Analytics braucht große Ressourcen? Das muss nicht sein. Und es darf auch nicht sein, wenn es um die Auswertung von Daten direkt an dem Ort, an dem sie entstehen, geht. Autonome Fahrzeuge, Fräsmaschinen oder Sensoren in Fußballschuhen sind nur einige Beispiele, wo „Edge Analytics“ benötigt wird, um eine „Funktion 2.0“ zu gewährleisten.
Neue Technologien wie das Internet of Things (IoT) ermöglichen ganz neue Anwendungsfälle in sämtlichen Branchen. Allerdings steigt der Nutzen mit dem Tempo. Die Software in autonom fahrenden Fahrzeugen muss innerhalb von drei Sekunden aktiv sein. Braucht sie deshalb ein aufwendiges Betriebssystem? Ganz und gar nicht. Das funktioniert mit üblichen Betriebssystemen in einer minimalistischen Version. Ebenso wird schlanke Analytics benötigt, um Telematikdaten aus dem Auto auszuwerten.
Prädestiniert dafür ist eine Event Stream Processing Engine, wie SAS sie anbietet. Sie analysiert die Daten quasi in Echtzeit direkt an ihrem Entstehungsort – ohne dass sie vorher gespeichert werden müssen. Um die Engine ins Laufen zu bringen, sind geringe Anforderungen zu erfüllen: minimale Hardware (in der Größenordnung eines Raspberry Pi) und eine Netzwerkverbindung. Es sind keine weiteren Ressourcen erforderlich. Im Kernel sind bereits alle notwendigen Informationen enthalten: die Algorithmen zur Auswertung von Daten ebenso wie Techniken zur Datenverarbeitung. Dazu gehören klassische Datenmanagement-Prozesse wie Aggregation oder Filterung, die direkt im Datenstrom angewandt werden. All diese Funktionen sind in dem kleinen Kernel vorhanden und werden nur bei Bedarf aktiviert – das hält die Engine sehr schlank und macht sie extrem performant.
Klein anfangen
Edge Analytics bezeichnet also nicht die High-End-Analyse, die man auf Riesenrechnern die ganze Nacht laufen lassen muss. Stattdessen sind schnelle Erkenntnisse gefragt, Score-Werte auf kleinster Datenbasis. Wenn Daten aus einer Fräse, einer Stanzmaschine oder einem Fahrzeug in Abständen von vier Millisekunden ausgelesen werden, fallen Datensätze an, die lediglich ein paar Byte groß sind. Trotz dieser hohen Frequenz wird kein Riesenarbeitsspeicher, sondern mehr Rechen-Power (CPU) erforderlich. Ganz anders sind die Anforderungen, wenn man Analytics auf einen gesamten Maschinenpark oder eine Flotte von 200.000 Fahrzeugen bringen will. In diesem Fall findet in der Edge-Analytics die Vorverarbeitung der Daten statt, die im Anschluss auf einen großen Event-Stream-Processing-Server übertragen und dort ausgewertet werden.
Kein neuer Wein in alten Schläuchen
Doch moderne Anwendungsfälle wie IoT und Sensortechnologie treffen häufig auf überholte Infrastrukturen. Statt die vorhandene Windows-Installation zu ersetzen, ist die Herangehensweise sinnvoll, eine Schnittstelle zu den Daten beispielsweise in Form eines kleinen Linux-Rechners bereitzustellen, der vom operativen System getrennt ist und auf dem die Daten verarbeitet werden. Dieser Ansatz hat gleich zwei Vorteile: höhere Sicherheit und höhere Performance.
Ein weiterer Vorteil einer Event Stream Processing Engine ist, dass sie eine zentrale Steuerung ermöglicht. Somit ist ein Deployment nicht nur auf einzelne Geräte oder Server möglich, sondern Streaming- und analytische Modelle können zeitgesteuert auf Hunderten von Endpoints angewandt werden – und zwar im laufenden Betrieb. Modelle lassen sich auf diese Weise enorm schnell testen und in die Produktion bringen. Mit einer solchen Edge-Umgebung können zum Beispiel global aufgestellte Unternehmen mit Servern in mehreren Ländern arbeiten. Über Event Stream Processing werden die Daten erfasst und so weit aggregiert, dass sie eine geringe Größe haben, um sie problemlos in ein anderes Land zu übertragen und dort zu analysieren.
