Add Thesis

An evaluation of how edge computing is enabling the opportunities for Industry 4.0

With a focus on the Crosser edge computing platform

Written by W. Svensson

Paper category

Master Thesis

Subject

Business Administration>General

Year

2020

Abstract

Masterarbeit: Die Anbindung von Fabriken an das Internet und die Möglichkeit, dass diese autonom miteinander kommunizieren können, wird als industrielles Internet der Dinge (IIoT) bezeichnet und im Zusammenhang mit den industriellen Revolutionen als Industrie 4.0 bezeichnet. Die Maschinen sammeln Daten über sehr viele verschiedene Sensoren und müssen diese Werte untereinander und mit der Cloud austauschen. Dadurch werden die Cloud und das Internet stark belastet, und die Latenzzeit ist hoch. Um herauszufinden, wie die Arbeitslast und die Latenzzeit reduziert werden können und trotzdem das gleiche Ergebnis wie bei der Nutzung der Cloud erzielt werden kann, werden zwei verschiedene Systeme implementiert. Eines, das die Cloud nutzt, und eines, das Edge-Computing einsetzt. Edge-Computing bedeutet, dass die Verarbeitung der Daten an den Rand des Netzwerks verlagert wird. Ziel dieser Arbeit ist es, herauszufinden, wann es günstiger ist, eine Edge-Lösung zu verwenden und wann eine Cloud-Lösung vorzuziehen. Das erste System wird mit einer Edge-Plattform, Crosser, implementiert, das zweite System mit einer Cloud-Plattform, Azure. Beide Implementierungen liefern die gleichen Ergebnisse, aber der Unterschied liegt darin, wo die Daten verarbeitet werden. Die Systeme werden in Bezug auf Latenz, Bandbreite und CPU-Auslastung gemessen. Das Ergebnis der Messungen zeigt, dass das Crosser-System eine geringere Latenz hat und eine kleinere Bandbreite verwendet, aber mehr Rechenleistung des Geräts benötigt, das sich am Rande des Netzwerks befindet. Die Schlussfolgerung aus den Ergebnissen ist, dass es auf die Anforderungen des Systems ankommt. Ist die Anforderung, dass es eine niedrige Latenz haben soll und nicht viel Bandbreite benötigt, ist Crosser zu bevorzugen. Wenn jedoch ein sehr schwerer maschineller Lernalgorithmus im System ausgeführt werden soll und die Latenzzeit und die Bandbreitengröße kein Problem darstellen, ist das Cloud Reference System zu bevorzugen. Das Internet der Dinge (IoT) findet in unserer Gesellschaft immer mehr Verbreitung. Es wird vorausgesagt, dass im Jahr 2025 fast alles, was den Menschen umgibt, mit dem Internet verbunden sein wird. Dabei kann es sich um Dinge wie Lebensmittelverpackungen, Möbel, Papierdokumente usw. handeln.[1]Industrielles Internet der Dinge (IIoT) bedeutet, dass das IoT in der Industrie eingesetzt wird. Dies wird als revolutionär bezeichnet, da Maschinen in der Lage sein werden, ohne menschliche Interaktion miteinander zu kommunizieren. Das IIoT wird in vielen verschiedenen Branchen von Nutzen sein, und es gibt Beispiele dafür, dass das IIoT die Verluste in der Fabrik minimiert und dadurch den wirtschaftlichen Gewinn erhöht hat[2] Der Einsatz des IIoT würde auch die Arbeitsbedingungen für die Arbeitnehmer verbessern. Zum Beispiel wäre es möglich, unbemannte Fahrzeuge in Industrien einzusetzen, in denen es für die Arbeiter gefährlich sein könnte, z. B. in Bergwerken, in denen instabile Schächte einstürzen können; durch den Einsatz von IIoT könnten diese Maschinen autonom sein, und wenn Machine Learning implementiert wird, ist es möglich, vorherzusagen, wann ein Einsturz bevorsteht.[3]1.1Hintergrund und ProblemstellungSeit den Anfängen der Industrie wird der Begriff Industrialisierung verwendet. Die stattgefundenen Industrialisierungen werden als indifferente industrielle Revolutionen kategorisiert. Bislang gab es drei industrielle Revolutionen, darunter die erste Revolution, die Mechanisierung, als die ersten Maschinen aufkamen. Die zweite, die elektrische Energie, als die Elektrizität eingeführt wurde. Die dritte, die Digitalisierung, als Mikrocontroller und Computer eingeführt wurden. Die nächste industrielle Revolution wird als Industrie 4.0 bezeichnet und umfasst die Anbindung von Maschinen an das Internet, damit diese miteinander kommunizieren können.[4] Das IIoT kann in vielen verschiedenen Branchen eingesetzt werden. Zum Beispiel könnte es in der Forstindustrie eingesetzt werden. Der Markt für Forstprodukte verlangt eine Maximierung des Wertes der Ressourcen, daher sind Messungen von Wasser im Holz, Feuchtigkeitsgehalt und Holzverbrennung wichtig. Der Einsatz von Sensoren in der Industrie wird dazu beitragen, diese Anforderungen zu erfüllen.[5]1 Eine Bewertung der Möglichkeiten von Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von CrosserDer Einsatz von maschinellem Lernen in der Industrie kann dabei helfen, Fehler zu erkennen oder sogar vorherzusagen, bevor sie auftreten. Es gibt viele verschiedene Methoden, um maschinelles Lernen einzusetzen. Die beiden Hauptkategorien der Methoden sind überwachtes und unüberwachtes Lernen. Beide Methoden können je nach Anwendungsfall in der Industrie vorteilhaft sein.[6] Die Kombination von IIoT und maschinellem Lernen wird die Industrie 4.0 näher bringen, aber es müssen noch einige Herausforderungen gelöst werden, bevor dies möglich ist. Um die Industrie mit dem Internet zu verbinden, müssen Millionen von Sensoren an das Internet angeschlossen werden. Diese Sensoren senden jede Sekunde mehrere Werte aus, was problematisch wäre. Die Übertragung all dieser Werte an die Cloud würde sehr viel Bandbreite beanspruchen, was zu Latenzproblemen führt. Fog- und Edge-Computing sind fast dasselbe und können als eine Plattform beschrieben werden, die am Rande des Netzwerks, zum Beispiel an einem Gateway, eingesetzt wird und dann am Rande des Netzwerks verarbeitet, analysiert oder sogar agiert. Die Vorteile des Edge Computing liegen in der Verbesserung der Leistung und des Datenschutzes, in der Erhöhung der Datensicherheit und in der Senkung der wirtschaftlichen Kosten.[7] 1.2 GesamtzielDas Gesamtziel dieses Projekts besteht darin, zu untersuchen, wie eine Edge-Lösung im Vergleich zu einer Cloud-Lösung abschneidet. Außerdem soll untersucht werden, wie die Edge-Lösung die Latenzzeit und die Bandbreite minimieren kann, aber dennoch keine hohe Rechenleistung benötigt. Der Beitrag dieser Arbeit wird darin bestehen, darzustellen, wann welches System zu bevorzugen ist. Diese Arbeit wird dazu beitragen, die Unterschiede zwischen Edge Computing und Cloud Computing zu verdeutlichen, was bei der Auswahl der verschiedenen Lösungen für die Implementierung des Internet der Dinge in der Industrie hilfreich ist. Die Forschungsfrage dieses Projekts lautet: Wann ist es günstiger, eine Edge-Lösung zu nutzen und wann ist eine Cloud-Lösung vorzuziehen?2 Eine Bewertung, wie Edge Computing die Möglichkeiten für Industrie 4.0 ermöglicht - mit einem Fokus auf die Crosser Edge Computing Plattform1.3Konkrete und überprüfbare ZieleDie konkreten und überprüfbaren Ziele sind in vier Ziele unterteilt, wobei das zweite Ziel drei Unterziele hat. Die Ziele sind im Folgenden aufgeführt.1.Untersuchen Sie verschiedene Edge-Lösungen auf der Grundlage von Funktionen, Benutzerfreundlichkeit und der für den Betrieb erforderlichen Kapazität. Wählen Sie eine davon aus2.Implementieren Sie die beiden Systeme2.1.Implementieren Sie die gewählte Edge-Plattform auf einem Raspberry Pi2.2.Implementieren Sie eine Cloud-Lösung auf der Plattform eines der größeren Cloud-Service-Provider2.3.Implementieren Sie einen maschinellen Lernalgorithmus zur Klassifizierung in Abhängigkeit von den Sensorwerten für beide Systeme3. Messen Sie die Unterschiede in der Latenzzeit, der benötigten Bandbreite und dem Energieverbrauch4.Bewerten Sie anhand der Messungen, welches System zu empfehlen ist1.4UmfangDer Umfang des Projekts besteht darin, einen Edge-Knoten einzurichten, der einen Algorithmus für maschinelles Lernen ausführt, um die empfangenen Daten zu analysieren und dann die Daten zur Speicherung an eine Cloud-Lösung zu senden. Außerdem soll ein System eingerichtet werden, das keinen Edge-Knoten, sondern nur eine Cloud-Lösung mit der gleichen Funktionalität wie die Edge-Lösung verwendet, und dann die Unterschiede zwischen diesen beiden verschiedenen Lösungen bewertet werden. Das Ziel besteht darin, die Lösung unter Berücksichtigung der Latenz, der Bandbreite und des Rechenaufwands zu messen und nicht ein neues Edge-System zu entwickeln, sondern eine bereits vorhandene Lösung für die Implementierung zu verwenden. Es geht auch nicht darum, verschiedene Cloud-Lösungen, ihre Funktionalitäten oder Preise zu bewerten oder zu untersuchen, wie sicher die verschiedenen Systeme sind und welches von ihnen in dieser Hinsicht am besten ist. Es geht auch nicht darum, den Algorithmus für maschinelles Lernen zu bewerten und zu untersuchen, wie sich die Wahl des Algorithmus auf das System auswirkt.3 An evaluation of how edge computing is enabling the opportunitiesfor Industry 4.0 - with a focus on the Crosser edge computing platform1.5OutlineDer Rest des Berichts ist wie folgt gegliedert;Kapitel zweierläutert die Theorie, wobei die Hauptthemen IoT, IIoT, Edgecomputing und maschinelles Lernen sein werden; dieses Kapitel enthält auch verwandte Arbeiten. Kapitel drei beschreibt die Methode des Projekts, wie das Projekt durchgeführt wird.Kapitel vier beschreibt verschiedene Lösungen für Edge Computing und welche davon ausgewählt wird.Kapitel fünf beschreibt die zwei verschiedenen Implementierungen und welche Teile in den Lösungen implementiert wurden. In diesem Kapitel wird auch beschrieben, wie die Anordnung der Messungen implementiert wird.Kapitel sechs stellt das Ergebnis des Projekts vor; in diesem Kapitel wird das Ergebnis jedes Systems präsentiert und wie es für einen Front-End-Benutzer visualisiert werden kann.Kapitel sieben schließt das Projektergebnis ab und gibt Antworten auf die Ziele der Arbeit. Das Kapitel enthält auch eine Diskussion über zukünftige Arbeiten und ethische Überlegungen.4 Eine Bewertung, wie Edge Computing die Möglichkeiten für Industrie 4.0 ermöglicht - mit einem Fokus auf die Crosser Edge Computing Plattform2.TheorieIn den folgenden Unterkapiteln wird die Theorie vorgestellt. Die folgenden Theorieteile werden erläutert: Internet der Dinge, Industrielles Internet der Dinge, Edge Computing und Maschinelles Lernen. Ein Unterkapitel mit verwandten Arbeiten wird ebenfalls im Theorieteil behandelt.2.1Internet der DingeInternet der Dinge (IoT) wird von Hanes et al[8] als "connect the unconnected" definiert. Dabei werden alle Objekte in der Umgebung des Menschen, die noch nicht mit dem Internet verbunden sind, miteinander verbunden und kommunizieren. Mit anderen Worten: Die physische Welt wird intelligenter, wenn sie mit einem intelligenten Netzwerk verbunden wird. 2008 bis 2009 soll das Zeitalter des IoT begonnen haben. In diesem Zeitraum überstieg die Zahl der mit dem Internet verbundenen Geräte die Weltbevölkerung. Die Person, die den Begriff "Internet der Dinge" prägte, war Kevin Aston, als er 1999 bei der Firma Procter & Gamle arbeitete. Der Grund für den Begriff war, dass er versuchte, eine Idee für die Verknüpfung der Lieferkette mit dem Internet zu erklären.[8] In den Anfängen des IoT wurden als "Dinge" Funkfrequenzkennzeichnungsetiketten (RFID) verwendet. Später wurden Techniken wie Near Field Com-munications (NFC) und Wireless Sensor and Actuator Networks (WSAN) eingesetzt. In den Anfängen des IoT hieß es auch, dass drahtlose Identifizierungs- und Sensing-Plattformen (WISP) von entscheidender Bedeutung sein sollten, um "die reale Welt mit der digitalen Welt" zu verbinden.[1] Aus technologischer Sicht besteht das IoT aus einem dreischichtigen Stapel. Diese Schichten sind: die Geräteebene, die Konnektivitätsebene und die IoT-Cloud-Ebene. Die Geräteebene ist die Hardware wie Sensoren, Prozessoren oder Aktoren. Die Konnektivitätsschicht besteht aus den Protokollen, die zwischen dem Gerät und der IoT-Cloud-Schicht kommunizieren, und die IoT-Cloud-Schicht wird für die Kommunikation mit den Geräten, die Speicherung der Daten von den Geräten und die Ausführung verwendet.[9] Der IoT-Technologiestapel ist in Abbildung 2.1 zu sehen. Wenn ein Gerät über die Konnektivitätsschicht und die IoT-Cloud-Schicht verbunden ist, kann es überwacht, gesteuert und ausgeführt werden. Eine Bewertung der Möglichkeiten von Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von Crosser Optimierung und Automatisierung der Geräte[10]Abbildung 2.1: IoT Technical Stack[10]In der Konnektivitätsschicht werden viele verschiedene Protokolle verwendet. Drei der bekanntesten und am häufigsten verwendeten Protokolle sindMQTT,CoAPundHTTP.MQTT(Message Queuing Telemetry Transport Protocol) ist einM2M-Protokoll, das 1999 eingeführt wurde. Das Protokoll ist ein Publish/Subscribe-Protokoll, das auf einem MQTT-Broker aufbaut, bei dem sich die Clients anmelden. Die Clients können auch Daten an den MQTT-Broker veröffentlichen. Der Client abonniert oder veröffentlicht ein Topic auf dem Broker, wobei das Topic als ein Sensor angesehen werden kann. Ein Client kann sich bei vielen verschiedenen Topics gleichzeitig anmelden. Wenn ein Wert in einem Topic veröffentlicht wird, erhalten alle Abonnenten die veröffentlichte Nachricht. MQTT ist ein binäres Protokoll, das feste Header von 2 Byte erfordert, und die maximale Größe eines Pakets beträgt 256 MB. Das Transportprotokoll ist6 Eine Bewertung der Möglichkeiten des Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von Crosser Zusammen mit MQTT wird TCP verwendet, wobei TLS/SSL für die Sicherheit eingesetzt wird.MQTT verwendet auch drei Stufen der Dienstgüte (QoS), die über die Zuverlässigkeit der Paketzustellung entscheidet.[11]HTTP (Hypertext Transfer Protocol) ist in zwei verschiedenen Versionen verfügbar, HTTP/1 und HTTP/2. Das Protokoll ist ein Anfrage/Antwort-Protokoll, was bedeutet, dass entweder eine Anfrage oder eine Antwort gesendet wird. Der Unterschied zwischen den beiden Versionen besteht darin, dass HTTP/2 alle Funktionen von HTTP/1 unterstützt, aber in vielerlei Hinsicht effizienter ist. Das HTTP-Protokoll ist oft langatmig und repetitiv und nimmt daher unnötigen Netzwerkverkehr auf, was zu Latenzzeiten führen kann. Die gebräuchlichsten HTTP-Anfragen sind GET, PUT, POST und DELETE.[12]CoAP (Constrained Application Protocol) ist, wie der Name schon sagt, ein Protokoll, das in eingeschränkten Knoten und Netzen verwendet wird. Dies können kleine Mikrocontroller mit kleinem ROM und RAM sein. Das Protokoll wurde für M2M entwickelt und ist auch für einen geringen Stromverbrauch geeignet. CoAP basiert auf REST und erinnert ein wenig an HTTP. Allerdings verwendet CoAP für den Transport UDP, ein datagrammorientiertes Transportprotokoll. CoAP verfügt über vier verschiedene Nachrichtentypen, nämlich Confirmable, Non-confirmable, Acknowledgement und Reset. Der Unterschied zwischen diesen vier Nachrichten ist die Zuverlässigkeit, da UDP verwendet wird, sind keine automatischen Bestätigungen enthalten. Daher gibt es keine Garantie dafür, dass die Nachricht zugestellt wird.[13]2.2Industrielles Internet der DingeDie Vision des IIoT besteht darin, dass intelligente, verbundene Anlagen in einem größeren System oder in Systemen von Systemen zusammenarbeiten. Diese Anlagen können verschiedene Stufen der "Intelligenz" aufweisen, von der reinen Erfassung und Betätigung bis hin zur Steuerung oder sogar zur völligen Autonomie der Anlagen. Man sagt, das IIoT sei revolutionär, aber es ist eher eine Evolution, bei der nicht alle Maschinen in einer Fabrik durch neue, intelligentere Maschinen ersetzt werden. Stattdessen werden die bereits vorhandenen Maschinen mit verschiedenen Techniken und Protokollen an das Internet angeschlossen[14]7. Eine Bewertung der Möglichkeiten des Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von Crosser2.2.1AutomatisierungssteuerungsprotokolleIn der heutigen Industrie gibt es viele bereits etablierte Protokolle, die für die Steuerung von Bewegungen, Synchronisierung und Sicherheit verwendet werden. Diese Protokolle wurden schon vor langer Zeit eingeführt, noch bevor Ethernet und IP eingeführt wurden. Diese Protokolle wurden angepasst, um die Vorteile der neuen modernen Protokolle zu nutzen. Es gibt viele verschiedene Industrieprotokolle, aber die gebräuchlichsten und am weitesten verbreiteten sind PROFINET, Ethernet/IP und Modbus/TCP.[8] PROFINET wird von Profibus International (PI) verwaltet, das Protokoll verwendet ein Provider/Consumer-Kommunikationsmodell, was bedeutet, dass ein zentralisiertes Gerät, der Provider, und dezentralisierte Geräte, die Con-sumer, miteinander kommunizieren. Der Provider stellt dem Konsumenten Daten zur Verfügung. Das Gerät kann drei verschiedene Klassifizierungen haben, diese sind IO-Controller, IO-Device und IO-Supervisor. Die Anwendungsbeziehung (Application Relationship, AR) zwischen IO-Device und IO-Controller stellt die Kommu-nikation her. Die Communication Relationship (CR) wird nach der AR aufgebaut und in diesem Moment wird der Netzwerkdatenverkehr und das Alarmmanagement konfiguriert. Die Geräte können danach im Vollduplex-Modus Daten austauschen.[15]Ethernet/IP (Industrial Protocol) wurde von Rockwell Automation entwickelt und ist ein offener Standard für die industrielle Automatisierung. IP steht für "Industrial Protocol" und nicht für "Internet Protocol", wie allgemein üblich. Common Industrial Protocol (CIP) wurde an das Standard-Ethernet-Protokoll angepasst[8] CIP ist ein Kommunikationsprotokoll, das von der Open DeviceNet Vendors Association (ODVA) entwickelt wurde. CIP wird im Ethernet eingesetzt, um eine bedarfsgerechte Nutzung zu ermöglichen.[16] Modbus/TCP wurden 1970 von der Firma Modi-con, heute Schneider, eingeführt. Modbus wird üblicherweise für PLCs mit Master/Slave-Konfiguration verwendet. Modbus wurde an moderne Kommunikationsstandards wie Ethernet und TCP/IP angepasst. Modbus mit Master/Slave-Konfiguration ist gut für TCP geeignet, aber das Protokoll hat einige Probleme mit der Latenzzeit[8]8 Eine Bewertung der Möglichkeiten des Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von Crosser2.2.2Architektur vernetzter FabrikenUm viele verschiedene Sensoren miteinander verbinden zu können, bedarf es eines Architekturrahmens. Der Entwurf der IIoT-Architektur sollte skalierbar, erweiterbar, modulierbar und interoperabel sein. Es gibt zahlreiche Vorschläge für verschiedene IoT-Architekturen, die aus fünf, vier und drei Schichten bestehen. Die International Telecommunication Union befürwortet eine fünfschichtige Architektur mit folgenden Schichten: Erfassung, Zugriff, Vernetzung, Middleware und Anwendung[17] Atzori et al.[1] schlägt eine dreischichtige Architektur mit den Schichten Erfassungsschicht, Netzwerkschicht und Dienstschicht vor. Liu et al. [18] beschreiben eine Vier-Schichten-Architektur mit den Schichten Physikalische Schicht, Transport, Middleware und Anwendungen. Das Industrial Internet Consortium (IIC) hat ein Papier mit dem Titel "Ref-erence Architecture" veröffentlicht, in dem sie sich auf die verschiedenen Gesichtspunkte konzentrieren und Modelle für diese bereitstellen. Die verschiedenen Standpunkte sind: Geschäftsstandpunkt, Nutzungsstandpunkt, Funktionsstandpunkt und Implementierungsstandpunkt. Der Business Viewpoint zeigt auf, wie das IIoT-System durch seine Abbildung auf grundlegende Systemfähigkeiten die gesetzten Ziele erreichen kann. Der Usage Viewpoint sind die Anforderungen der Nutzer, die z.B. durch interaktive Aktivitäten in das IIoT-System involviert sind. Die Implementierungsperspektive befasst sich mit den Technologien, die zur Implementierung der funktionalen Komponenten benötigt werden, den Kommunikationsschemata und den Verfahren ihrer Lebenszyklen. Die vier Gesichtspunkte werden verwendet, um zu ermitteln, welche Anliegen das IIoT-System und seine Stakeholder haben. Die Gesichtspunkte erleichtern die Analyse und Behandlung der damit verbundenen Anliegen.[19]2.2.3Industrie 4.0Das Konzept Industrie 4.0 wurde 2011 für die Entwicklung der deutschen Wirtschaft eingeführt. Industrie 4.0 ist die vierte industrielle Revolution, wobei die erste industrielle Revolution im 18. Jahrhundert begann und durch die Einführung der mechanischen Produktion auf der Grundlage von Wasser- und Dampfkraft gekennzeichnet war. Die zweite Revolution begann zu Beginn des 20. Jahrhunderts, als die Massenproduktion und die Elektrizität eingeführt wurden. Die dritte industrielle Revolution wurde 1970 eingeleitet, als die automatische9 Eine Bewertung der Möglichkeiten des Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von CrosserProduktion auf der Grundlage von Elektrizität und Internet eingeführt wurde. Die vierte industrielle Revolution wird als Industrie 4.0 bezeichnet und ist bereits im Gange. Die Revolution basiert auf cyber-physischen Systemen (CPS) in der Produktion. Die Rolle von Industrie 4.0 besteht darin, die Effektivität und Effizienz in den Fabriken durch die Nutzung heterogener Daten und Wissensintegration zu verbessern. Einige Techniken, die mit Industrie 4.0 in Verbindung gebracht werden, sind RFID, IoT und Enterprise Resource Planning (ERP)[20]2. 3Edge ComputingEdge Computing wird von [7] definiert als ein "Cloud-Computing-System, das die Datenverarbeitung am Rande des Netzwerks, in der Nähe der Datenquelle, durchführt"; dies ist eine sehr einfache Beschreibung dessen, was Edge Computing ist. Die Hauptvorteile des Edge Computing sind die Verbesserung der Leistung, der Datenschutz und die höhere Datensicherheit sowie die Senkung der Kosten. Edge Computing verbessert die Leistung, da die Daten am Rand des Netzwerks verarbeitet und analysiert werden können, bevor sie an die Cloud gesendet werden. Dies ist viel näher an der Echtzeit, als es jemals zuvor der Fall war, als die Datenverarbeitung in der Cloud stattfand. Edge Computing erleichtert den Schutz der Privatsphäre und die Sicherheit der gesammelten Daten, da sie sich bei der Verarbeitung und Analyse in einem lokalen Netz befinden. Die Kosten werden automatisch gesenkt, da Konnektivität, Datenmigration, Bandbreite und Latenzzeiten in der Cloud sehr teuer sind.[7] In dem Papier [21] beschreiben W. Yu et al. drei Bereiche in der Architektur des Edge Computing. Diese drei Bereiche sind Front-End, Near-End und Far-End. Front-End sind die Geräte und Sensoren, Near-End sind die IoT-Gateways oder lokalen Netzwerke, die die Sensoren verbinden, und Far-End ist das Netzwerk oder die Cloud, die für umfangreiche Berechnungen und Speicherung verwendet werden.Abbildung 2.2 zeigt, wie diese drei Bereiche aussehen können.In dieser Arbeit wird Edge als die Schicht zwischen den Geräten und der Cloud am Rand des Netzwerks definiert. Dies entspricht dem Near-End in Abbildung 2.2. Viele Begriffe sind eng mit Edge Computing verbunden, einige davon sind Fog, Mist und Multi-Access Edge Computing (MEC). Diese10 Eine Bewertung der Möglichkeiten, die Edge Computing für Industrie 4.0 bietet - mit Schwerpunkt auf der Edge Computing-Plattform von CrosserAbbildung 2.2: Front-End, Near-End und Far-End im IoT[21]werden in den Unterkapiteln kurz beschrieben, um ein besseres Bild zu erhalten.2.3.1FogFog Computing wird von S.Yi et al[22] als eine Erweiterung des Cloud Computing beschrieben. Dabei bietet der Nebel Rechen-, Speicher- und Netzwerkdienste zwischen den Endgeräten und der Cloud. F. Bonomi et al.[23] beschreiben Fog Computing als eine "hochgradig virtualisierte Plattform, die Rechen-, Speicher- und Netzwerkdienste zwischen Endgeräten und traditionellen Cloud Computing-Rechenzentren bereitstellt". Diese Plattform wird oft am Rand des Netzwerks platziert, was aber nicht notwendig ist. Der Rand sollte eine niedrige Latenz aufweisen und der Standort des Randes sollte bekannt sein. Der Nebel sollte auch ein groß angelegtes Sensornetz sein, in dem es möglich sein sollte, die Umgebung zu überwachen. Die Anwendungen, die für den Betrieb im Nebel interessant sind, sind Echtzeitanwendungen. Die Nebelplattform sollte auch die Konnektivität zu den Cloud-Dienstanbietern unterstützen.Abbildung 2.2, die in Abschnitt 2.3 vorgestellt wurde, zeigt drei verschiedene Bereiche. Das Front-End mit den drei Kreisen kann als drei verschiedene Nebelnetzwerke definiert werden. In dieser Arbeit sind Fog und Edge Computing ein und dasselbe.11 Eine Bewertung, wie Edge Computing die Möglichkeiten für Industrie 4.0 ermöglicht - mit einem Fokus auf die Crosser Edge Computing Plattform2.3.2MistMist Computing ist ein Begriff, der genannt wird, wenn es um IoT und die Zukunft davon geht. Mist Computing kann als noch enger als Fog Computing beschrieben werden, wobei die Leitprinzipien die Bereitstellung von Informationen durch das Netzwerk, die Lieferung von Informationen nur auf Anfrage und die dynamische Erstellung im Netzwerk sind, wobei ein Teilnehmer-/Anbietermodell verwendet werden sollte und die Geräte die Anbieter dynamisch finden und entdecken und die Anwendungen ausführen müssen.Der Unterschied zwischen Fog/Cloud Computing und Mist Computing besteht darin, dass Fog/Cloud Computing ein Bewusstsein für die Bedürfnisse der Nutzer und die globale Situation hat, während Mist nur ein Bewusstsein für die physische Umgebung und die lokale Situation hat. Das bedeutet, dass der Nebel nur weiß, dass das Gerät existiert und wo es sich befindet, aber nicht, was die Anwendung ist, der Nebel verbindet die Geräte mit anderen Worten.[24]2.3.3MEC (Multi-Access Edge Computing)Als MEC zum ersten Mal vom Europäischen Institut für Telekommunikationsnormen (ETSI) eingeführt wurde, stand es fürMobile Edge Computing. MEC, das in Multi-Access Edge Computing umbenannt wurde, bedeutet, dass die Intelligenz auf den Rand des Netzwerks ausgedehnt wird, mit höheren Verarbeitungs- und Speicherkapazitäten.[25] Viele IoT-Anwendungen benötigen eine extrem niedrige Latenzzeit von 1 ms und eine Zuverlässigkeit von 99,99 %, und genau hier ist MEC nützlich.[26]. MEC kann als Verlagerung der Rechenleistung an den Rand der mobilen Basisstationen beschrieben werden. Dadurch sind die Ressourcen näher an den Nutzern, als wenn sie sich in einem zentralen Rechenzentrum (Cloud) befinden. [27]2.4Maschinelles LernenMaschinelles Lernen kann als das Finden von Mustern beschrieben werden. Die Muster werden gefunden, indem einige Eingabe- und Ausgabedaten vorliegen. Die "Maschine" lernt dann, wie das Muster zwischen der Eingabe und der Ausgabe zusammenhängt. Der Schritt zwischen Eingabe und Ausgabe ist der Ort, an dem das maschinelle Lernen stattfindet, das als Blackbox betrachtet werden kann, bei der nicht unbedingt bekannt ist, wie der Computer die Ausgabe berechnet.[28] Es gibt zwei Hauptkategorien des maschinellen Lernens, nämlich unüberwachtes Lernen und überwachtes Lernen.12 Eine Bewertung der Möglichkeiten von Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von CrosserUnüberwachtes Lernen liegt vor, wenn die Daten keine vorgegebenen Labels haben; das Hauptziel besteht dann darin, eine verborgene Struktur der Daten zu finden.Methoden, die beim unüberwachten Lernen in der Industrie verwendet werden, sind die Hauptkomponentenanalyse, die unabhängige Komponentenanalyse, das K-Means-Clustering, die Kernel-Dichte-Schätzung, Gauß'sche Mischungsmodelle, die Support-Vectordatenbeschreibung, das Manifold Learning und die selbstorganisierende Karte. Z. Ge et al. haben verglichen, welche unüberwachten Modelle in der Industrie am häufigsten verwendet werden, wobei die PCA (Hauptkomponentenanalyse) in 51 % der Fälle zum Einsatz kommt.[6] Überwachtes Lernen unterscheidet sich vom unüberwachten Lernen, bei dem die Methoden mit Daten arbeiten, die Etiketten haben. Diese Kennzeichnungen können entweder diskret oder kontinuierlich sein. Wenn die Kennzeichnung diskret ist, kann sie als Klasse verwendet werden, wenn die Werte kontinuierlich sind, können Regressionsmodelle verwendet werden oder es kann eine Vorverarbeitung zur Bildung von Klassen eingesetzt werden. Einige der bekanntesten Überwachungsmethoden in der Industrie sind die Hauptkomponentenregression, partielle kleinste Quadrate, neuronale Netze, künstliche neuronale Netze, Support Vectormachine, Entscheidungsbaum, Random Forest und Nearest Neighbor. In dem Bericht von Z. Ge et al. sind die gebräuchlichsten überwachten Methoden PLS (Partialleast Squares) und ANN (künstliche neuronale Netze). Entscheidungsbäume werden üblicherweise in Betrieben eingesetzt, in denen Entscheidungen getroffen werden. 2.4.1EntscheidungsbäumeEntscheidungsbäume werden von S. R. Safavian und D. Landgrebe wie folgt beschrieben: "Der Grundgedanke eines jeden mehrstufigen Ansatzes besteht darin, eine komplexe Entscheidung in eine Vereinigung mehrerer einfacher Entscheidungen zu zerlegen". Das bedeutet, dass ein größeres Problem in viele kleinere Schritte unterteilt wird, die einen Baum bilden und hoffentlich das größere Problem lösen. Ein Entscheidungsbaum besteht aus verschiedenen Komponenten, nämlich der Wurzel, den Knoten, den Kanten und den Blättern. Wobei die Wurzel immer genau eine ist, die keine Kanten enthält. Ein Graph besteht aus einer Menge von Knoten und einer Menge von Kanten. Ein Blatt ist ein Knoten, der keinen eigenen Nachkommen hat. Abbildung 2.3 zeigt, wie ein Entscheidungsbaum aussehen kann. Der oberste Knoten ist die Wurzel und die Quadrate sind die Blätter.[29]Jeder Knoten kann als eine Regel im Baum betrachtet werden. Die Regel ist eine UND-Anweisung, die entweder wahr oder falsch ist. Wenn die Regel wahr ist, geht sie in die eine Richtung, wenn sie falsch ist, geht sie in die andere Richtung. Dieser Prozess13 Eine Bewertung der Möglichkeiten des Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von CrosserAbbildung 2.3: Beispiel für einen Entscheidungsbaum[29]setzt sich fort, bis er ein Blatt erreicht, wobei jedes Blatt die Klasse darstellt, zu der es gehört. Das Blatt wird als das angezeigt, was der Entscheidungsbaum für den Eingabewert vorhersagt. Ein Entscheidungsbaum ist für das menschliche Auge leicht zu lesen, wenn die Bedingungen jeder Regel boolesch sind.[28]2.5Verwandte ArbeitenIn den folgenden Unterkapiteln werden drei verschiedene verwandte Arbeiten vorgestellt.2.5.1Fogcomputingindustrialcyber-physicalsystemforem-bedded low-latency machine learning Industry 4.0 appli-cationsP. O'donovan et al. testen in ihrem Artikel "A fog computing industrialcyber-physical system for embedded low-latency machine learning Industry 4.0applications"[30], wie fog (edge) im Vergleich zu cloudcomputing abschneidet. Die Nebel führen maschinelle Lernmodelle aus, die von der Cloud gesammelt werden, wo sie trainiert und erstellt wurden. Die von P. O'Donovan et al. durchgeführten Tests waren Stresstests. 50,14 Eine Bewertung der Möglichkeiten des Edge Computing für die Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von Crosser100, 250 und 500 Verbindungen wurden hergestellt. Für jedes System wurde die maximale Umlaufzeit für jede Anzahl von Verbindungen gemessen. Dabei zeigte sich, dass die Unterschiede in der maximalen Zeit der verschiedenen Systeme zwischen 67,7 % und 99,4 % lagen. Der Bericht misst auch, wie viele Ausfälle es zwischen den beiden Systemen gibt. Beim Nebel gab es keine Ausfälle, bei der Wolke 0 % bei 50 Verbindungen, 0,11 % bei 100 Verbindungen, 1,42 % bei 250 Verbindungen und 6,6 % bei 500 Verbindungen. P. O'Donovan et al. kommen zu dem Schluss, dass das Fogcomputing für die Einführung von Industrie 4.0 besser geeignet ist, da es Entscheidungen viel schneller trifft als die Wolke und das Risiko von Ausfällen im Vergleich zur Wolke minimiert. Es wird auch festgestellt, dass der Nebel Vorteile für die Sicherheit hat, da das maschinelle Lernen in den physischen Grenzen der Fabrik ausgeführt wird.2.5.2 Ultra-Low-Latency Cloud-Fog Computing für das industrielle Internet der DingeC. Shi et al.[31] haben in ihrem Artikel "Ultra-Low Latency Cloud-Fog Computing for Industrial Internet of Things" (CF-IIoT) Cloud- und Fog-Computing integriert, um ein System mit der Bezeichnung "Cloud-Fog Integrated IIoT" (CF-IIoT) zu schaffen, dessen Architektur auf niedrige Latenzzeiten ausgerichtet ist. Die Infrastrukturebene enthält die Sensoren, die Produktionsanlagen und vieles mehr. Die Aufgabe der Infrastrukturebene ist die Sammlung von Sensordaten, die Herstellung und die Logistik. Die Nebelebene enthält mehrere Randgeräte, die miteinander kommunizieren, die Nebelknoten kommunizieren auch mit der Cloud. Am wichtigsten ist, dass die Daten in den Nebelknoten verarbeitet werden können, was die Latenzzeit verringert. Die Cloud-Serviceschicht sollte IIoT-Daten speichern, globale Informationen teilen und in der Lage sein, Data Mining zu berechnen.Das Papier stellt einen Algorithmus zur Optimierung der Latenz vor, der "real-coded genetic algorithm for constrained optimizationproblem" (RCGA-CO) genannt wird. Der Algorithmus ist eine Modifikation des real-codedGA-Algorithmus, der sich auf eingeschränkte Optimierung konzentriert.Das Ergebnis der CF-IIoT-Architektur wurde anhand der Latenz von Cloud-Computing, Fog-Computing und CF-IIoT gemessen. Das Ergebnis15 Eine Bewertung, wie Edge-Computing die Möglichkeiten für Industrie 4.0 ermöglicht - mit einem Schwerpunkt auf der Edge-Computing-Plattform von Crosserist in Abbildung 2.4 dargestellt. Das Ergebnis war eine um 92,9 % bzw. 35,7 % bessere Latenzleistung als die Cloud-basierte Architektur bzw. die Fog-basierte Architektur.Abbildung 2.4: Ergebnis von [31]Die Schlussfolgerung des Papiers ist, dass es mit Hilfe des CF-IIoT und des RCGA-CO-Algorithmus möglich ist, eine extrem niedrige Latenz bereitzustellen, aber es könnte etwas unzuverlässig sein.2.5.3Hierarchicalfog-cloudcomputingforIoTsystems: acom-putation offloading gameH. Shah-Mansour et al[32] haben in ihrem BerichtHierarchical Fog-CloudComputing for IoT Systems: A Computation Offloading Games einen Cluster von Fog Nodes eingerichtet, um ein Spiel auf die Fog Nodes zu verlagern. Die Auslagerung auf die Nebelknoten muss effizient erfolgen, da die Rechenleistung der Nebelknoten begrenzt ist. Die Autoren haben einen Algorithmus implementiert und testen, ob die QoE (Quality of Experience) durch die Verlagerung eines Teils der Berechnungen auf die Fog Nodes beeinflusst wird. Bei den Tests wird die Anzahl der Nebelknoten variiert und geprüft, wie sich dies auf die QoE und die durchschnittliche Verzögerung auswirkt. Außerdem wird getestet, wie sich die Verzögerung in Abhängigkeit von der Anzahl der IoT-Nutzer auswirkt. Wenn es keine Fog Nodes gibt, bedeutet dies, dass das System nur den Cloud-Service nutzt und keine Fog Nodes. Außerdem wird getestet, wie viel Rechenleistung auf dem16 Eine Bewertung der Möglichkeiten des Edge-Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge-Computing-Plattform von CrosserNebelknoten und wie viel Rechenleistung für die Ausführung im Cloud-Service benötigt wird.Die Ergebnisse der Tests zeigen, dass bei Hinzufügung weiterer Nebelknoten der Quality of Service (QoE) steigt und die Verzögerung sinkt. Die Verzögerung nimmt auch zu, wenn die Anzahl der IoT-Nutzer steigt. Das Ergebnis zeigt auch, dass je mehr Fog Nodes hinzugefügt werden, desto weniger Rechenleistung des Cloud-Dienstes benötigt wird. Es zeigt auch, dass die meiste Zeit im System für Berechnungen und Kommunikation benötigt wird, wenn das System auf vielen Nebelknoten läuft, und dass die meiste Zeit für Berechnungen und Roundtrip-Zeit benötigt wird, wenn das System nur auf dem Cloud-Dienst läuft.Der Bericht kommt zu dem Schluss, dass die QoE der IoT-Nutzer zunimmt, wenn mehr Nebelknoten mit dem Algorithmus implementiert werden. Die Schlussfolgerung ist auch, dass die Berechnungszeit abnimmt und das System daher einen Rechendienst mit geringer Latenzzeit bietet.17 Eine Bewertung der Möglichkeiten von Edge Computing für Industrie 4.0 - mit Schwerpunkt auf der Edge Computing-Plattform von Crosser. Read Less