Edge Computing: Kompakt erklärt

Was ist Edge Computing?

Edge Computing ist eine dezentrale Datenverarbeitung, die am Rand des Netzwerks (im Englischen edge) stattfindet. Die durch Sensoren gesammelten Daten werden dabei direkt am oder im Endgerät gefiltert, komprimiert und weiter gesendet. Durch einfache Analysen der Daten können auch vorher definierte Aufgaben zentral erledigt werden. Edge Computing ist dementsprechend besonders wichtig, wenn große Mengen an Daten, auch Big Data genannt, entstehen und schnell vor Ort verarbeitet und gefiltert werden sollen. Damit sind schnelle Entscheidungen möglich und die Menge der zu übertragenden Daten wird verringert.

Edge Computing Beispiele und Anwendungsbereiche

Edge Computing und IIoT

Die Abkürzung IIoT steht für Industrial Internet of Things. Als Synonym wird auch häufig der Begriff Industrie 4.0 genutzt. Es bezeichnet intelligente und digital miteinander vernetzte Maschinen oder Anlagen der Industrie, um eine effizientere und selbstorganisierte Produktion zu schaffen. Dabei entstehen durch Sensoren und Steuergeräte enorm große Datenmengen. Beispielsweise liefern die rund 6000 Sensoren des Airbus A350 täglich rund 2,5 TB an Daten. Damit diese Menge an Daten nicht unnötig in eine Cloud transportiert werden muss, werden sie vor Ort gefiltert und ausgewertet und nur ein Bruchteil davon an die Cloud geschickt.

Auch im Bereich Predictive Maintenance spielt Edge Computing eine wichtige Rolle, da die gesammelten Daten auch hier primär vor Ort wichtig sind und kurze Entscheidungswege ermöglichen. Zum Beispiel, dass eine Maschine wegen auffälligen Messwerten eine Wartung benötigt.

Edge Computing und IoT

Das IoT (Internet of Things) beschreibt vernetzte und intelligente Elektronik, wie sie zum Beispiel beim Smart Home Anwendung findet. Ähnlich wie beim IIoT entstehen auch hier viele Daten, welche vor allem vor Ort nützlich sind.

Edge Computing und autonomes Fahren

Hierbei wird eine Kombination aus Edge und Fog Computing genutzt. Durch Steuergeräte, Sensoren und Aktoren entstehen auch beim autonomen Fahren große Datenmengen. Täglich zwischen 5 und 20 Terabyte an Daten sind dabei keine Seltenheit. Durch eine lokale Datenanalyse (Code to data) in einem mobilen Mini-Rechenzentrum, mithilfe von Fog Computing, werden die Daten vor Ort ausgewertet und nur die Ergebnisse übertragen. Dadurch können die benötigten Daten in Echtzeit verarbeitet und schnelle Entscheidungen getroffen werden. Denn im laufenden Straßenverkehr können Verzögerungen lebensentscheidend sein. Zudem funktioniert Edge Computing auch offline, wodurch ein autonom gesteuertes Fahrzeug auch problemlos durch ein Funkloch oder einen Tunnel fahren kann und trotzdem voll funktionsfähig ist.

Edge Computing im Gesundheitswesen

Die Datensätze im Gesundheitswesen sind zwischen den Jahren 2016 und 2018 um über 800 Prozent gestiegen. Aber nicht alle diese Daten müssen auch gespeichert werden. Durch Edge Computing ist es möglich, die relevanten Daten direkt am Endgerät herauszufiltern. So können zum Beispiel unauffällige Herzfrequenzen erkannt und gelöscht werden. Auffälligkeiten können aber gleichzeitig erkannt und ohne Latenzzeiten weitergeleitet werden. Dadurch kann in Echtzeit auf Notsituationen reagiert werden.

Vor- und Nachteile von Edge Computing

Vorteile:

• Datenverarbeitung in Echtzeit mit Minimierung von Latenzzeiten
• ermöglicht Echtzeitüberwachungen und -services
• funktioniert auch ohne Internetanbindung, besonders im ländlichen Raum oder bei Funklöchern wichtig
• Einschränkung von Übertragungsverzögerungen und Serviceausfällen
• umgeht Bandbreitenbeschränkungen
• sensible Kunden- und Firmendaten verbleiben an Ort und Stelle und müssen nicht in die Cloud transportiert werden

Nachteile:

• Unregelmäßiger Rechen- oder Speicherbedarf
• mehr Kontrolle und größerer Schutz von Endgeräten notwendig, um Missbrauch und Ausfälle vorzubeugen
• ständige Verfügbarkeit der Geräte muss gewährleistet sein
• Aufwändige Ersteinrichtung

Edge Computing vs. Cloud Computing

Edge und Cloud Computing gehören beide zu Modellen der Datenverarbeitung. Einer der Hauptunterschiede liegt in dem Ort, wo die Daten verarbeitet werden. Beim Edge Computing geschieht dies am oder sogar im Endgerät, beim Cloud Computing in einer zentralen IT-Struktur, der Cloud. Beide funktionieren unabhängig voneinander, können aber auch gemeinsam genutzt werden. So können große Datenmengen durch Edge Computing vorab gefiltert und verringert werden, bevor sie in die Cloud transportiert werden.

Anwendungen, wie komplexe Datenanalysen (Big-Data-Analysen), Daten von überall erreichen zu können und das langfristige Speichern von Daten, sind mit Cloud Computing sehr gut machbar. Nachteilig ist hierbei aber die Geschwindigkeit, mit der eine Entscheidung getroffen wird, da die Daten erst an die Cloud geschickt werden, dort verarbeitet und dann die Entscheidung an das Gerät zurückgesendet wird. Dadurch können höhere Latenzzeiten entstehen. Zudem können ungefilterte Daten zu einem zu großen Datenvolumen und zu einer Überlastung der Bandbreite für den Datentransport führen. Bei diesen Problemen kann Edge Computing entlasten.

Edge Computing vs. Fog Computing

Edge und Fog Computing werden oft als Synonyme genutzt, obwohl sie unterschiedliche Ansätze beschreiben. Fog Computing ist in gewisser Weise ein Mittler der Cloud-Infrastruktur. Wenn die Cloud wie eine Wolke zentral über allen Endgeräten schwebt, so ist Fog Computing wie ein Nebel dichter an den Endgeräten dran. Somit werden nicht mehr alle Daten an die Cloud geleitet, sondern bereits in Mini-Rechenzentren (den Fog Nodes) in der Nähe verarbeitet. Dadurch verringern sich die Latenz-, sowie die Bearbeitungszeiten.

Fog Nodes sind in der Lage, miteinander zu kommunizieren, was beim Edge Computing nicht möglich ist. Dadurch sind beim Fog Computing komplexere Analysen machbar, als im Edge Computing, welches sich auf sehr simple Analysen und vor allem auf die Filterung von Daten beschränkt.

Fog, Edge und Cloud Computing funktionieren besonders gut in Kombination miteinander. So können durch Edge Computing die Datenmengen vorgefiltert und verringert und im Fog Node erste Analysen durchgeführt werden. Komplexe und zeitaufwendige Aufgaben werden danach an die Cloud weitergeleitet. Damit können die Stärken der unterschiedlichen Modelle sehr gut genutzt werden.