht eine effiziente Datenverarbeitung am Rand des Netzwerks und nutzt gleichzeitig die Cloud für erweiterte Analysen und Erkenntnisse.
• Intelligente Optimierung: KI-Algorithmen und -Modelle werden in der Cloud anhand historischer und aggregierter Daten trainiert. Diese trainierten Modelle werden dann zur Inferenz auf Edge-Geräten eingesetzt, wodurch autonome Entscheidungen und intelligente Steuerung direkt an der Quelle ermöglicht werden. Dieser Ansatz verbessert die Intelligenz der Anlagen und die betriebliche Effizienz.

In intelligenten Fabriken werden beispielsweise Edge-Computing-Knoten mit KI-Algorithmen an Maschinen und Anlagen entlang der Produktionslinie eingesetzt. Diese Knoten ermöglichen eine Echtzeitüberwachung und intelligente Anpassung des Produktionsprozesses, was zu einer verbesserten Produktqualität, einer höheren Effizienz und reduzierten Ausfallzeiten führt. Der Edge übernimmt die unmittelbare Entscheidungsfindung, während die Cloud für die zentrale Datenspeicherung, erweiterte Analysen und Modellaktualisierungen sorgt.

 

Das Fazit

 

Zusammenfassend lässt sich sagen, dass Konnektivität, Rechenleistung und Daten die drei Kernelemente sind, die die Intelligenz von Maschinen und Geräten vorantreiben.

 

Konnektivität bildet die Grundlage für die Dat enerfassung, Daten dienen als Treibstoff für die Gewinnung von Erkenntnissen, und die Datenverarbeitung ist der Schlüssel zur Umwandlung dieser Daten in verwertbare Informationen.

 

Mit Blick auf die Zukunft wird Edge Computing angesichts der kontinuierlichen Fortschritte in den Bereichen IoT, KI und anderen Technologien sowie der zunehmenden Vielfalt an Anwendungsszenarien eine immer wichtigere Rolle bei der Verwirklichung der Intelligenz von Maschinen und Anlagen spielen. Es wird die tiefgreifende Integration der digitalen Wirtschaft und der Realwirtschaft weiter vorantreiben, innovative Entwicklungen fördern und Branchen transformieren.