Edge Computing

• Edge Computing bezeichnet die dezentrale Verarbeitung von Daten am Rand (engl. „Edge“) eines Netzwerks, also in der Nähe des Endgeräts. Dabei verlagern sich Datenströme von der (zentralen) Cloud an die Randbereiche eines lokalen Netzwerks.
• Dadurch, dass die Daten direkt an der Quelle verarbeitet werden, verringern sich beim Edge Computing Latenzen (Verzögerungszeiten); die Datenübertragungszeit sinkt auf ein absolutes Minimum. Daten stehen somit in Echtzeit bereit, was schnellere Analysen und Entscheidungen ermöglicht.
• Edge Computing entlastet das zentrale Netzwerk, verringert Kosten für Datenübertragungen und erhöht die Datensicherheit; das Risiko von Datenlecks bei der Datenübertragung sinkt.
• Auf der anderen Seite entstehen aber auch höhere Hardware-Kosten im Edge-Bereich selbst.
• Die Anwendungsfelder für Edge Computing reichen von der Fertigung über das Gesundheitswesen, die Finanzwirtschaft und die Unterhaltungsindustrie bis zu dem Bauwesen und dem Einzelhandel.

• eine Baustelle
• eine Produktionshalle eines Unternehmenskunden
• die eigene Unternehmensfiliale in einer anderen Stadt

• Spezielle Edge-Server, die für autonome Berechnungen außerhalb eines Rechenzentrums optimiert sind
• IoT-Sensoren, die ihre Daten direkt am Netzwerkrand erfassen und an die Edge-Server zur Weiterverarbeitung übergeben
• Weitere IoT-Geräte, die die von den Edge-Servern errechneten Daten direkt verwenden, beispielsweise für die Steuerung von Produktionsmaschinen, in der industriellen Robotik oder für das Routing („Wegführung“) von autonomen Fahrzeugen
• Leistungsfähige Netzwerkstrukturen mit Hochleistungs-Routern und schnellen Datenleitungen, die das Datenvolumen direkt am Netzwerkrand und ohne Umweg über den Kern des Netzes transportieren

• Kurze Datenlaufzeiten: Durch die Auswertung von Daten am Netzwerkrand werden die Laufzeiten dieser Daten verkürzt. Viele Daten können allgemein schneller und je nach Einsatzgebiet sogar in Echtzeit verarbeitet werden.
• Bereitstellung neuer Funktionen und Dienste: Viele zeitkritische Anwendungen werden durch Edge Computing überhaupt erst möglich, beispielsweise die schnelle Signalverarbeitung in autonomen Fahrzeugen.
• Entlastung für vorhandene Strukturen: Moderne Sensoren oder KI-basierte Rechenmodelle erzeugen große Datenmengen. Herkömmliche Netze werden durch die großen Datenpakete, die sich daraus ergeben, stark ausgebremst. Die damit verbundene Reduzierung des Datenverkehrs durch Berechnungen direkt am Netzwerkrand entlastet die Infrastruktur im Netzwerk-Core.
• Schnellere Bereitstellung von Rechenleistung: Am Rand von Firmennetzen oder beispielsweise auf Baustellen müssen Datenverbindungen zum Firmen-Rechenzentrum oft zeitaufwändig errichtet werden, beispielsweise über LTE, Richtfunk oder Glasfaser. Edge Computing stellt die gewünschte Rechenleistung oft schneller bereit. Das bedeutet einen großen Zeitvorteil gerade bei zeitkritischen Arbeiten.
• Gefilterte Datenübertragung: Nur aggregierte, wichtige oder zusammengefasste Informationen wandern vom Netzwerkrand an die zentrale Cloud oder in das Rechenzentrum. Das senkt Kosten bei der zentralen Infrastruktur.
• Datensicherheit: Beim Edge Computing sind weniger sensible Daten im Firmennetz unterwegs. Persönliche Daten von Kund:innen oder Mitarbeitenden werden am eigenen Standort verarbeitet, was das Risiko von Datenverlusten oder möglichen Verstößen gegen die Datenschutz-Grundverordnung (DSGVO) minimiert.

Gut zu wissen: Die wichtigsten Begriffe rund um Edge Computing

• Multi-Access Edge Computing (MEC): Multi-Access Edge Computing (MEC) ist eine spezielle Form des Edge Computings. MEC basiert auf einer skalierbaren Standardarchitektur am Netzwerkrand, die es Unternehmen ermöglicht, eine Vielzahl von Daten echtzeitnah direkt dort zu verarbeiten, wo sie entstehen: auf den Edge Computing Devices.
• Mobile Edge Computing: Wenn beim Edge Computing bevorzugt mobile Geräte wie Smartphones, Tablets oder Drohnen eingesetzt werden, wird die Technologie auch als „Mobile Edge Computing“ bezeichnet. Auch hier wird oft das MEC verwendet.
• Distributed MEC: Dies ist die Bezeichnung für den Einsatz von MEC in öffentlichen Kommunikationsnetzen. Netzbetreiber hosten dabei eine Edge-Computing-Infrastruktur, die einer großen Anzahl von Kund:innen zur Verfügung steht – zum Beispiel bei Augmented-Reality-Anwendungen oder vernetzten Fahrzeugen.
• Dedicated MEC: Dieser Begriff beschreibt die gezielte Umsetzung von MEC für einzelne Unternehmen, üblicherweise auf deren Firmengelände. Die Rechenleistung steht hier exklusiv im lokalen Netz zur Verfügung.
• Edge-Server: Ein Edge-Server ist ein Server-Computer, der speziell für Aufgaben im Netzwerk-Edge herangezogen wird. Technisch ist er eng verwandt mit Servern in Rechenzentren oder Server-Räumen. Je nach Einsatzgebiet wird allerdings andere Software darauf installiert – beispielsweise Programme für lokale KI-Berechnungen, Sensor-Auswertungen oder für Predictive Maintenance an Arbeitsmaschinen. Edge-Server in belasteten Produktionsumgebungen oder auf Baustellen werden meist zusätzlich schützend eingehaust.
• Edge-KI: Anwendungen der künstlichen Intelligenz benötigen häufig große Datenmengen, beispielsweise als Trainingsbasis für das maschinelle Lernen oder für das Erlernen von Mustererkennungen. Daher werden KI-Aufgaben zunehmend direkt in den Edge-Bereich ausgelagert, wo sie auch anfallen, um Datenverkehre zwischen Edge und Core zu reduzieren. Bei vielen neueren Steuerungen und Sensoren für industrielle Anwendungen sind bereits entsprechende KI-Bausteine in die Hardware integriert.
• Latenzzeit: Die Latenzzeit ist die Zeit, die ein Datensignal von der Sendestelle zur Empfangsstelle benötigt, beispielsweise von einem IoT-Gerät zum Rechenzentrum des Unternehmens. In manchen Definitionen wird auch noch die Zeit bis zur Rückkehr des Signals beim Sender mit hinzugezählt. Man sprich dann auch von der Latenzzeit eines „Roundtrip“, also eines Datenrundlaufs. Die Latenzzeit wird in Millisekunden gemessen.

Welche Edge-Computing-Geräte gibt es?

• IoT-Sensoren für den Edge-Bereich: IoT-Sensoren werden in der Regel über Funk (beispielsweise 5G, WLAN oder LoraWAN) oder Ethernet mit anderen Geräten im Edge vernetzt. Viele solcher IoT-Sensoren in diesem Bereich haben bereits eigene KI- oder Auswertungstools in ihrer Firmware.
• Edge-Server: Spezielle Edge-Server sind für die Datenverarbeitung am Netzwerkrand optimiert. Sie können am Einsatzort einzeln aufgestellt oder in Serverräumen zusammengefasst werden.
• Edge-Router: Netzwerkrouter, die als Edge-Router eingerichtet werden, erfüllen gleich mehrere Funktionen. Zum einen schützen sie den Randbereich eines Firmennetzes gegen Cyberangriffe, weil es dort tendenziell mehr Schnittstellen gibt, über die Cyberkriminelle das Kernnetz attackieren könnten. Zum anderen vermitteln Edge-Router Datenverkehre gezielt im Edge-Bereich, beispielsweise zwischen IoT-Sensoren und Edge-Servern. So beschleunigen sie den Datentransport und entlasten das Kernnetz.
• Edge-Gateways: Sogenannte Edge-Gateways verbinden im Edge-Bereich unterschiedliche Datennetze oder Funkstandards miteinander. So schaffen sie genau wie Edge-Router zusätzliche Verkehrswege, über die die Daten im Edge-Bereich schneller transportiert werden.

• Autonomen Fahrzeugen
• Arbeitsmaschinen im Außeneinsatz, beispielsweise in der Landwirtschaft
• Mobilen Geräten wie Smartphones und Tablets

• Protokolle
• Hardware-Technologien
• Übertragungsstandards

• Produzierendes Gewerbe: Es entstehen immer mehr Smart Factorys. Sie ermöglichen eine bedarfsgerechtere und individuelle Produktionsplanung, mehr Effizienz und neue Möglichkeiten, Anlagen und Produktionsprozesse zu überwachen, Fehler zu erkennen, Wartungsarbeiten in Echtzeit durchzuführen und die Logistik und administrative Prozesse zu vereinfachen.
• Gesundheitswesen: Die Digitalisierung in Kliniken, Arztpraxen, Rettungswagen usw. dient dazu, Patient:innen besser zu versorgen, Gesundheitsdaten einfacher zu überwachen und Notfälle schneller zu behandeln. Big Data, Augmented Reality (AR), künstliche Intelligenz und Robotik kommen z.B. bei Operationen zum Einsatz.
• Energieversorgung/Stromnetze: Intelligente Stromnetze (Smart Grids) bieten die Möglichkeit, Ressourcen bedarfsgerechter einzusetzen und den Energieverbrauch besser zu überwachen.
• Finanzwirtschaft: Unternehmen und Privatkund:innen können schneller auf aktuelle Veränderungen auf den Finanzmärkten reagieren, auch unterstützt durch moderne, maßgeschneiderte Anwendungen für das Finanzmanagement.
• Bauwesen/Architektur: Das Enterprise-Content-Management (ECM) erleichtert die Planung und Dokumentation, die Entwicklung von 3D-Modellen, die Implementierung von Augmented-Reality-Modellen in bestehende Bauprojekte und den Bau von Smart Buildings.
• Verkehr: Lokale Verkehrssteuerung, Frühwarnsysteme auf Basis von Car-to-Car-Kommunikation und autonom betriebene Transportmittel sind Merkmale der intelligenten Stadt (Smart City).
• Einzelhandel: Sensoren und Kameras verbessern die Bestandsverwaltung und tragen dazu bei, die Effizienz von Lieferketten und Produktentwicklung zu erhöhen. Videobasierte KI-Lösungen helfen, das Kundenaufkommen in Geschäften zu kontrollieren.
• Bildung: Softwarebasierte KI-Lösungen in den Geräten ermöglichen die personalisierte virtuelle Unterstützung beim Lernen, einschließlich der Interaktion in natürlicher Sprache sowie Augmented-Reality-Funktionen (erweiterte Realität).
• Unterhaltungsindustrie: Musik- und Videostreaming-Plattformen und Anbieter aus der Gaming-Industrie speichern Daten häufig im Cache, um Latenzzeiten zu verkürzen und den Benutzerdatenverkehr besser zu bewältigen.
• Landwirtschaft: Beim Smart Farming werden intelligente Maschinen im Stall oder auf dem Acker untereinander vernetzt. Die Geräte erfassen über ihre Sensoren und ihren mobilen Internetzugang laufend Umwelt-, Klima- und Bodendaten. Auf dieser Datenbasis errechnen sie direkt im Edge-Bereich, unter anderem wann und in welcher Menge Pflanzenschutzmittel und Dünger eingebracht werden sollen.
• Künstliche Intelligenz: Branchenübergreifend schafft künstliche Intelligenz neue Einsatzgebiete für das Edge Computing. Weil viele KI-Anwendungen große Datenmengen mit sich bringen, sind hier die Optimierungspotenziale besonders groß.