Het belang van edge computing voor het IoT

Het IoT en Edge Computing

Het internet der dingen groeit exponentieel met verbonden apparaten, variërend van slimme lampen en ovens tot apparaten voor het vastleggen van industriële analysegegevens. Volgens IDC zullen er tegen 2025 naar verwachting 41,6 miljard verbonden IoT-apparaten zijn, die 79,4 zettabyte (ZB) aan gegevens genereren. Ter vergelijking:één zettabyte is ongeveer één miljard terabyte.

In de begindagen van IoT stuurden de meeste van die apparaten alle verzamelde gegevens naar de cloud voor analyse. Wanneer u echter probeert biljoenen gigabytes naar de cloud te sturen, begint de datapijplijn een beetje verstopt te raken. Dat is waar edge computing van pas komt:het helpt IoT-apparaten om een ​​deel van die gegevens lokaal te verwerken, voordat, of soms in plaats van, ze naar de cloud te sturen. Daar komt de naam vandaan:de gegevens worden verwerkt aan de "rand" van uw eigen netwerk, in plaats van weggestuurd te worden.

De rol van edge computing in IoT

Edge computing heeft verschillende doelen in het huidige IoT-landschap. Dit gedistribueerde, lokale computerparadigma bevrijdt IoT-apparaten van latentie- en verbindingsproblemen die anders sommige IoT-gebruiksscenario's onmogelijk zouden maken. Deze essentiële technologie vormt de ruggengraat van IoT-applicaties die geclassificeerde gegevens bevatten, realtime of low-latency besluitvorming vereisen, voorkomen in omgevingen waar cloudconnectiviteit schaars is of helemaal niet beschikbaar is, en met name data-intensieve gevallen zoals in industriële IoT-implementaties .

Omdat edge computing-apparaten gegevens intern analyseren, is er geen latentie, in tegenstelling tot cloud-geanalyseerde gegevens. Voor nauwkeurige tijdgevoelige taken kan dit de functionaliteit van IoT-apparaten maken of breken. Edge computing is een rekenkundig efficiënte, veilige, privé en kosteneffectieve manier om het internet der dingen op grote schaal te gebruiken zonder het risico te lopen van datalekken of overbelasting van het netwerk. Bovendien biedt edge computing een laag veerkracht en redundantie voor missiekritieke taken. Omdat dit proces wordt gedistribueerd, d.w.z. niet gecentraliseerd in een enkel systeem:als er iets kapot gaat, kunnen de zaken nog steeds ononderbroken doorgaan terwijl het kapotte element wordt gerepareerd.

Dat wil niet zeggen dat edge computing niet samen kan werken met cloudgebaseerde analyse - het kan absoluut en vaak ook. In deze gevallen kan edge computing dienen om realtime gegevens aan te bieden en om te filteren welke gegevens in de loop van de tijd naar de cloud moeten worden geüpload voor gebruik in diepere of complexere analysetechnieken.

In een industrieel IoT-scenario, zoals op de vloer van een productiefaciliteit, is edge computing van groot belang om het risico op downtime of datalekken te verminderen en voor een effectiever beheer van enorme hoeveelheden gegevens. Voor fabrikanten die edge computing gebruiken, is het lage latentieaspect een grote zegen voor de veiligheid van werknemers. Als de informatie die via een gegevensadapter wordt verzameld bijvoorbeeld subtiele afwijkingen vertoont, bijv. chatter - dat kan wijzen op een stressfractuur of een andere vorm van kortdurende storing, een machine kan onmiddellijk worden uitgeschakeld in plaats van te wachten op cloudanalyse, waarvan de latentie kan leiden tot uitvaltijd en uitval van onderdelen.

Kortom, edge computing analyseert een deel van de gegevens van IoT-apparaten aan de rand van het lokale netwerk—vs. verzenden naar de cloud - voor snellere, redundante, verbindingsonafhankelijke IoT-verwerking die gemakkelijk schaalbaar is.

The Edge is een essentieel onderdeel van IoT en helpt de latentie te verminderen en de betrouwbaarheid te verbeteren.

Wat is een IoT Edge Computing Platform?

In veel opzichten lijkt een IoT edge computing-platform erg op een cloud computing-platform, alleen dichter bij de applicaties.

"Edge-platforms stellen u in staat gegevens te verzamelen van industriële systemen zoals PLC's, digitale besturingssystemen, sensoren of historici en toepassingen lokaal uit te voeren bovenop de gegevens, zoals gebeurtenisverwerking, voorspellende analyses, modellen voor machine learning en meer - allemaal in een offline eerste implementatie.” –Eric Fogg, MachineMetrics

Naarmate AI en machine learning nog dieper worden geïntegreerd in de bedrijfsactiviteiten, zal de mogelijkheid om gegevens sneller op te halen en te gebruiken, een steeds groter voordeel opleveren in vergelijking met het langzamere cloudalternatief. Dit zal bijna altijd leiden tot een concurrentievoordeel in een wereld waar snelheid, maatwerk en vakkundig draaien alles is.