Edge Computing bezieht sich auf ein verteiltes Berechnungspaaradigma, bei dem die Berechnung in der Nähe der Quelle der Datenentstehung durchgeführt wird, anstatt sich ausschließlich auf einen zentralisierten Cloud-basierten Server zu verlassen. In traditionellen Berechnungsmodellen werden Daten zum Zweck der Verarbeitung und Analyse an einen zentralen Cloud-Server gesendet. In Edge Computing erfolgt die Verarbeitung in der Nähe der Datenquelle, in der Regel am oder nahe am "Rand" des Netzwerks.

Zu den wichtigsten Merkmalen von Edge Computing gehören:

  1. Niedrige Latenzzeit: Durch die Verarbeitung von Daten in der Nähe des Entstehungsorts wird die Zeit für die Datenübertragung verkürzt, was zu geringerer Latenzzeit führt. Dies ist entscheidend für Anwendungen, bei denen Echtzeit- oder nahezu Echtzeitverarbeitung erforderlich ist, wie im Internet der Dinge (IoT), autonomen Fahrzeugen und Augmented Reality.

  2. Bandbreiteneffizienz: Edge Computing kann dazu beitragen, die Datenmenge zu reduzieren, die an die Cloud übertragen werden muss, und die Bandbreitennutzung zu optimieren. Dies ist besonders vorteilhaft in Szenarien, in denen die Übertragung großer Datenmengen an einen zentralen Server unpraktisch oder teuer ist.

  3. Datenschutz und Sicherheit: Einige Anwendungen erfordern, dass sensible Daten lokal verarbeitet werden, anstatt an einen zentralen Server übertragen zu werden. Edge Computing bietet eine Möglichkeit, sensible Informationen lokal zu verarbeiten und verbessert so Datenschutz und Sicherheit.

  4. Skalierbarkeit: Edge Computing ermöglicht eine verteilte Verarbeitung und erleichtert so die horizontale Skalierung von Rechenressourcen durch Bereitstellung zusätzlicher Edge-Geräte. Diese Skalierbarkeit ist in dynamischen und sich schnell verändernden Umgebungen wertvoll.

  5. Redundanz und Zuverlässigkeit: Edge Computing kann die Systemzuverlässigkeit verbessern, indem die Verarbeitung über mehrere Edge-Geräte verteilt wird. Dies kann die Fehlertoleranz erhöhen und die Auswirkungen von Ausfällen in einzelnen Komponenten verringern.

  6. Echtzeit-Entscheidungsfindung: Edge Computing ermöglicht eine Echtzeit-Entscheidungsfindung an der Datenquelle. Dies ist besonders wichtig in Anwendungen, in denen schnelle Reaktionen entscheidend sind, wie bei industriellen Automatisierungs- und Steuersystemen.

Typische Anwendungsfälle für Edge Computing sind Smart Cities, industrielle Automatisierung, Gesundheitswesen, Einzelhandel und IoT-Anwendungen. Edge Computing soll das Cloud Computing nicht ersetzen, sondern ergänzen und bildet eine Hybridarchitektur, die die Stärken zentralisierter Cloud-Ressourcen und verteilter Edge-Geräte kombiniert.

Lassen Sie uns ein paar Beispiele erkunden, um das Konzept des Edge Computing zu veranschaulichen und wie es sich von der traditionellen zentralisierten Berechnung unterscheidet.

Beispiel 1: Intelligentes Überwachungssystem

Traditionelle zentralisierte Berechnung: In einem traditionellen Überwachungssystem werden Videofeeds von Kameras an einen zentralen Server zur Verarbeitung und Analyse gesendet. Der Server übernimmt Aufgaben wie Objekterkennung, Gesichtserkennung und Alarmgenerierung. Diese Einrichtung hat folgende Nachteile:

  • Hohe Latenzzeit: Verzögerungen bei der Verarbeitung können die Fähigkeit des Systems beeinträchtigen, schnell auf Sicherheitsereignisse zu reagieren.
  • Bandbreitenprobleme: Das kontinuierliche Streamen von Videodaten an den zentralen Server verbraucht eine erhebliche Menge an Bandbreite.

Edge Computing: In einem auf Edge Computing basierenden Überwachungssystem sind Kameras mit lokalen Verarbeitungsfähigkeiten ausgestattet. Jede Kamera kann lokale Analysen durchführen, z. B. Verdächtigungen oder Personen identifizieren, ohne den gesamten Videostream an einen zentralen Server zu senden. Nur relevante Informationen oder Alarme werden an den zentralen Server gesendet. Diese Einrichtung bietet folgende Vorteile:

  • Niedrige Latenzzeit: Die sofortige lokale Verarbeitung ermöglicht eine Echtzeitreaktion auf Sicherheitsereignisse.
  • Bandbreiteneffizienz: Die Übertragung nur wichtiger Informationen entlastet das Netzwerk.

Intelligentes Überwachungssystem

Beispiel 2: Industrielles Internet der Dinge (IoT)

Traditionelle zentralisierte Berechnung: In einem Werk mit IoT-Geräten erfassen Sensoren Daten zur Maschinenleistung, Temperatur und anderen Metriken. Diese Daten werden normalerweise an einen zentralen Cloud-Server zur Analyse gesendet. Nachteile sind:

  • Latenz: Abhängig von der Datenmenge und den Netzwerkbedingungen kann es zu Verzögerungen bei der Erhaltung von Einblicken aus den Daten kommen.
  • Zuverlässigkeitsprobleme: Bei Verlust der Verbindung zur Cloud werden Echtzeitüberwachung und -steuerung herausfordernd.

Edge Computing: In einem Edge-Computing-Setup sind Edge-Geräte auf dem gesamten Fabrikboden verteilt. Diese Geräte verarbeiten und analysieren die Sensordaten lokal. Kritische Entscheidungen, wie die Anpassung von Maschineneinstellungen als Reaktion auf Anomalien, können ohne einen entfernten Cloud-Server getroffen werden. Dies bietet mehrere Vorteile:

  • Niedrige Latenzzeit: Schnelle Reaktionszeiten für kritische Entscheidungen.
  • Redundanz: Wenn ein Edge-Gerät ausfällt, können andere immer noch unabhängig arbeiten.
  • Bandbreiteneffizienz: Die Übertragung nur relevanter Informationen an die Cloud reduziert den Bandbreitenverbrauch.

In beiden Beispielen bringt Edge Computing die Verarbeitungsfähigkeiten näher an die Datenquelle, verbessert die Leistung, reduziert die Latenzzeit und erhöht die Gesamteffizienz des Systems. Dieser verteilte Ansatz ist besonders wertvoll in Szenarien, in denen eine Echtzeit- oder nahezu Echtzeitverarbeitung entscheidend ist, wie bei Überwachung, industrieller Automatisierung und IoT-Anwendungen.