IoT-Analytics

IoT-Analytics in der Praxis.

Mit der steigenden Anzahl vernetzter Geräte wird eine effiziente und kluge Verarbeitung von IoT-Daten (Internet of Things) zunehmend wichtiger. Diese gelingt am besten, wenn Analytics-Komponenten in alle Bestandteile einer Lösung integriert werden.

* Von Dominique Duay

Das Internet of Things (IoT) boomt: Laut dem Marktforschungsinstitut Gartner werden bis 2020 20,4 Milliarden Geräte mit dem Internet der Dinge verbunden sein. 2016 waren es noch 6,4 Milliarden. Mit der Anzahl der IoT-Geräte wächst auch die schiere Menge an Daten – und damit auch der (potentielle) Wert, der in den Daten steckt. Entsprechend leistungsfähige Lösungen zu entwerfen und umzusetzen, wird anspruchsvoller. 

Grundsätzlich sind IoT-Anwendungen stark ereignisgetrieben und stellen hohe Ansprüche hinsichtlich des Real-Time-Aspekts. Deshalb sind sie meist auf geringe Latenzen zwischen den von der Sensorik gemeldeten Ereignissen und darauffolgenden Aktionen angewiesen. 

Auch die Skalierbarkeit ist eine zentrale Anforderung: Jeder Sensor, jedes Gerät, jede Datenbank, jeder Applikationsserver und jedes Stück Software muss beinahe beliebig oft instanziiert werden können, ohne dass die Leistung pro In-stanz dadurch drastisch abnimmt. 

Zu den weiteren Voraussetzungen für eine IoT-Lösung zählen die Verfügbarkeit und die Sicherheit. Zu Letzterer gehören Aspekte des Datenschutzes, der Datenintegrität und der Abwehr von möglichen Angriffen.  


Komponenten einer IoT-Architektur. 
Dazu passende Architekturen können neben der Sensorik unter anderem folgende Komponenten beinhalten:

  • eine gerätenahe Logik zur Digitalisierung der Signale und zur Umsetzung von digitalen Kommandos in Aktionen. Oft ist dies verbunden mit einfacheren, automatisierten Steuerungsmechanismen wie dem Auslösen und Versenden eines Events beim Erreichen von Schwellenwerten. 
  • Gateways kontrollieren Gruppen von Devices aufgrund ihrer Lokalität oder Funktion und übernehmen teilweise komplexere Aufgaben wie das Ausfiltern und Aggregieren von redundanten Daten. Sie beliefern darüber hinaus Benutzeroberflächen und bilden Zugriffspunkte für eine weitflächige Vernetzung.
  • Über Event-Hubs, die als einheitliche Schnittstelle fungieren, lassen sich sowohl Einzelereignisse als auch Eventmengen von den Geräten und anderen Quellen weiterreichen. 
  • Beim Stream Processing werden einzelne Events analysiert und transformiert (Filtern, Aggregieren, Verbinden) und daraus für die weitere Verarbeitung besser geeignete Daten produziert. Durch Stream Analytics können auf diesem Gebiet Fehler behoben oder spezifische Aktionen gestartet werden (zum Beispiel für die Kreditkartensperrung bei einer Missbrauchserkennung).
  • Raw Data Storage: Hier werden alle relevanten Rohdaten weitgehend unverändert und in voller Historie und Granularität gespeichert. Dies ermöglicht eine spätere Nachverarbeitung auch für andere, bisher unbekannte Zwecke und vereinfacht die Fehlerbehebung. Raw Data Storages können zum Beispiel als Data Lake in einem klassischen Data Warehouse implementiert werden.
  • Optimized Data Storage: Hier werden aufbereitete, meist verdichtete Daten vorgehalten und den Folgeprozessen angeboten, oft umgesetzt zum Beispiel als traditioneller Data Mart oder NoSQL Data Store. 
  • Benutzeroberflächen sind meist animierte grafische Darstellungen von Anlagen und deren Abläufen. Wichtig ist hier der Zeitfaktor, das Darstellen und Auslösen von Alarmen und die Möglichkeit, manuell einzugreifen, also die Aktoren zu steuern. 

 

Edge, Plattform und Enterprise. 
Jede IoT-Lösung kann in Anlehnung an Gartners Entwurf einer Referenzarchitektur in drei Bereiche aufgeteilt werden: Edge, Plattform und Enterprise. An der Edge werden die Rohdaten der Sensoren gesammelt und gegebenenfalls transformiert. Sie umfasst unter anderem die Geräte, Sensoren, Gateways und Pipelines, in denen die Daten von den Geräten oder den Gateways auf eine IoT-Plattform oder ein Data Center gestreamt werden. Auf einer IoT-Plattform werden die Daten gespeichert und analysiert. Im Enterprise-Bereich schließlich greifen Applikationen, Prozesse und Services auf die Daten der IoT-Plattform zu, um Geschäftsprozesse in Gang zu setzen oder zu beeinflussen. 

Vor dem Hintergrund der eingangs erwähnten wachsenden Zahl von IoT-Geräten und -Daten werden Analytics-Komponenten beim Design und der Architektur von IoT zunehmend wichtiger. Es empfiehlt sich daher, sie in möglichst alle Bereiche einer Lösung zu integrieren. 

So können Daten auf mehreren Stufen verarbeitet und analysiert werden. Auch wird dadurch das Netzwerk entlastet und die Propagation Delay verringert – das ist die Zeit, die ein Signal benötigt, um von einem Punkt eines Übertragungskanals zu einem anderen zu kommen. Zudem sind sowohl die Sicherheit als auch die Verfügbarkeit bei einer Verteilung von Analytics-Komponenten über die gesamte IoT-Lösung höher. 

Von den drei Basiselementen der IoT-Architektur ist die Plattform derzeit der wichtigste Einsatzbereich für Analytics. Zum einen bieten die Arbeiten auf dieser Ebene im Vergleich zu Analytics an der Edge mehr Möglichkeiten für komplexe Analysen, womit auch die Datenqualität steigt. Dies schließt sowohl Descriptive als auch Prescriptive und Predictive Analytics ein. Zum anderen ist auf IoT-Plattformen meist auch die Sicherheit höher, da Daten nicht in den Gerätespeichern, sondern im Data Warehouse oder beim Cloud-Provider abgelegt werden können. Cloud-basiert sind diese Lösungen außerdem hochskalierbar. 

 

Best Practice: Energiesektor.
Ein gutes Anwendungsbeispiel ist die IoT-Plattform eines Energieversorgungsunternehmens mit  Wind- und Solarpark-Anlagen in ganz Europa. Durch dieses riesige Netz sind zahlreiche Informationen verfügbar, nur leider nicht einheitlich und konsistent. Darum müssen Gateways in kurzen Abständen die Daten aktiv abholen, dabei die Protokolle vereinheitlichen und die Daten an den Event-Hub weiterreichen. Dieser kann anschließend die Daten nach dem Push-Prinzip in Streaming-Analytics-Prozesse weitergeben. 

Von dort werden dann die Dashboards beliefert, die den aktuellen Zustand der verteilten Anlagen grafisch darstellen. In einem letzten, asynchronen Schritt werden die so gewonnenen Daten wiederum in einem klassischen RDBMS (in diesem Fall in einem SQL Server) aggregiert und historisch gespeichert. Die Massendaten werden dabei durchgängig partitioniert, um einzelne Datenströme in separaten Prozessen zu verarbeiten. 

Diese Vorgehensweise stellt die Skalierung der Verarbeitung auch bei erheblichem Datenzuwachs sicher. Die für die Performance relevanten Prozesse sind als Cloud-Anwendung implementiert, damit bei Bedarf mit wenig Aufwand weitere Ressourcen dazu gebucht werden können. Diese ausgefeilte IoT-Plattform ermöglicht es dem Energieversorger, durch mehr Transparenz besser über Stromverkäufe und -zukäufe entscheiden zu können.

Neben der Plattform ist die Edge ein weiterer Bereich von IoT-Lösungen, in dem Analytics in Zukunft häufiger zum Einsatz kommen wird. Dies betrifft insbesondere sehr einfache, zielgerichtete Routine-Analysen, bei denen es letztlich gar nicht notwendig ist, Daten an eine IoT-Plattform weiterzuleiten. 

Als Beispiel kann man sich eine intelligente Überwachungskamera vorstellen, die einen Einbrecher meldet, ohne das Video zuerst auf eine Plattform weiterzuleiten. Durch die geringere Latenz, die mit Edge-Analytics oft einhergeht, ist es möglich, schneller auf plötzliche Ereignisse zu reagieren. 

 

Beispiel: Öffentlicher Verkehr.
Auch der Enterprise-Bereich bietet vielfältige Einsatzmöglichkeiten für Analytics. So können IoT-Daten etwa mit bestehenden Geschäftsprozessen gemappt werden. Nehmen wir ein Beispiel aus dem öffentlichen Verkehr: Durch die Verarbeitung von Daten aus verbundenen Objekten (die zum Beispiel Informationen über den GPS-Standort eines Fahrzeugs enthalten) mit einem Algorithmus ist es möglich, die Zuordnung eines Fahrzeugs zu einem Parkplatz oder einer Route in Echtzeit zu automatisieren. 

Dieser Mechanismus ist in das globale Informationssystem integriert und ermöglicht es, dass Enterprise-Applikationen auf die Daten Zugriff erhalten. Dadurch  verbessert  sich die Zuteilung der jeweiligen Transportart der Strecke entsprechend, und es wird sichergestellt, dass jedes Fahrzeug eine gleichwertige Auslastung hat.

Um den Wert von IoT-Daten bestmöglich auszuschöpfen, lohnt es sich also, die genannten Anforderungen beim Design und der Architektur einer IoT-Lösung zu berücksichtigen und Analytics-Komponenten in allen Bereichen einer IoT-Lösung einzubinden.

* Dominique Duay ist Location Manager Lausanne und Mitglied des Management Boards bei Trivadis.

 

 

 

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net
© ProfilePublishing Germany GmbH 2018. Alle Rechte vorbehalten.
Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite