Edge Computing

Grundidee und Funktionsweise

Edge Computing bezeichnet im Gegensatz zum Cloud Computing die dezentrale Datenverarbeitung am Rand des Netzwerks, der sogenannten Edge (englisch für „Rand“ oder „Kante“). Anwendungen, Daten und Dienste werden dabei von zentralen Knoten wie Rechenzentren weg verlagert. Erfassung, Aggregation, Aufbereitung und Analyse der Daten finden möglichst nahe am Ort statt, an dem die Daten entstehen, zum Beispiel direkt an einem Endgerät, in einer Fabrik oder nahe bei Sensoren und Aktoren.

Dadurch lassen sich Reaktionszeiten verkürzen. Für eine Übertragung im Millisekundenbereich dürfte das Rechenzentrum beispielsweise nicht mehr als 100 Kilometer vom Entstehungsort der Daten entfernt sein. Die lokale Verarbeitung reduziert außerdem die Datenmenge, die an ein Rechenzentrum übertragen werden muss: Daten können vorgefiltert und nur in der benötigten Form weitergeleitet werden. Dadurch wird die verfügbare Bandbreite effizienter genutzt.

Das Konzept entstand besonders im Zusammenhang mit dem Internet of Things (IoT), bei dem die Zahl der vernetzten Geräte und die erzeugten Datenmengen stark wachsen. Für Anwendungen mit Echtzeitanforderungen wäre es oft nicht praktikabel, sämtliche Sensordaten zur Verarbeitung in ein Rechenzentrum zu übertragen. Edge Computing begegnet daher vor allem zwei Herausforderungen des IoT: der effizienten Bandbreitennutzung und der Ermöglichung schneller Echtzeitreaktionen. Es eignet sich auch für Geräte, die nicht dauerhaft mit einem Netzwerk verbunden sind, etwa Controller, Notebooks, Smartphones, Tabletcomputer und Sensoren. Zu den einbezogenen Techniken zählen unter anderem Sensornetze, mobile Datenerfassung, mobile Signaturanalyse, Peer-to-Peer- und Ad-hoc-Vernetzung.

Ziele und technische Bausteine

Ein wichtiges Ziel ist, Verzögerungen und Übertragungskosten zu verringern, die durch die geografische Entfernung zwischen Einsatzort und Rechenzentrum entstehen. Dies ist besonders für industrielle Geschäfts- und Produktionsprozesse relevant. Nach einer Untersuchung der International Data Corporation (IDC) von 2018 sollte der Anteil der Echtzeitdaten bis 2025 auf 30 Prozent der verarbeiteten Daten steigen. Eine Umfrage des IT-Infrastrukturanbieters Vertiv von 2019 ergab, dass 53 % der Teilnehmer, die bereits Edge Computing verwendeten, bis 2025 mit einem durchschnittlichen Anstieg der Nachfrage nach Edge-Computing-Standorten um 226 Prozent rechneten.

Die Größenordnung der Datenmengen zeigt ein Beispiel aus der Luftfahrt: Eine einzelne Flugzeugturbine erzeugt innerhalb von 30 Minuten Flugzeit etwa 10 Terabyte Daten, entsprechend etwa 5.000 Stunden HD-Videos. Diese Daten müssen während des Flugs vor Ort verarbeitet werden. Laut Gartner lag die geschätzte Zahl der weltweit verbundenen IoT-Geräte 2020 bei etwa 20,4 Milliarden. Auch in der Industrie 4.0 ist Edge Computing bedeutsam.

Ein Edge Controller ist eine erweiterte Form der speicherprogrammierbaren Steuerung (SPS). Seine Verarbeitungselemente liegen näher am Sensor, sodass Sensordaten schnell analysiert und gefiltert werden können. Als lokaler Controller verringert er das Datenaufkommen in dezentralen Rechenzentren. Gegenüber einer herkömmlichen SPS besitzt er vor allem eine größere Datenverarbeitungskapazität, die durch leistungsfähige Multicore-Prozessoren erreicht wird.

Fog Computing und Edge AI

Fog Computing ist eine Form von Edge Computing. Dabei werden Daten nach ihrer Wichtigkeit vorverarbeitet und über externe Knoten und Gateways an einen Server weitergeleitet. Im Unterschied zum normalen Edge Computing kommt eine zusätzliche Verarbeitungsschicht hinzu, die sogenannte Fog Layer. Während beim allgemeinen Edge Computing der Schwerpunkt häufig auf den Endgeräten liegt, bringt Fog Computing Cloud-Ressourcen näher an die Anwendungen und betont damit die Dezentralisierung.

Edge AI bezeichnet den Einsatz von Künstlicher Intelligenz direkt auf lokalen Geräten statt zentral in der Cloud. Dazu können Smartphones, Laptops und Sensoren gehören. Mit dem Aufkommen Generativer Künstlicher Intelligenz (GenAI) in den frühen 2020er-Jahren wurde Edge AI zu einer neuen Facette des Edge Computing. Die Daten werden dort verarbeitet, wo sie entstehen. Daraus ergeben sich schnelle, im besten Fall in Echtzeit stattfindende Verarbeitung, höherer Datenschutz und Offline-Verfügbarkeit.

Vorteile und Herausforderungen

Der größte Vorteil von Edge Computing ist die Echtzeitfähigkeit der Datenerhebung und -verarbeitung. Durch Vorfilterung und Vorverarbeitung werden Leitungen weniger belastet, und Unternehmen können Kosten für Bandbreite, Datenvolumen und Cloud-Speicherplatz senken. Im ländlichen Raum kann Edge Computing außerdem eine unzureichende Netzanbindung ausgleichen, wenn das ständige Hochladen großer Datenmengen in die Cloud nicht möglich ist. Cloud-Vorteile bleiben dennoch nutzbar: In der Cloud erstellte und trainierte KI-Modelle können lokal ausgeführt werden. Vertrauliche Daten müssen das lokale Unternehmensnetz nicht verlassen, was auch für rechtliche und regulatorische Vorgaben wie die DSGVO oder handelsrechtliche Richtlinien relevant ist.

Zu den zusammengefassten Vorteilen gehören die Minimierung von Latenz- und Lastzeiten, eine beschleunigte Datenübertragung und -verarbeitung in der Cloud, weniger Übertragungsverzögerungen und Serviceausfälle, Echtzeitüberwachungen und -services, die Umgehung von Bandbreitenbeschränkungen, geringere Netzwerkkosten, eine bessere Kontrollierbarkeit vertraulicher Daten sowie Skalierbarkeit.

Die dezentrale Struktur bringt jedoch zusätzliche Sicherheits- und Betriebsanforderungen mit sich. Anders als bei zentralen Rechenzentren müssen Betreiber die vielen eingebundenen Geräte selbst absichern, aktualisieren und auf Schwachstellen überprüfen. Die Geräte und Netzwerkknoten müssen ständig verfügbar und gegen Ausfälle sowie Missbrauch geschützt sein. Das System sollte auch bei einem Verbindungsabbruch oder dem Ausfall einzelner Knoten weiterarbeiten. Während einer Unterbrechung erhobene und verarbeitete Daten sollten bei erneuter Verbindung automatisch synchronisiert werden. Weitere Herausforderungen sind die aufwändige Ersteinrichtung, der Fachkräftemangel, der Bedarf an geschultem Wartungs- und Managementpersonal an mehreren Standorten sowie ein unregelmäßiger Rechen- oder Speicherbedarf.

Einsatzgebiete und Praxisbeispiele

Edge Computing wird besonders in der Industrie eingesetzt, etwa in der Logistik für Flottenmanagement und automatisierte Warenlager, in der Produktion für Predictive Maintenance und Digital Twins, bei der Fabrikoptimierung und in der Gebäudeautomation. Weitere Einsatzgebiete sind autonomes Fahren, Augmented Reality und Smart Cities. Autonome Fahrzeuge müssen Berechnungen selbst durchführen können, damit sie nicht von einer stabilen Verbindung zu einem Rechenzentrum abhängig sind. Bei Augmented Reality müssen digitale Einblendungen auch bei abrupten Kopfbewegungen in Echtzeit den realen Objekten folgen. In Smart Cities können Kameras Verkehrssituationen direkt vor Ort analysieren und Ampeln etwa nach Verkehrsaufkommen, Linienbussen oder Einsatzfahrzeugen steuern.

Ein alltägliches Beispiel ist die Gesichtserkennung von Smartphones zum Entsperren des Geräts. Der Algorithmus kann lokal ausgeführt werden, sodass keine Cloud-Verbindung und keine Rückmeldung aus der Cloud erforderlich sind.

In einem Projekt zum autonomen Fahren in Ulm untersuchten unter anderem Bosch und die Universität Ulm den Einsatz von Infrastruktur-Sensoren an Kreuzungen. Video- und Lidar-Sensoren an Straßenlaternen sollten verdeckte Fußgänger, kreuzende Fahrradfahrer und anfahrende Linienbusse erkennen. Mobile Edge Computing Server (MEC-Server), die in das Mobilfunknetz integriert sind, kombinierten diese Daten mit Fahrzeugsensoren und HD-Kartenmaterial zu einem lokalen Umfeldmodell der aktuellen Verkehrssituation.

Bei Schneider Electric wurde Microsofts Azure IoT Edge für Predictive Maintenance eingesetzt. Probleme an Gas- und Ölpumpen werden durch Predictive Analytics in Echtzeit erkannt, sodass die Pumpen vor dem eigentlichen Schaden heruntergefahren werden können. General Electric nutzt Edge-Techniken, um bei extrem belasteten Abhitzedampferzeugern die Lebenserwartung von Komponenten anhand von Sensordaten zu schätzen.

Im Bildungs- und sozialen Bereich können dezentrale Edge-Server KI-Sprachmodelle in Kindertagesstätten lokal und vollständig offline ausführen. Dadurch lassen sich Beobachtungsdokumentationen und Berichte verarbeiten, ohne sensible Kinder- und Entwicklungsdaten in außereuropäische Cloud-Infrastrukturen abfließen zu lassen. In der Landwirtschaft zeigt Microsofts Projekt FarmBeats eine weitere Anwendung: Drohnenbilder werden zu einer Heatmap zusammengefügt und mit Bodenmessungen zu Feuchte und Temperatur durch Machine-Learning-Algorithmen ausgewertet. So sollen Krankheiten, Schädlingsbefall und andere ertragsmindernde Probleme früh erkannt sowie Produktivität gesteigert und Kosten reduziert werden.