Das Edge Computing als ein Paradigma verteilter Systeme bringt Datenhaltung und Berechnungen nahe zur eigentlichen Datenentstehung, um Antwortzeiten zu verkürzen und Netzwerkbandbreite zu sparen. Auf diese Art und Weise ist es möglich, dass Smarte Thermostate automatisch die Temperatur regeln, Sprachassistenten den aktuellen Wetterbericht vorlesen und autonome Fahrzeuge im Millisekundenbereich auf ihre Umgebung reagieren können.

Definition Edge Computing

Der Begriff Edge Computing entstand etwa im Jahr 2014, definiert als Computing außerhalb der Cloud am Rand (der Edge) des Netzwerks, insb. für Applikationen, bei denen Echtzeitverarbeitung von Daten notwendig ist. Im Gegensatz zum Verarbeiten großer Datenmengen in der Cloud geht es in der Edge um sofortige Verarbeitung von Echtzeitdaten aus Sensoren. 

Die Idee geht allerdings noch weiter zurück – in den späten 90ern entstanden Content Delivery Netzwerke, die Bilder und Videos im Internet aus Edge-Servern bereitstellen. Die Nähe zum Konsumenten ermöglichte einen viel schnelleren Webseitenaufbau. In den 2000er Jahren entwickelten sich diese Netzwerke hin zu Applikationen und kompletten Edge-Servern. Dienstleistungen, wie Echtzeit-Datenaggregation und Werbeeinblendungen, sind die logische Fortsetzung dieser Entwicklung. Im heutigen Edge-Computing kommt Virtualisierung und Containerisierung zum Einsatz, die das einfache Ausrollen kompletter Server und komplexer Applikationen erlaubt.

Der rapide Anstieg von IoT-Devices führt zu einem immensen Anstieg des zu verarbeitenden Datenvolumens – was die Anforderungen zur Netzwerkbandbreite an ihre Grenzen bringt. Trotz der kontinuierlichen Verbesserung der heutigen Netzwerke, sind traditionelle Data Center sowie “die Cloud” nicht in der Lage, akzeptable Transferraten und Latenzzeiten zu gewährleisten, die für viele Applikationen kritisch sind. Hinzu kommt, dass Edge-Devices kontinuierlich Daten aus der Cloud konsumieren würden. Diese Gründe erfordern in modernen IoT-Applikationen die physische Nähe zwischen Sensoren und der Verarbeitung der Daten. Smarte Devices, Mobiltelefone oder dedizierte Gateways werden herangezogen, um teilweise komplexe Aufgaben zu übernehmen. Durch das Verschieben von Applikationen in die Edge können IoT-Applikationen die geforderten Reaktionszeiten problemlos umsetzen. Die Synchronisation der notwendigen Daten in die Cloud kann asynchron erfolgen. Hierbei kommt ein offline-first Prinzip zum Einsatz, d.h. sobald eine Internetverbindung besteht, werden Daten automatisch synchronisiert und evtl. vorhandene Konflikte aufgelöst.

Zusammengefasst sind Edge Devices und Edge Computing durch die folgenden Eigenschaften charakterisiert:

• On-premises: Die Edge ist lokal, d.h. sie funktioniert isoliert von einer Internetverbindung oder Verbindung in ein zentrales Rechenzentrum und hat Zugriff auf die lokalen Ressourcen. Das ist besonders für die Kommunikation von Maschine zu Maschine wichtig, beispielsweise für sicherheitsrelevante Systeme oder Produktionsketten, bei denen einer hohe Zuverlässigkeit notwendig ist.
• Nähe: Durch die physische Nähe zur Informationsquelle ist Edge Computing besonders interessant für das Sammeln von Informationen für Analytics und Big Data. Bereits trainierte Modelle können direkt ausgeführt werden. Ebenso hat die Edge meist direkten Zugriff auf die Devices, was für spezifische Anwendungen von Vorteil ist. Ebenso können drahtlose Verbindungen, z.B. WLAN oder Bluetooth, genutzt werden.
• Geringe Latenzen: Da Edge Services nahe bei den Devices verortet sind, werden Latenzen erheblich reduziert. Dies ermöglicht schnelle Reaktionen, eine flüssige User Experience sowie minimale gegenseitige Blockierung verschiedener Devices in Netzwerken. 

Abgrenzung Edge, Fog & Cloud

Gartner sagt voraus [https://www.gartner.com/smarterwithgartner/the-data-center-is-almost-dead/], dass traditionelle Data Center bis zum Jahr 2025 ausgedient haben werden. 80% der heutigen Data Center werden zugunsten von Infrastruktur abgeschaltet, die einen besseren Service nahe beim Konsumenten liefern kann. Somit entsteht auch eine Entkopplung von der Cloud, die durch Edge Computing erst ermöglicht wird. 

Modernes Edge Computing hat den Weg zum sogenannten Fog Computing eröffnet: Fog Computing verlagert Arbeitslasten, genau wie das Edge Computing, näher an den Rand des Netzwerks. Edge Computing verlagert aufgaben auf einzelne Devices, während Fog Computing typischerweise über mehrere Knoten in der Edge verteilt stattfindet.

Vorteile des Edge Computings

Die Vorteile lokaler Verarbeitung liegen klar auf der Hand: Die Übertragung von Rohdaten in die Cloud ist typischerweise bis zu 400 mal teurer als die Übertragung aufbereiteter, fachlich relevanter Informationen. Gerade die Explosion von Daten im IoT-Umfeld (siehe Autonomes Fahren weiter unten) erfordert die Verlagerung von Arbeitslasten in die Edge – Bandbreite, Kosten, Zuverlässigkeit, Security, Compliance und Latenzen sind die Hauptgründe.

Physische Nähe der Verarbeitung löst weitestgehend das Latenzproblem; lokale Verarbeitung stellt sicher, dass nur nicht-kritische Informationen über das Netzwerk versendet werden und kritische Daten sofort zu Aktionen führen. Dies ist insbesondere für Anwendungen, wie autonomes Fahren oder Fabrikautomatisierung wichtig; bereits eine Latenz von mehreren Millisekunden kann entscheidend sein.

Durch den dezentralen Ansatz des Edge-Computings wird ebenso der Bandbreitenbedarf gesenkt. Daten lassen sich direkt an ihrem Ursprungsort verarbeiten und lediglich notwendige Daten werden in die Cloud übermittelt. In der logischen Konsequenz sind Systeme effizienter und skalierbarer. Stellen wir uns vor, ein System aus Kameras einer Produktionsstrecke oder eines autonomen Fahrzeugs sendet 1080p-Videos in die Cloud. Netzwerkbandbreite wird schnell zum Problem, die Auswertung von Bildern kann nur verzögert erfolgen; die Kosten der Übertragung stiegen extrem an.

Ein weiterer Vorteil der dezentralen Verarbeitung ist die Reduktion von Ausfallzeiten sowie die Unabhängigkeit von instabilen Netzwerkverbindungen. Ein Device funktioniert weiter, Verarbeitungsprozesse können fortgesetzt werden sowie die Kommunikation zwischen verschiedenen Devices ist nicht per-se unterbrochen, wenn keine Verbindung zur Cloud besteht. Ungeplante Ausfallzeiten werden erheblich reduziert und die Zuverlässigkeit von Devices, insb. an dezentralen Standorten, wird erhöht.

Auch aus Sicht der Sicherheit von IoT-Systemen ist Edge Computing sinnvoll, da ein Großteil der Daten nicht über ein Netzwerk übertragen wird, sondern an seinem Ursprungsort verbleibt. Edge Devices sind nach hohen Sicherheitsstandards zu entwickeln und in Betrieb zu nehmen. Heutzutage sind selbst kleinste Geräte – oft nicht größer als eine Kabelklemme – bereits mit Software und Netzwerkverbindungen ausgestattet. Die Geschichte aus 2016 zeigt [https://www.theverge.com/2016/10/21/13362354/dyn-dns-ddos-attack-cause-outage-status-explained]: Eine Vielzahl von Smart Home Devices wird mit werkseitigen Standard-Passwörtern oder unzureichend rotierenden Passwörtern betrieben. Als Konsequenz konnte eine massenhafte Attacke, ausgehend von unzureichend gesicherten Geräten, Großteile des Internets lahmlegen. Verschlüsselung, VPN-Tunnel, sichere Passwörter und Schlüsselmanagement erlangen zunehmende Bedeutung.

Typische Einsatzfelder

Edge Computing kommt in den verschiedensten Anwendungsgebieten zum Einsatz: Von Connected Cars, über Produktion bis hin zu Smart Cities und Heimautomatisierung.

Autonome Fahrzeuge [Link zu USe Case Connected Car] sind wahrscheinlich das beste Beispiel für die Notwendigkeit von Edge Computing. Selbstfahrende Autos verarbeiten Informationen von hunderten Sensoren in Echtzeit, um Kollisionen vorzubeugen – hier kann nicht auf die Übertragung von Bilddaten und deren Auswertung gewartet werden, eine sofortige Verarbeitung und Auswertung ist unerlässlich. Schätzungen zufolge produzieren autonome Fahrzeuge heute bereits täglich 40 TB an Daten, Vorhersagen gehen von 10 Exabyte pro Monat bis 2025 aus. Dieses Datenvolumen ist nicht nur teuer und unnötig an einem zentralen Punkt, es würde heutige Netzwerke auch komplett überlasten.

Bekanntester Einsatzbereich ist die Produktion, oder das Industrial Internet of Things / Industrie 4.0: Maschinen streamen große Datenmengen und Machine Learning-Modelle werden auf Sensordaten angewendet um Maschine-zu-Maschine-Kommunikation in der Produktionshalle zu ermöglichen. Moderne Technologien um Software remote auszurollen helfen, skalierende und wartbare Edge-Lösungen aufzubauen.

Weitere industrielle Einsatzfelder, z.B. Oil & Gas, sind prädestiniert für Edge Computing. Eine typische Bohrinsel verfügt über 30.000 und mehr Sensoren, die permanent Daten für kritische Entscheidungen generieren. Die Übertragung von mehreren Gigabytes oder gar Terabytes an Daten würde mehrere Tage beanspruchen, selbst mit neuen Standards wie 5G steht nicht genügend Bandbreite zur Verfügung. Die Verarbeitung in der Edge nutzt diese Daten, lediglich die relevanten Informationen werden automatisch in die Cloud übertragen. In regelmäßigen Abständen nehmen Techniker Festplatten mit, um große Datenmengen dennoch zentral zusammenzuführen, um Beispielsweise neue Machine Learning-Modell über die Daten mehrere Bohrplattformen hinweg zu entwickeln.

Das enorme Datenvolumen von erneuerbaren Energiequellen, z.B. von über 350.000 Windturbinen weltweit, ist unerlässlich um deren Effizienz und Ausfallsicherheit zu garantieren. Nur eine Verarbeitung nahe am Windpark oder direkt in der Turbine erlaubt es, die notwendigen Service Level einzuhalten, z.B. durch eine schnelle Reaktion auf sich ändernde Wetterbedingungen. Die Übertragung von bereits aggregierten und verarbeiteten Daten ist dennoch unerlässlich, um über ganze Windparks hinweg Auswertungen vorzunehmen. Der Ausfall einzelner Turbinen kostet bis zu 20.000 EUR/Tag, für einen Windkraftbetreiber summieren sich die Kosten für SLA-Verletzungen täglich auf teilweise siebenstellige Beträge. Eine Effizienzsteigerung von von 5% kann auf globale Flotten gerechnet schnell zu Mehreinnahmen von ca. 20 Millionen EUR pro Jahr führen.

Für kritische Anwendungen, z.B. im Gesundheitswesen, ist Edge Computing unerlässlich. Hier bestehen besondere Herausforderungen im Sinne von Datenvolumen, Risiko und Sicherheit. In modernen Krankenhäusern entstehen täglich Gigabytes und Terabytes an sensitiven Informationen, die für teils lebenskritische Maßnahmen unerlässlich sind. Ein Ausfall der Internetverbindung könnte verheerende Folgen haben, weshalb eine solide Edge unerlässlich für den tagtäglichen Betrieb ist. Dennoch können Cloud-basierte Systeme asynchron genutzt werden, z.B. zur Analyse von bildgebenden Verfahren und das Trainieren von Machine Learning zur effizienteren Diagnosestellung.

Interessiert an einem Austausch?

Wir freuen uns auf ein offenes, unverbindliches Gespräch zu Ihrem Use-Case. Hinterlassen Sie nachfolgend Ihre Kontaktdaten und wir melden uns zeitnah bei Ihnen für eine Terminabstimmung. Im Rahmen der Anfrage werden Sie automatisch in unseren Newsletter mit eingetragen. Dort erhalten Sie von uns quartalsweise Updates zu den neuesten Entwicklungen im IoT Bereich.

[yikes-mailchimp form=“1″]