Nutzung von IoT-Daten vom Edge in die Cloud und zurück

Das Internet-of-Things (IoT) bietet das Potenzial, viele so unterschiedliche Aufgaben wie die vorbeugende Wartung elektronischer Geräte bis hin zu intelligenten Ampeln dramatisch zu verbessern, um Staus zu reduzieren.

Als Pinakin Patel, Head of Solutions Engineering für MapR sagt, viele der Anwendungsfälle erfordern die Erfassung von Sensordaten von Edge-Geräten, die über eine Netzwerkverbindung zur Analyse an eine zentralisierte Anwendung gesendet werden, bevor eine Aktion ausgeführt wird; oft wieder am Rand.

Diese klassische Eingabe-, Prozess- und Ausgabemethode ist gut bekannt, aber jede IoT-Umgebung kann aufgrund der riesigen Datenmengen, die erstellt werden, und der Latenzen, die mit der globalen Verteilung inhärent sind, eine Herausforderung für das Datenmanagement darstellen.

Größere IoT-Daten

Die Herausforderungen bei der Aggregation von Daten von verbraucherorientierten Geräten wie tragbaren Technologien und intelligenten Thermostaten sind bekannt. Bei diesen Gerätetypen ist das Datenvolumen auf die große Anzahl von Geräten zurückzuführen und jedes einzelne Gerät erzeugt nicht unbedingt viele Daten.

Es gibt jedoch eine Reihe neuer Herausforderungen für IoT-Geräte, die Megabyte oder Gigabyte an Daten pro Sekunde erzeugen. Echtzeitanalysen von Video, Audio und „Light Detection and Ranging“ (LIDAR) sind beispielsweise Bereiche, in denen die eingehenden Streams herkömmliche Datenspeicherarchitekturen überfordern könnten.

Sicherlich wird sich die Infrastruktur ändern müssen, da diese Datenmengen wahrscheinlich die verfügbare Bandbreite für die Aggregation der Daten in einem zentralen Repository überfordern werden. Fahrzeuge, medizinische Geräte und Bohrinseln sind perfekte Beispiele für Datenquellen, die eine viel leistungsfähigere Architektur benötigen als verbraucherorientierte Geräte. Und da diese IoT-Datenströme die zentralisierten Clouds zur Verarbeitung erreichen, werden es zunehmend künstliche Intelligenz und maschinelles Lernen sein, die dazu beitragen, Erkenntnisse zu gewinnen und die nachfolgenden Aktionen zu generieren.

Beispiel für das Gesundheitswesen

Abstrakt zu sprechen, wenn es um IoT geht, ist jedoch schwierig, da jeder Anwendungsfall unterschiedliche Treiber und Anforderungen hat. Schauen wir uns stattdessen ein paar konkrete Beispiele als Stellvertreter für die Arten von Herausforderungen an, die damit verbunden sind.

Die Früherkennung und Behandlung chronischer Krankheiten wie Herzkrankheiten kann Leben retten und die Gesundheitskosten senken. Zwei der größten Probleme sind die Koordination der Versorgung und die Verhinderung von Krankenhauseinweisungen für Menschen mit chronischen Erkrankungen. Mehrere Studien verwenden billigere Sensoren, die die Vitalfunktionen von Patienten überwachen und diese Daten zusammen mit dem Elektrokardiogramm (EKG) als regelmäßigen Stream über Mobilfunknetze an Anwendungen in der Cloud senden können.

Diese Diagnose- und Überwachungsanwendungen analysieren die Vitalwerte und EKG-Messwerte jedes Patienten und berücksichtigen dabei historische Daten aus Krankenakten. Der Datenfluss in das System umfasst Echtzeit-Streams, historische Daten, Patientendaten und Benchmark-Daten, die durch die Aggregation großer Mengen früherer Scans von anderen Patienten erstellt wurden.

In diesem Beispiel, wie in vielen anderen in der IoT-Landschaft, benötigen die Kliniker einen Workflow, der Daten sammelt, aggregiert und über eine ganze Population von Geräten lernt, um Ereignisse und Situationen zu verstehen. In diesem Szenario erfordert die Erkennung einer Anomalie wie einer Überdosierung oder Warnzeichen eines bevorstehenden kardialen Ereignisses möglicherweise mehr Intelligenz am Rande, damit sie sehr schnell auf diese Ereignisse reagieren können.

Die Forscher haben eine Plattform aufgebaut, die gemeinsame Elemente verwendet, um sowohl Stream- als auch Batch-Daten innerhalb einer gemeinsamen Datenstruktur zu verarbeiten, die dazu beitragen kann, alle Daten auf die gleiche Weise zu verarbeiten, den Zugriff auf die Daten zu kontrollieren und Intelligenz auf eine leistungsstarke und skalierbare Weise anzuwenden .

Automotive-Beispiel

Dieser Data Fabric-Ansatz wird auch in andere IoT-Anwendungen exportiert. Mojio – The IoT Connected Car zum Beispiel zielt darauf ab, ein Ökosystem zu schaffen, das es der Automobil-, Versicherungs- und Telekommunikationsbranche ermöglicht, zusammen zu gedeihen. Mojio plant, in der ersten Phase 500.000 Fahrzeuge mit seiner Cloud-Plattform zu verbinden, die je nach Bedarf Zugriff auf verschiedene Arten von Verhaltens-, Diagnose- und Kontextdaten bietet.

Zum Beispiel Verhaltensdaten, bei denen das Telematikgerät von Mojio Informationen über Geschwindigkeit, Lenk- und Bremseingaben sammelt, um den Müdigkeitsgrad des Fahrers zu bestimmen und Warnungen auszugeben. Langfristige Daten zum Fahrverhalten können auch verwendet werden, um dem Benutzer zu helfen, einen kraftstoffsparenderen Fahrstil zu wählen und das Risiko von Versicherungsunternehmen zu berechnen.

Konvergenz und Stoffe

In beiden Szenarien; die Gesundheitsforscher und Connected-Car-Ingenieure untersuchen neue Wege, um Apps der nächsten Generation zu entwickeln. Im Mittelpunkt dieser Projekte stehen mehrere gängige Technologien, darunter Datenspeicherung im Cloud-Maßstab bis hin zu leistungsstarken Datenbanken und integriertem persistentem Streaming, um neue Möglichkeiten für Unternehmensentwickler zu schaffen, die Anwendungen entwerfen, entwickeln und bereitstellen möchten, die bisher unmöglich waren.

Die Kombination dieser Elemente wird oft als konvergente Datenplattform bezeichnet und wird allmählich in einer breiteren Palette von IoT-Anwendungsfällen eingesetzt. Diese Plattformen bieten Vorteile, darunter die Erstellung einer Dateistruktur mit hohen IOPS und geringer Latenz für Hochleistungs-Computing-Apps. Ein weiterer Vorteil liegt in Echtzeit-Analyseszenarien, in denen eine Datenstruktur gleichzeitig aufnehmen, speichern, analysieren, verarbeiten und entscheiden kann, ohne Kopien zu erstellen.

Da IoT-Daten vom Edge in die Cloud und wieder zurück wandern, müssen Unternehmen die monolithischen Architekturen der Vergangenheit vergessen und Konvergenz als Ausgangspunkt betrachten, um die für innovative neue Anwendungsfälle erforderliche Skalierung zu erreichen.

Der Autor dieses Blogs ist Pinakin Patel, Head of Solutions Engineering für MapR.

Über den Autor

Pinakin Patel ist Head of Solutions Engineering für MapR. Er verfügt über mehr als 25 Jahre Erfahrung in der Welt der Daten und wie Unternehmen Wert aus dieser kritischen Geschäftsressource schöpfen.