Softwarearchitektur

Datenverarbeitung am Netzwerkrand

Edge-Computing gewinnt zunehmend an Bedeutung. Die Nähe zu Geräten und Nutzern bietet für viele Anwendungsfälle erhebliche Vorteile, beispielsweise bei Latenzen und der Ausnutzung der Bandbreite. Dieser Artikel verdeutlicht, was Edge-Computing ist und wo die Unterschiede zum Cloud-Computing liegen.

Fabian Deitelhoff

Author

24.10.2023
Lesezeit: 16 Minuten
54 Views

Edge-Computing ist ein wichtiger Bestandteil moderner IT-Infrastrukturen. In einer Zeit, in der konstant mehr Daten generiert und verarbeitet werden, ist es entscheidend, effiziente und sichere Lösungen für diese Datenverarbeitung und -speicherung zu finden. Edge-Computing bietet eine solche Implementierung, da die Datenverarbeitung näher an die Quelle der Datenerzeugung rutscht. Dies minimiert Latenzzeiten und steigert die Effizienz, was insbesondere in Szenarien, in denen schnelle Datenverarbeitung vor Ort unverzichtbar ist, von großer Bedeutung ist.

Dieser Artikel führt in die Welt des Edge-Computings ein und verdeutlicht Unterschiede sowie Gemeinsamkeiten zum Cloud-Computing. Zudem wird aufgezeigt, inwiefern Edge-Computing als Ergänzung zu bestehenden Cloud-basierten Infrastrukturen dienen kann und in welchen Situationen es als mögliche Alternative zur Cloud in Betracht gezogen werden sollte.

Anwendungsfälle des Edge-Computings

Audi hat Edge-Computing erfolgreich in seinem Produktionswerk in Ingolstadt eingesetzt. Das Unternehmen nutzt Edge-Computing-Lösungen, um die Datenverarbeitung und -analyse direkt in der Produktionslinie durchzuführen. Dies ermöglicht eine schnellere Reaktion auf mögliche Störungen und eine effizientere Steuerung der Produktionsprozesse [VDI].

Bei BMW kommt Edge-Computing in den Werken zum Einsatz, um die Datenverarbeitung und -analyse in Echtzeit zu ermöglichen. Durch den Einsatz von Edge-Computing-Lösungen kann BMW die Latenzzeiten reduzieren und die Effizienz seiner Produktionsprozesse steigern [MW].

Siemens hat Edge-Computing erfolgreich in seine IoT-Plattform (IoT as a Service) MindSphere integriert. Durch den Einsatz von Edge-Computing-Lösungen kann Siemens die Latenzzeiten reduzieren und die Effizienz der Datenverarbeitung und -analyse in seinen IoT-Anwendungen steigern [Siemens].

GE Digital hat Edge-Computing in seine industrielle IIoT-Softwareplattform (IIoT) Predix integriert, um die Datenverarbeitung und -analyse in Echtzeit zu ermöglichen. Dies ermöglicht es GE Digital, die Leistung und Effizienz seiner IoT-Anwendungen zu verbessern und schneller auf Veränderungen in den Betriebsbedingungen zu reagieren [GED].

Sprachassistenten wie Alexa sind ebenfalls Beispiele für den Einsatz von Edge-Computing. Sowohl auf konkreter Edge-Hardware wie den Echo-Modellen, aber auch auf dem Smartphone und anderen Geräten. Dort muss das Stichwort, beispielsweise "Alexa", direkt erkannt und darauf reagiert werden, um auf weitere Informationen und Anweisungen zu warten. Diese Audio-Nachricht erst an die Cloud zu schicken, um dort die Erkennung durchzuführen, ist deutlich zu aufwendig und dauert zu lange. Diese Verzögerung ist in der User Experience ein Problem [Ama].

Diese Beispiele zeigen, dass Edge-Computing immer dann zum Einsatz kommt, wenn Ergebnisse schnell und dennoch von hoher Qualität zur Verfügung stehen müssen. Produktionsstraßen sind dafür ein gutes Beispiel, da in der Fertigung viele Daten anfallen, die möglichst in Echtzeit analysiert werden müssen, um beispielsweise Ursachen in schwankenden Produktionsprozessen (Anomalieerkennung) ausfindig zu machen.

Aber was ist Edge-Computing?

Edge-Computing ist ein Ansatz zur Datenverarbeitung, bei dem die Verarbeitung und Analyse von Daten näher an der Quelle der Dateninformation, also am sogenannten Netzwerkrand (engl. Edge), stattfindet. Wie die vorherigen Beispiele verdeutlicht haben, ist Edge-Computing besonders relevant in Anwendungsfeldern, in denen Echtzeitverarbeitung und -analyse von Daten erforderlich sind, wie zum Beispiel in der Industrie 4.0, im Internet der Dinge (IoT) oder im Bereich autonomer Fahrzeuge. Im Kontext von Edge-Computing existiert der Begriff des Edge-Servers. Die beiden Konzepte Edge-Computing und Edge-Server stehen in direktem Zusammenhang, da sie beide darauf abzielen, die Datenverarbeitung näher an die Datenquelle oder den Endbenutzer zu bringen. Edge-Computing ist ein verteiltes Rechenparadigma, das Berechnungen und Datenspeicherung näher an die Datenquellen bringt, um schnellere Reaktionszeiten und Bandbreiteneinsparungen zu ermöglichen. Edge-Server sind leistungsstarke Computer, die am Netzwerkrand platziert werden, um die Datenverarbeitung dort durchzuführen, wo sie benötigt wird. Edge-Server treten dabei in verschiedenen Formen und Größen auf und kommen in verschiedenen Anwendungsfällen zum Einsatz, wie zum Beispiel IoT, Cloud-Gaming und Mobile Core Services.

Im Gegensatz zur zentralisierten Datenverarbeitung in Cloud-Computing-Umgebungen, bei der Daten über das Internet an entfernte Rechenzentren gesendet, dort verarbeitet und anschließend zurückgesendet werden, erfolgt die Datenverarbeitung bei Edge-Computing dezentral und direkt an der Datenquelle (siehe Abbildung 1).

Abb. 1: Zusammenhang von Cloud und Edge mit unterschiedlichen Komponenten

Dies kann beispielsweise durch den Einsatz von Edge-Geräten wie Sensoren, Gateways oder anderen intelligenten Geräten realisiert werden, die in der Lage sind, Daten lokal zu verarbeiten und zu analysieren.

Obwohl Edge- und Cloud-Computing beide Ansätze zur Datenverarbeitung darstellen, ergeben sich aus den oben genannten Unterschieden grundlegend andere Konzepte. Cloud-Computing ermöglicht den Zugriff auf Server, Datenbanken, Speicherplatz und Anwendungen in einem virtuellen Rechenzentrum, das auch als Cloud bezeichnet wird. Die Hauptvorteile von Cloud-Computing sind Skalierbarkeit, Flexibilität und Kosteneffizienz. Unternehmen können Rechenleistung und Speicherplatz je nach Bedarf anpassen und zahlen nur für die Ressourcen, die sie tatsächlich benötigen. Edge- und Cloud-Computing sind somit zwei unterschiedliche Ansätze zur Datenverarbeitung und -speicherung. Die Architektur von Cloud-Computing bezieht sich auf die Komponenten und Teilkomponenten, die für das Cloud-Computing erforderlich sind.

Edge-Computing hingegen ist eine verteilte Rechenarchitektur, die Anwendungen, Daten und Rechenressourcen geografisch näher an den Ort bringt, an dem Daten gesammelt und verarbeitet werden. Dies ermöglicht eine schnellere Reaktion auf lokale Ereignisse und reduziert die Latenzzeit, da die Daten nicht vom Edge zur Cloud hin und her reisen müssen. Edge-Computing eignet sich besonders gut für Anwendungsfälle, bei denen eine geringe Latenzzeit, Echtzeit-Datenverarbeitung und verbesserte Datensicherheit erforderlich sind, wie zum Beispiel Industrie 4.0, Verkehrsmanagement in Städten und Internet der Dinge (IoT).

Technologien und Architekturen im Edge-Computing

Edge-Computing umfasst eine Vielzahl von Technologien und Architekturen, die es ermöglichen, die Datenverarbeitung näher an der Quelle der Dateninformation durchzuführen. Da die Beschreibung des Edge-Computings beziehungsweise die Definition dieser Edge im Netzwerk sehr allgemein gehalten ist und Sensoren, Gateways oder andere intelligente Geräte umfassen kann, ist auch der Einsatz der Technologien sehr breit.

Sensoren erfassen Daten aus der Umgebung, wie zum Beispiel Temperatur, Feuchtigkeit oder Bewegung. Sie können auch in der Lage sein, einfache Datenverarbeitungsaufgaben durchzuführen, bevor die Daten an andere Edge-Geräte oder Rechenzentren weitergeleitet werden.

Gateways dienen als Schnittstelle zwischen Sensoren und anderen Edge-Geräten oder Rechenzentren. Sie sind in der Lage, Daten von Sensoren zu sammeln, zu verarbeiten und an andere Geräte oder Rechenzentren weiterzuleiten. Gateways können auch als Datenfilter fungieren, indem sie nur relevante Daten weiterleiten und so die Bandbreitennutzung reduzieren.

Edge-Server sind leistungsfähigere Geräte, die in der Lage sind, komplexe Datenverarbeitungs- und Analyseaufgaben durchzuführen. Sie können beispielsweise zur Verarbeitung von Video- oder Audiodaten, zur Durchführung von maschinellem Lernen oder zur Analyse von IoT-Daten eingesetzt werden.

Container-Technologien, wie zum Beispiel Docker oder Kubernetes, ermöglichen die Bereitstellung und Verwaltung von Anwendungen in isolierten, leichtgewichtigen Umgebungen, die unabhängig von der zugrunde liegenden Infrastruktur ausgeführt werden können. Im Bereich Edge-Computing lassen sich Container nutzen, um Anwendungen und Dienste flexibel und effizient auf Edge-Geräten bereitzustellen und zu verwalten.

Ganz allgemein umfassen die wichtigsten Technologien, die für Edge-Computing benötigt werden, Hardware-Komponenten, Software-Plattformen und Netzwerktechnologien. Edge-Computing erfordert spezielle Hardware-Geräte wie Edge-Server, Gateways, Sensoren und IoT-Geräte, die in der Lage sind, Daten lokal zu verarbeiten und zu speichern. Edge-Computing-Plattformen ermöglichen die Verwaltung von Daten und das Ausführen von Anwendungen am Rande des Netzwerks.

Beispiele für solche Plattformen sind Azure IoT Edge, Eclipse fog05, ClearBlade, Alef Private Edge Platform und Google Distributed Cloud Edge. Zudem sind für Edge-Computing Netzwerktechnologien erforderlich, die eine schnelle und zuverlässige Datenübertragung zwischen Edge-Geräten und zentralisierten Rechenzentren oder Cloud-Umgebungen ermöglichen. Der Unterschied zu vorherrschenden Business-Architekturen ist, dass Edge-Computing die Verarbeitung von Daten lokal durchführt, während die Algorithmen und Programme zur Verarbeitung von zentralisierten Strukturen orchestriert werden, beispielsweise mit den genannten Containern. Edge-Geräte kommen zum Einsatz, um diese Container auszuführen. Eine Synchronisierung mit dem Rechenzentrum kann weiterhin stattfinden, blockiert aber nicht die Ausgabe der Ergebnisse.

Abbildung 2 zeigt eine High-Level-Sicht auf die verschiedenen Komponenten verschiedener Edge-Lösungen. Diese Architektur verdeutlicht zudem, dass auch ein Smartphone als Edge-Gateway dienen kann, beispielsweise für integrierte Sensoren oder für eine Smartwatch.

Abb. 2: High-Level-Sicht auf die verschiedenen Komponenten beim Edge-Computing

Vor- und Nachteile von Edge-Computing

Während Cloud-Computing für On-Demand, Self-Service, Ressourcen-Pooling, Skalierbarkeit und Flexibilität der Ressourcen steht, sind wichtige Merkmale des Edge-Computings eher die dezentrale (Echtzeit-)Datenverarbeitung, verbesserte Datensicherheit und Datenschutz, eine reduzierte Netzwerkbelastung sowie eine Skalierbarkeit und Flexibilität durch die Anpassung der einzelnen Geräte. Genau aus diesem Zusammenhang zwischen Cloud- und Edge-Computing lassen sich zahlreiche Vor- und Nachteile des Edge-Computings ableiten.

Zu den Vorteilen gehören reduzierte Latenzzeiten. Da die Datenverarbeitung näher an der Datenquelle stattfindet, lassen sich dadurch Netzwerkwege sparen und Latenzzeiten reduzieren, also verbessern. Dies ist besonders wichtig in Anwendungsfällen, in denen Echtzeitverarbeitung und -analyse von Daten erforderlich sind, wie zum Beispiel bei autonomen Fahrzeugen. In der Regel geht dieser Vorteil Hand in Hand mit einer Effizienzsteigerung, da Edge-Computing die Effizienz der Datenverarbeitung steigern kann, indem es die Bandbreitennutzung reduziert und die Reaktionszeit von Anwendungen verbessert. Bei den Themen Datensicherheit und Datenschutz punktet Edge-Computing durch die lokale Verarbeitung und Speicherung von Daten. Dadurch lassen sich Sicherheits- und Datenschutzbedenken besser adressieren. Dass das kein ausschließlicher Vorteil ist, zeigt die List der Nachteile im weiteren Verlauf des Artikels.

Edge-Computing kann dazu beitragen, die Belastung von zentralen Rechenzentren zu reduzieren, indem ein Teil der Datenverarbeitung direkt an der Datenquelle durchgeführt wird. Beispielsweise eine Vorverarbeitung von Sensordaten, die bei vielen Sensoren bei hoher Abtastrate eine enorme Belastung für eine zentrale Cloud-Lösung darstellen kann. Das ermöglicht zudem eine verbessere Nutzung der Netzwerkbandbreite. Da weniger Daten über das Netzwerk übertragen werden müssen, ist die Ausnutzung der Netzwerkbandbreite effizienter.

Auf der Liste der Nachteile zum Edge-Computing stehen in vielen Anwendungsszenarien höhere Implementierungskosten. Die Anschaffung, Implementierung und Wartung von Edge-Geräten ist in der Praxis in vielen Fällen mit höheren Kosten verbunden als die Nutzung von zentralisierten Cloud-Computing-Ressourcen. Zudem spielt die Planung für zukünftige Anwendungsfälle eine enorme Rolle. Edge-Computing ist in Bezug auf die Skalierbarkeit oft eingeschränkt, da die verfügbaren Ressourcen von den Edge-Geräten abhängen und diese nicht in Zukunft bei veränderten Anwendungsfällen beliebig angepasst werden können. Hier hilft in einigen Szenarien der Einsatz von Fog-Computing (siehe Kasten 1) weiter, einer erweiterten Form des Edge-Computings, mit der eine gewisse Skalierbarkeit erreicht wird.

Die Verwaltung und Wartung einer Edge-Computing-Infrastruktur kann zudem komplexer sein als die Verwaltung einer zentralisierten Cloud-Computing-Umgebung, da eine höhere Anzahl an Geräten und Standorten beteiligt ist. Hier spielen Sicherheitsrisiken ebenfalls eine große Rolle. Obwohl Edge-Computing die Datensicherheit und den Datenschutz verbessern kann, können auch neue Sicherheitsrisiken entstehen, da mehr Geräte und Standorte beteiligt sind, die potenziell anfällig für Angriffe oder Ausfälle sind.

Kasten 1: Fog-Computing

Edge-Computing als Ergänzung zur Cloud

Ein gängiges Einsatzszenario für Edge-Computing sind IoT-Umgebungen, in denen eine Vielzahl von Sensoren und Geräten kontinuierlich Daten generieren. Hier kann Edge-Computing dazu beitragen, die Latenzzeiten zu reduzieren und die Netzwerkbandbreite effizienter zu nutzen. In industriellen Anwendungen wie der Industrie 4.0, bei denen Echtzeitverarbeitung und -analyse von Daten für die Steuerung von Produktionsprozessen oder die Überwachung von Maschinen erforderlich sind, verbessert Edge-Computing die Reaktionszeit und steigert die Effizienz. Die Cloud kann in diesem Kontext für die zentrale Verwaltung, Analyse und Optimierung der Produktionsprozesse eingesetzt werden.

Autonome Fahrzeuge erfordern eine schnelle Verarbeitung von Sensordaten, um in Echtzeit Entscheidungen treffen zu können. Edge-Computing minimiert in diesem Beispiel die Latenzzeiten und beschleunigt die Fahrzeugreaktionen. Eine zentrale Cloud-Lösung sorgt zusätzlich für die Aktualisierung von Karten, die Analyse von Fahrzeugdaten und die Verbesserung von Algorithmen.

In Smart-City-Anwendungen, bei denen eine Vielzahl von Sensoren und Geräten, beispielsweise mittels Videoüberwachung, zur Überwachung und Steuerung von Verkehr, Energieversorgung oder Umweltbedingungen zum Einsatz kommen, kann Edge-Computing ebenfalls die Latenzzeiten reduzieren und die Netzwerkbandbreite schonen. Eine Cloud-Lösung im Hintergrund sorgt in diesem Anwendungsfall für die zentrale Verwaltung, Analyse und Optimierung der städtischen Infrastruktur.

Edge-Computing als Alternative zur Cloud

In abgelegenen oder netzunabhängigen Standorten, also Remote- und Off-Grid-Standorten, an denen eine zuverlässige Internetverbindung nicht gewährleistet ist, kann Edge-Computing eine Alternative zur Cloud bieten. Die lokale Verarbeitung und Speicherung von Daten ermöglicht es, Anwendungen auch bei eingeschränkter oder fehlender Internetverbindung auszuführen. Besteht die Verbindung wieder, lassen sich die Daten mit der Cloud synchronisieren.

Bei Echtzeitanwendungen, die sehr niedrige Latenzzeiten erfordern, kann Edge-Computing eine valide Alternative zur Cloud darstellen. Durch die Verarbeitung von Daten direkt an der Quelle können Latenzzeiten minimiert und Echtzeitreaktionen ermöglicht werden. Dieser Vorteil betrifft ebenso Anwendungen mit einer hohen Bandbreitennutzung. Hier trägt Edge-Computing zur Reduktion der Netzwerkbelastung bei.

In kritischen Infrastrukturen, bei denen die Ausfallsicherheit und die Unabhängigkeit von zentralisierten Rechenzentren von großer Bedeutung sind, ist Edge-Computing eine Alternative zur Cloud. Die lokale Verarbeitung und Speicherung von Daten tragen dazu bei, die Anfälligkeit für Ausfälle oder Angriffe auf zentrale Rechenzentren zu reduzieren.

Programmiersprachen und Edge-Computing

Es gibt keine speziellen Programmiersprachen, die ausschließlich für die Entwicklung von Edge-Computing-Anwendungen empfohlen werden. Stattdessen steht es Entwicklerinnen und Entwicklern frei, aus einer Vielzahl von Programmiersprachen zu wählen, die auch in anderen Bereichen der Softwareentwicklung zum Einsatz kommen. Beispiele dafür sind:

Java, eine weit verbreitete Programmiersprache, die auf einer Vielzahl von Plattformen und Geräten läuft,
Go, eine moderne Programmiersprache, die sich durch ihre Einfachheit und Leistungsfähigkeit auszeichnet und besonders gut für serverseitige Anwendungen, Mikrocontroller-Programmierung und Cloud-basierte Lösungen geeignet ist,
C als eine der ältesten und am weitesten verbreiteten Programmiersprachen, die häufig für die Entwicklung von Embedded-Systemen und IoT-Geräten verwendet wird.
Nicht zu vergessen Python, eine einfach zu erlernende und vielseitige Programmiersprache, die auf verschiedenen Plattformen wie Linux oder Windows läuft und sich besonders gut für IoT-Anwendungen eignet, die Datenanalyse erfordern.

Edge Functions

Darüber hinaus existieren bei Cloud-Anbietern zahlreiche Möglichkeiten, Funktionalitäten „at the Edge“ auszuliefern. Über diese Edge Functions lassen sich Funktionen in einer Programmiersprache implementieren, testen und ausliefern. Damit stehen Features des Edge-Computings mit wenigen Zeilen Code allen Entwicklerinnen und Entwicklern zur Verfügung. Eine Edge Function ist somit eine spezifische Funktion, die am "Edge" des Netzwerks ausgeführt wird und dadurch eine konkrete Anwendung des Edge-Computing-Prinzips.

So eine Edge Function lässt sich beispielsweise direkt auf Edge-Geräten, wie zum Beispiel Sensoren, Gateways oder Edge-Servern, ausführen, um die Datenverarbeitung und -analyse direkt an der Datenquelle durchzuführen. Edge Functions können beispielsweise zur Filterung, Aggregation oder Transformation von Daten eingesetzt werden, bevor sie an andere Geräte oder Rechenzentren weitergeleitet werden. Abbildung 3 zeigt die Einbindung der Edge Functions im Kontext der Vercel-Infrastructure und verdeutlicht die Nähe zu anderen Komponenten.

Darüber hinaus existieren bei Cloud-Anbietern zahlreiche Möglichkeiten, Funktionalitäten "at the Edge" auszuliefern. Über diese Edge Functions lassen sich Funktionen in einer Programmiersprache implementieren, testen und ausliefern. Damit stehen Features des Edge-Computings mit wenigen Zeilen Code allen Entwicklerinnen und Entwicklern zur Verfügung. Eine Edge Function ist somit eine spezifische Funktion, die am „Edge“ des Netzwerks ausgeführt wird und dadurch eine konkrete Anwendung des Edge-Computing-Prinzips.

Abb. 3: Edge Functions im Kontext der Vercel-Infrastruktur

Fazit

Edge-Computing hat sich als ein vielversprechender Ansatz zur Datenverarbeitung etabliert, der insbesondere in Anwendungsfeldern wie dem Internet der Dinge (IoT), der Industrie 4.0 und autonomen Fahrzeugen von großer Bedeutung ist. Durch die Verlagerung der Datenverarbeitung näher an die Quelle der Dateninformation lassen sich Latenzzeiten reduzieren, Bandbreite schonen und die Effizienz der Datenverarbeitung insgesamt steigern.

Dies sind insgesamt Vorteile gegenüber dem Cloud-Computing. Allerdings gibt es auch Nachteile, wie höhere Implementierungskosten und mögliche Einschränkungen bei der Skalierbarkeit.

In vielen Fällen kann eine Kombination aus Edge- und Cloud-Computing die jeweiligen Vorteile beider Ansätze kombinieren, um eine optimale Lösung zu finden. In Zukunft ist daher mit einer weiteren Entwicklung und Verbreitung von Edge- und Cloud-Computing-Technologien zu rechnen.