Weg von zentralen, hin zu dezentralen Infrastrukturen: Diese Entwicklung zeichnet sich in vernetzten Fertigungsumgebungen ab. Der Grund ist, dass in solchen Infrastrukturen verstärkt IoT-Komponenten zum Einsatz kommen. Dies sind beispielsweise Sensoren und Aktoren an Maschinen, Systemen in Kraftwerken sowie automatisierten Transportsystemen.  Das Marktforschungshaus Gartner hat ermittelt, dass derzeit allein im Fertigungsbereich weltweit rund 400 Millionen ‚IoT-Endpoints‘ eingesetzt werden. Bis 2020 soll diese Zahl auf rund eine halbe Milliarde steigen. Vergleichbare Zuwachsraten sind in der Gebäudeautomation und der Automobilsparte zu erwarten.

Allerdings stellt diese Entwicklung spezielle Anforderungen an die IT-Infrastruktur. Der Grund sind die großen Datenmengen. So hat das Marktforschungshaus IDC in der Studie Data 2025 ermittelt, dass Industrieunternehmen im Jahr 2025 weltweit etwa 22 Zettabyte an Daten erzeugen. Davon handelt es sich bei 43 % um Echtzeitdaten, die etwa von ­Sensoren und Aktoren stammen. Diese müssen innerhalb von Millisekunden erfasst, aufbereitet und ausgewertet werden. Mit einem IT-Modell, bei dem die Bearbeitung der Informationsbestände in einem zentralen Rechenzentrum erfolgt, ist das nicht möglich: Die Latenzzeiten bei der Übermittlung der Daten ins Rechenzentrum und zurück zum Endsystem sind zu hoch.

Der Ausweg: Edge Computing

Die Lösung besteht darin, die Daten dort zu verarbeiten, wo sie anfallen, etwa an einer Werkzeugmaschine. Dieser Ansatz lässt sich mithilfe von Edge-Computing-Systemen umsetzen. Eine Edge-Computing-Infrastruktur besteht aus drei Hauptbestandteilen:

• IoT-Komponenten
• Edge-Systemen (Nodes) und Gateways
• Cloud-Services

IoT-Komponenten wie Sensoren und Aktoren werden in Produktionsanlagen und entsprechenden Prozesse integriert. Sie erfassen beispielsweise die Temperaturwerte der Elektromotoren einer Werkzeugmaschine oder die Zahl der Werkstücke, die eine Fräsmaschine bearbeitet hat. Die IoT-Systeme sind an die zweite Kernkomponente angebunden: an die Edge-Nodes. 

Die Edge-Nodes sind eigenständige Rechner mit Storage- und Netzwerk-Komponenten. Zum Einsatz kommen Systeme mit 8- und 16-Bit-Mikrocontrollern, etwa auf Basis des Arduino Uno. Es sind jedoch auch kompakte High-Performance-Computing-Systeme (HPC) wie der Server BullSequana Edge von Atos verfügbar. Solche Edge-Systeme nehmen vor Ort eine Analyse der Daten vor, die von IoT-Kompo-nenten übermittelt werden. Lösungen der gehobenen Leistungsklasse greifen dabei auf Technologien wie Künstliche Intelligenz  und maschinelles Lernen zurück. Eine weitere Aufgabe ist das Zwischenspeichern der Daten.

Weitere Systeme auf der Edge-Computing-Ebene sind Edge Gateways. Sie verfügen über Schnittstellen, die Daten von Sensoren erfassen und mit Aktoren interagieren. Hinzu kommen Komponenten für das Edge-Cluster-Management. Diese Systeme stellen neben den Managementfunktionen auch Storage-Services und Analysefunktionen bereit.

Cloud-Services als Ergänzung

Die dritte Ebene bilden zentrale Cloud-Services. Sie stellen Managementfunktio-nen für die IoT-Systeme und die Edge Nodes zur Verfügung. Eine weitere Aufgabe von Cloud-Rechenzentren besteht darin, Daten von IoT-Komponenten über einen längeren Zeitraum hinweg zu speichern und rechenintensive Analysen von Informationsbeständen durchzuführen, die keine Echtzeit-Reaktion erfordern. Zudem dienen Cloud-Dienste als Schnittstelle zu anderen IT-Systemen und Anwendungen, beispielsweise ERP-Lösungen. 

Neben zentralen (Cloud-) Rechenzentren sind bei einer Edge-Computing-Struktur kleine, dezentrale Daten-Center erforderlich. Solche Rechenzentren verfügen über vergleichbare Einrichtungen wie ihre ‚großen Brüder‘, etwa eine Klimatisierung, die für raue Umgebungen wie eine Fertigungshalle ausgelegt sind, eine ausfallsichere Stromversorgung und redundante Netzwerk-Anschlüsse. 

Erweiterung durch Swarm Computing

Doch Edge Computing ist nur ein erster Schritt. Eine Erweiterung dieses Konzeptes ist Swarm Computing. Es dient dazu, verteilte, autonome Systeme über eine maschenförmige Peer-to-Peer-Architektur miteinander zu verbinden. Dies erfolgt mithilfe eines dezentralen Storage- und Computing-Layers. Ein Vorteil von Swarm Computing ist, dass es IoT-Endpoints, Edge-Systeme und Cloud-Plattformen dynamisch kombiniert – und dies über die Grenzen von Unternehmen und Standorten hinweg. Auf diese Weise entsteht eine intelligente, verteilte Infrastruktur. Ein weiterer Vorzug ist, dass die ‚Silos‘, in denen sich Edge-Computing-Systeme derzeit befinden, aufgebrochen werden. Dadurch lassen sich nach Bedarf IT-Ressourcen und IT-Services zur Verfügung stellen. 

Swarm Computing ersetzt das bislang übliche Modell, das auf vordefinierten und nur bedingt flexiblen IT-Ressourcen und IT-Services basiert. Solche Ansätze eignen sich nicht für hoch dynamische Anwendungsbereiche. Ein Beispiel ist die Energieversorgung. Je nach Sonnenscheindauer und Windstärke sowie abhängig von der Nachfrage und gesetzlichen Vorgaben müssen Energieversorger den Mix an Energiequellen permanent neu justieren. Das lässt sich nur erreichen, wenn eine Vielzahl von Daten erfasst und ausgewertet wird. Außerdem ist es notwendig, in Echtzeit die Produktionskapazität von Windrädern, Solaranlagen, Wasserkraftwerken und konventionellen Energie-Erzeugungsanlagen anzupassen. Swarm Computing bietet diese Flexibilität. 

Komponenten von Swarm Computing

Die Zahl der weltweiten IoT-Endpoints nach Branchen und Einsatzgebieten (in Milliarden Systemen).

© Gartner (August 2019)

Eine Swarm-Computing-Umgebung besteht ebenfalls aus drei Ebenen. Die erste umfasst die bereits erwähnten Edge-Computing-Systeme, die zweite ein Multi-Cloud-Computing in Verbindung mit einer Service-Orchestrierung. Dank der Unterstützung von Multi-Clouds können Unternehmen Cloud-Dienste verschiedener Provider einzusetzen. Ein Unternehmen bucht beispielsweise Storage-Kapazitäten bei einem Anbieter, Analytics- und Machine-Learning-Services bei einem anderen. Eine wichtige Rolle spielt daher die ‚Schwarm-Instrumentation‘. Sie stellt eine einheitliche Schnittstelle der Cloud-Dienste bereit, die über eine Swarm-Computing-Plattform zugänglich sind. 

Die dritte Komponente ist die ‚End-to-End‘-Orchestrierung (E2E) der Ressourcen und Dienste einer Swarm-Computing-Infrastruktur. Fachleute von Atos plädieren für eine offene, verteilte Laufzeitumgebung, die ein dezentrales Management der Systeme in einer solchen Umgebung erlaubt. Dies ist notwendig, um unterschiedliche Arten von Komponenten zu verwalten, die zudem an diversen Orten platziert sein können. Ein weiterer Bestandteil der Orchestrierung ist ein Asset-Lifecycle-Management. Es erfasst die Komponenten, die in eine Swarm-Computing-Umgebung eingebunden werden. Hinzu kommen Funktionen für den Fernzugriff auf diese Systeme per Telemetrie. 

Sicherheit von IT und OT

Ein weiteres zentrales Element ist die Absicherung der Swarm- und Edge-Computing-Umgebung. In dieser Beziehung müssen Unternehmen umdenken: IT und OT (Operational Technology) dürfen nicht als separate Bereiche betrachtet werden. Denn fallen in einer vernetzten Produktionsumgebung Edge-Computing-Systeme aus, funktionieren auch Maschinen und Steuerungen nicht mehr. Ein Schutzkonzept muss deshalb alle Systeme, Services und Komponenten mit einbeziehen, die im Rahmen von Edge- und Swarm-Computing miteinander kommunizieren. Das gilt für einen Sensor oder Aktor ebenso wie für eine Big-Data&Analytics-Software. Schutzmaßnahmen sind beispielsweise das ‚Härten‘ von Edge-Computing-Systemen sowie der Einsatz von IoT Vulnerability Management Services, die Schwachstellen proaktiv beseitigen.

Zu den neuen Sicherheitskonzepten in Swarm- und Edge-Computing-Umgebungen zählt die ‚Data-ridden Security‘ (DRS). Dieser Ansatz sieht vor, dass alle Komponenten, die Daten speichern und verarbeiten, über starke Security-Mechanismen verfügen. Das gilt für Netzwerk-, Server- und Storage-Systeme, aber auch Programmschnittstellen (APIs), Anwendungen sowie IoT- und Edge-Computing-Komponenten. Welche Sicherheitsvorkehrungen ein solches System treffen muss, hängt von der Bedeutung der Daten ab, und zudem von den Risiken, die ein Verlust oder Missbrauch mit sich bringen könnte.

Neue Formen des Netzwerk- und Servicemanagements

Edge- und Swarm-Computing-Systeme kommen meist in Verbindung mit geschäftskritischen IoT-Anwendungen zum Einsatz. Daher sind zudem neuartige Management-Verfahren notwendig. Sie müssen beispielsweise Ausfälle von Netzwerkverbindungen und Überlast-Situationen erkennen und beheben. Zu diesen Technologien zählt das Information-Centric Networking (ICN). Es soll es ermöglichen, Informationen auf sichere und eindeutige Weise zu identifizieren, und dies unabhängig von den Kanälen, über die sie verbreitet werden. Dies sind beispielsweise Content Delivery Networks (CDN) und Peer-to-Peer-Anwendungen (P2P). Dank ICN sind Daten nicht mehr an einen Speicherort, eine Anwendung oder eine Übermittlungstechnik gebunden. Fachleute erwarten davon Vorteile wie eine bessere Skalierbarkeit in Bezug auf die Netzwerkbandbreite und robustere Übertragungsverfahren. 

Managementlösungen für Swarm-Computing-Umgebungen müssen außerdem in der Lage sein, individuelle Service-Levels (Quality of Service, QoS) und Systeme mit unterschiedlichen Prozessor-Architekturen zu verwalten. Dies ist notwendig, weil in einer Swarm-Computing-Infrastruktur ‚intelligente‘ Systeme an mehreren Standorten zusammenarbeiten, deren Hardware- und Software-Ausstattung unterschiedlich ausfallen kann. 

Einsatzbeispiele von Swarm Computing

Mithilfe von Swarm Computing können Unternehmen unter anderem ‚Digitale Zwillinge‘ (Digital Twins) von Maschinen, Produktionsumgebungen oder Produkten erstellen. Diese Zwillinge machen es einfacher, neue Produkte zu entwickeln, und zu ermitteln, wie sich deren Fertigung und Gebrauch optimieren lässt.

Anbieter von Produktionssystemen wiederum haben die Möglichkeit, ihren Kunden neuartige Services anzubieten. Ein Beispiel ist das Predictive Maintenance von Systemen. Die Grundlage liefern Daten, die IoT-Komponenten und Edge Nodes in Echtzeit vor Ort erfassen, also an der Maschine. Zudem sind nutzungsabhängige Abrechnungsmodelle denkbar. Ein Anbieter kann beispielsweise die Leasingkosten einer Produktionsmaschine anhand ihrer Auslastung berechnen. IoT-Systeme und Edge Devices ‚messen‘, wie lange pro Tag und mit welcher Taktzahl der Nutzer eine Produktionsstraße betreibt. Danach bemessen sich die Leasinggebühren.

Autor:
Hermann Gouverneur ist Chief Technology Officer von Atos Deutschland und ­Gründungsmitglied der Atos Scientific Community.