Big Data und das Internet der Dinge (IoT) gehen Hand in Hand. Mit der fortschreitenden Verbreitung von IoT-Geräten sind Unternehmen mit extremen Datenmengen konfrontiert. Prognosen zufolge werden bis 2025 64 Milliarden IoT-Geräte online sein. Die Verwaltung dieser Mengen und die Gewinnung verwertbarer Erkenntnisse aus ihnen ist der Schlüssel zur Umgestaltung des Geschäfts in einer Zeit, in der Daten so wichtig fürs Überleben sind wie die Sonne.
Ein Bereich, in dem die IoT-Datenflut Erkenntnisse liefern kann, ist die Erkennung von Anomalien. Wie herkömmliche Geschäftsanwendungen und IT-Infrastrukturen kann auch das IoT auf Probleme bei den physischen Geräten, mit denen es verbunden ist, überwacht werden.
Wenn beispielsweise IoT-Geräte zur Modernisierung und Automatisierung von Prozessen in der Industrie oder Fertigung eingesetzt werden, können Anomalien ein Zeichen dafür sein, dass ein bestimmtes Maschinenteil gewartet werden muss. Eine frühzeitige Warnung vor einem potenziellen Problem kann dazu beitragen, ungeplante Ausfallzeiten zu reduzieren.
Doch die Zusammenführung all dieser Daten kann eine Herausforderung sein, da die Übertragung vom Gerät auf eine zentrale Rechenplattform problematisch sein kann. Sind wirklich alle Daten von jedem Gerät notwendig?
Edge Computing kann helfen, die Datenflut zu bewältigen und die Erkennung von IoT-Anomalien effektiver zu gestalten. Die eingehende Untersuchung dieser Praxis bietet einen aufschlussreichen Einblick in neu entstehende Netzwerkarchitekturen und wie sie Unternehmen in Zukunft voranbringen werden.
Gemeinsame Erkennungsstrategien. Es gibt zwei bekannte Strategien zur Erkennung von Anomalien in IoT-Fällen, die jeweils Vor- und Nachteile haben.
Statische Schwellenwerte haben den Vorteil, dass sie die routinemäßige Entscheidungsfindung und Alarmierung automatisieren, was einen gewissen Vorteil gegenüber herkömmlichen Strategien darstellt. Um statische Schwellenwerte zu verwenden, benötigen Administratoren jedoch Domänenwissen auf den richtigen Ebenen. Diese Schwellenwerte ändern sich nicht nach Bedingungen, was ihre Aufrechterhaltung in sich ständig verändernden Umgebungen schwierig macht.
Auf maschinellem Lernen (ML) basierende Methoden, ob überwacht oder unbeaufsichtigt, verleihen der automatischen Erkennung von Anomalien zusätzliche Intelligenz. Durch kontinuierliches Lernen des Verhaltens von Zeitreihendaten wird das System anpassungsfähiger an Datenänderungen und kann besser mit sich ändernden Umgebungen umgehen.
Das von IoT-Geräten erzeugte Datenvolumen wird jedoch im Laufe der Zeit weiter zunehmen, wodurch die Anforderungen an die Netzwerkbandbreite, das Speichervolumen und die Rechenleistung steigen. Infolgedessen wird die Nutzung zentraler Ressourcen, sogar der Cloud, für die IoT-Datenverarbeitung in Echtzeit immer teurer und verlängert die Latenzzeit bei der Datenverarbeitung.
Edge Computing bietet eine effektivere Möglichkeit, ML-basierte Anomalieerkennung zu nutzen. Durch die Verlagerung kritischer Datenverarbeitungslasten näher an die Datenquelle (IoT-Geräte) können Sie die Arbeitslasten in der Cloud reduzieren, eine Datenverarbeitung ohne Latenz gewährleisten, die Reaktionszeit verbessern sowie die Netzwerklast und die Cloud-Kosten senken.
Edge Computing kann auch zur Überwachung des Maschinenzustands in Echtzeit eingesetzt werden, um Anomalien zu erkennen, die auf eine Störung im System hindeuten könnten. Die Datenverarbeitung mit Null-Latenz ermöglicht es, wichtige Vorfälle nahezu in Echtzeit zu melden und Systemausfälle zu verhindern.
Edge-Computing-Architektur. Edge Computing kann mit einer Reihe von Architekturen eingesetzt werden, darunter 100 % Edge Computing und hybride Modelle, die Edge- und Cloud-Computing kombinieren. Zur Veranschaulichung der Edge-Architekturen für den Einsatz von Anomalien wird letztere hier in Abbildung 1 dargestellt.
Abbildung 1: Eine generische Architektur inklusive Edge Computing und Cloud Computing.
In diesem Modell sammelt und empfängt das IoT-Gateway Daten von IoT-Geräten über verschiedene IoT-Datenprotokolle und leitet sie an eine Nachrichtenschicht weiter. Datenverarbeitungskomponenten am Edge ziehen Daten aus der Nachrichtenschicht, verarbeiten sie und senden Erkenntnisse an die Cloud für zentralisierte Warnmeldungen und Berichte. Ein Überwachungs- und Managementsystem meldet Betriebsprobleme an die Cloud und stellt sicher, dass die Komponenten mit den zentral in der Cloud verwalteten Konfigurationsdaten synchronisiert werden.
Edge-Computing-Komponenten können zusammen in einem Einplatinencomputer wie dem Raspberry Pi oder für eine bessere Skalierbarkeit in mehreren Geräten im selben Rechenzentrum eingesetzt werden. Die Wahl hängt von den Anforderungen an die Skalierbarkeit ab.
IoT-Anomalie-Erkennung. Abbildung 2 zeigt eine Architektur für die Implementierung von Edge Computing zur Erkennung von Anomalien. Dieses Modell ergänzt die zuvor beschriebene generische Architektur um Intelligenz.
Abbildung 2: Edge Computing für die Erkennung von Anomalien in Echtzeit.
In diesem Modell fungiert ein intelligentes IoT-Gateway als Router für Zeitseriendaten. Die Nachrichtenübermittlungs-schicht verfügt über separate Warteschlangen für jede Anomalieerkennungsmethode. Je nachdem, welche Erkennungsmethoden auf bestimmte Zeitreihen angewendet werden, trifft das Gateway-Routing Entscheidungen und stellt die Daten in die entsprechenden Warteschlangen. Dynamische Routing-Entscheidungen werden durch die Konfiguration gesteuert. Konfigurationsänderungen werden in der Cloud vorgenommen und das Überwachungs- und Verwaltungssystem wendet sie an. Prozessoren zur Erkennung von Anomalien holen Daten aus den jeweiligen Warteschlangen ab, erkennen Anomalien und melden sie an die Cloud. Diese Prozessoren speichern die Daten auch in einer Zeitseriendatenbank.
In diesem Beispiel holt ein geplanter Offline-Trainingsauftrag regelmäßig Massendaten aus der Zeitreihendatenbank, komprimiert die Daten und sendet sie an die Cloud, um ML-Modelle für die überwachte Anomalieerkennung zu trainieren. Der Auftrag holt auch ML-Modelle aus der Cloud und speichert sie in einer ML-Modelldatenbank. Ein überwachter ML-Anomaliedetektor holt ML-Modelle aus der Modelldatenbank. Das Überwachungs- und Managementsystem meldet Betriebsprobleme an die Cloud und stellt sicher, dass die Komponenten mit den zentral in der Cloud verwalteten Konfigurationsdaten synchronisiert sind.
Modernisierte IoT-Implementierung. In absehbarer Zukunft werden die meisten Unternehmen einen hybriden IT-Ansatz verfolgen, der sowohl zentralisiertes als auch Edge Computing als Teil einer noch komplexeren IT-Landschaft umfasst.
Der nächste Schritt ist die Nutzung von Edge Computing zum Sammeln, Analysieren und Handeln. Die Tage der zentralisierten Datenverarbeitungsmaschinen und der verzögerten Erkenntnisse sind gezählt. Wir leben heute in einer Welt, in der wir Daten dort sammeln, analysieren und darauf reagieren können, wo sie in einem Augenblick generiert werden.
Hier können wir intelligente Automatisierung einsetzen, um Wege zu finden, wichtige Eckdaten mit zentralen Datenpipelines zu verknüpfen und so die erforderlichen Erkenntnisse für automatisierte Maßnahmen zu gewinnen – und das sofort.
Die Datenmengen und die Geschwindigkeit einer modernen IoT-Implementierung erfordern eine skalierbare, effiziente Erkennung von Anomalien in Echtzeit. Edge Computing ermöglicht es, maschinelles Lernen für die IoT-Anomalieerkennung zu nutzen und gleichzeitig hohe Cloud-Kosten und Verarbeitungslatenz zu vermeiden. Mithilfe der oben beschriebenen Architektur können Sie IoT-Fehler schnell erkennen und beheben, um einen optimalen Service für Ihr Unternehmen zu gewährleisten.
Margaret Lee,
GM & SVP, Digital Service and
Operations Management
bei BMC Software