Fotolia

IoT und Fog Computing: Eine Analyse

Fog Computing vermeidet im Internet of Things Probleme wie fehlende Konnektivität, senkt Kosten für die Bandbreite und liefert zuverlässig Erkenntnisse in Echtzeit.

IoT (Internet of Things) und Fog Computing gehören derzeit in der IT-Welt zu den zwei häufigsten Modewörtern. Ich analysiere und entmystifiziere diese beiden Themen mit einem Blick aus der Praxis. Dabei fließen meine aktuellen Erfahrungen als CTO von FogHorn Systems ein. Dieser Beitrag behandelt einige Grundlagen und ordnet das Thema in einen übergeordneten Zusammenhang ein.

Das „T“ im Internet of Things bezieht sich auf die tatsächlichen Geräte, seien es verbraucherorientierte Geräte wie etwa Wearables oder industrielle Geräte wie Windräder. Wenn Menschen über das IoT sprechen, beziehen sie sich meistens auf die IoT-Geräte für Privatnutzer.

Es gibt eine Menge Technologien und Anwendungen, um diese Geräte/Systeme zu verwalten und zu überwachen. Angesichts der weiter steigenden Rechenleistung mobiler Geräte und höheren Datenraten bei der Internetverbindung gibt es kaum neue bahnbrechende Technologien, die benötigt werden, um die häufigsten Probleme im Consumer-Umfeld zu lösen.

Komplex: Das industrielle IoT

Ganz anders sieht es beim industriellen IoT (IIoT) aus. Traditionell sind alle schweren und teuren Geräte im Industriebereich – vom Triebwerk eines Flugzeugs über Ölbohr-Plattformen und Fabriken bis hin zur Windkraftanlage – mit vielen Sensoren ausgestattet, die verschiedene Werte und Daten erfassen, sprich Temperatur, Druck, Feuchte, Vibrationen und so weiter.

Zur modernen Ausstattung gehören auch Video- und Audiosensoren. Diese Daten werden typischerweise über SCADA-Systeme (Supervisory Control And Data Acquisition) und Protokollserver (zum Beispiel MQTT, OPC-UA oder Modbus) erfasst und landen schließlich in einem Speichersystem. Die am Tag produzierte Datenmenge bewegt sich je nach Maschinentyp im Terabyte- bis Petabyte-Bereich. Viele dieser Daten können ungenau sein oder sich wiederholen. Bis vor kurzem wurden diese Daten noch nicht verwendet oder analysiert, um Erkenntnisse darüber zu erhalten, ob und – falls ja – welche Probleme auftreten könnten (daher auch kein Predictive Analytics).

Die Initiativen rund um Industrie 4.0 und die Konzepte des digitalen Zwillings basieren auf der Idee, all diese Assets zu digitalisieren und die Daten in die Cloud zu übertragen, um sie mit Hilfe von maschinellem Lernen tiefschürfend zu analysieren und so intelligente Einblicke in die Arbeitsweise dieser Maschinen zu erhalten. Dieser Ansatz birgt mehrere Problemfaktoren in sich: fehlende Konnektivität von entfernten Standorten, hohe Kosten für die Bandbreite und vor allem fehlende Erkenntnisse in Echtzeit, wann Ausfälle auftreten oder bevorstehen.

Edge Computing und Fog Computing

Die Lösung dafür bilden Edge Computing oder Fog Computing, da die Daten direkt an der Quelle analysiert werden, wo sie erzeugt werden (etwas vergleichbar dem Hadoop-Konzept). In diesem Artikel benutze ich Edge und Fog als Begriffe mit identischer Bedeutung – mag sein, dass hier diejenigen nicht zustimmen, die Fog Computing als Kontinuum zwischen Edge Computing und der Cloud sehen; für diesen Artikel spielt dieser Unterschied aber keine Rolle.

Ich weiß, dass einige Leser vielleicht denken: „Was ist daran so neu beziehungsweise warum so viel Wind um dieses Thema? Es gibt auf dem Markt doch bereits ausgereifte Analysemethoden und Technologien rund um das maschinelle Lernen, die in einer Rechenzentrums- oder Cloud-Umgebung eingesetzt werden.“ Meine Antwort: Diese vorhandenen Technologien eignen sich leider nicht sehr gut für den Betrieb in einer beschränkten Umgebung mit niedrigem Arbeitsspeicher (kleiner als 256 MByte RAM), weniger Rechenleistung (Low-Speed-Prozessoren mit einem oder zwei Prozessorkernen) und weniger Speicher. In vielen Fällen muss die Technologie in einer speicherprogrammierbaren Steuerung (SPS) oder in einem bestehenden Embedded System eingesetzt werden.

Daher ist es notwendig, Streaming-Analysen (die Daten jedes einzelnen Sensors bilden einen Stream, sind im Grunde genommen Zeitreihendaten) und maschinelles Lernen (wenn die Fehlerbedingungen nicht bekannt sind oder sich nur schwer formulieren lassen) auf Basis der Echtzeitdaten durchzuführen, die durch das System fließen.

„Die vorhandenen Technologien eignen sich leider nicht sehr gut für den Betrieb in einer beschränkten Umgebung mit niedrigem Arbeitsspeicher, weniger Rechenleistung und weniger Speicher.“

Sastry Malladi, FogHorn Systems

Eine typische Maschine oder ein typisches Gerät kann eine Vielzahl von Sensoren bis hin zu Hunderten von Sensoren besitzen, die Daten mit hoher Geschwindigkeit produzieren – ein Datenpaket alle paar Millisekunden oder manchmal in Mikrosekunden. Außerdem müssen Daten von verschiedenen Sensortypen (Video, Audio und diskret) kombiniert werden (ein Prozess, der üblicherweise als Sensorfusion bezeichnet wird), um die richtigen Ereignisse zu finden und miteinander zu verknüpfen.

Firmen sollten auch berücksichtigen, dass der Chipsatz entweder x86-basiert oder ARM-basiert sein kann, und typische Geräte (Gateways, SPS-Lösungen oder eingebettete Systeme) etwa so groß wie ein Raspberry Pi oder kleiner sind. Eine Technologie zu finden, die in diesen eingeschränkten Umgebungen mit modernster Analytik und Technologien für maschinelles Lernen arbeitet, ist entscheidend für die Echtzeit-Intelligenz an der Datenquelle. Die Kunden profitieren dann von enormen Kosteneinsparungen.

In meinem nächsten Artikel beschreibe ich einige beispielhafte Anwendungsfälle, die diese Technologie nutzen, und erkläre, wie sich die Technologie entwickelt und schnell ihren Weg in viele Branchen findet.

Folgen Sie SearchNetworking.de auch auf Twitter, Google+, Xing und Facebook!

Nächste Schritte

Edge Computing hat Potenzial für VDI-Umgebungen

Für das IoT ist eine skalierbare Datenbanktechnologie erforderlich

Gratis-eBook: Wo Industrie 4.0 und IIoT bereits Realität sind

Artikel wurde zuletzt im Dezember 2017 aktualisiert

Pro+

Premium-Inhalte

Weitere Pro+ Premium-Inhalte und andere Mitglieder-Angebote, finden Sie hier.

Erfahren Sie mehr über IP-Netzwerke

Diskussion starten

Schicken Sie mir eine Nachricht bei Kommentaren anderer Mitglieder.

Mit dem Absenden dieser Daten erklären Sie sich bereit, E-Mails von TechTarget und seinen Partnern zu erhalten. Wenn Ihr Wohnsitz außerhalb der Vereinigten Staaten ist, geben Sie uns hiermit Ihre Erlaubnis, Ihre persönlichen Daten zu übertragen und in den Vereinigten Staaten zu verarbeiten. Datenschutz

Bitte erstellen Sie einen Usernamen, um einen Kommentar abzugeben.

- GOOGLE-ANZEIGEN

SearchSecurity.de

SearchStorage.de

SearchDataCenter.de

SearchEnterpriseSoftware.de

Close