fbpx

IoT przetwarzanie danych na brzegu – IoT Edge Computing.

iot edge computing

IoT przetwarzanie danych na brzegu – IoT Edge Computing.

Czym właściwie jest IoT

IoT to skrót od Internet of Things lub Intelligence of Things. Jest to nic innego, jak zbiór urządzeń potrafiących prowadzić komunikację pomiędzy sobą, nie wymagając jednocześnie ingerencji człowieka.

Jest to szerokie pojęcie, możemy zaliczyć do niego wszystkie urządzenia Smart home (urządzenia pozwalające zdalnie sterować oświetleniem, temperaturą w naszych domach), nowoczesne projekty Smart city (których koncepcją jest to, aby miasto żyło reagując, służąc i dbając o swoich mieszkańców, poprzez wprowadzenie systemu czujników powietrza monitorujących zanieczyszczenia w czasie rzeczywistym lub system koszy na śmieci które monitorują swoje zapełnienie). 

Ciągle również rozwijamy ideę Smart car (wprowadzanie inteligentnych rozwiązań, takich jak wymiana informacji o natężeniu ruchu pomiedzy pojazdami,  aby codziennie użytkowanie samochodu było dla nas wygodniejsze i bezpieczniejsze)

Modernizujemy również fabryki, aby najcięższą i najbardziej niebezpieczną pracę wykonywały roboty. Wdrażamy rozwiązania IoT także do przemysłu w celu optymalizacji kosztów i maksymalizacji zysków.

Na tą chwilę w codziennym życiu, jesteśmy otoczeni urządzeniami smart, a liczba tych urządzeń na świecie jest już liczona w bilionach. Szacuje się, że na obecnie na świecie podłączonych jest 9.9 biliona urządzeń, a w roku 2025 liczba ta będzie oscylować w okolicy 25.5 biliona aktywnych urządzeń.

Po chwili zastanowienia możemy dojść do wniosku, że taka liczba urządzeń generuje wręcz niewyobrażalną ilość danych. Aby czerpać z tych danych korzystać, musimy je przetworzyć. 

Ilość danych IoT – jak do tego podejść?

Posłużmy się przykładem, skoro jeden samolot Airbus A350 w ciągu jednego dnia pracy gromadzi z 6000 czujników i 2.5Tb danych, to przecież codzienny transfer takiej ilości danych w celu ich przetworzenia (aby poznać aktualny stan samolotu), brzmi kosztownie i problematycznie.

Zatem znacznie rozsądniej brzmi przesłanie krótkiego raportu, które systemy są w normie a które wymagają serwisowej ingerencji. Rozwiązaniem problemu obróbki takich danych, jest przetworzenie ich jak najbliżej ich źródła czyli Edge computing. W tym celu możemy wykorzystać funkcje analitycznie oraz Machine learning


IoT Edge Computing korzyści płynące z przetwarzania danych lokalnie

  • Oszczędność czasu

Nie tracimy czasu, czekając aż nasze dane zostaną przesłane do chmury, tam odpowiednio w niej opracowane, a następnie wrócą do nas abyśmy mogli podjąć na ich podstawie akcje. 

Zamiast czekać aż sygnalizator świetlny wyśle dane o ruchu na skrzyżowaniu, na którym właśnie jesteśmy, a potem doczeka się ich powrotu w celu  wyświetlenia nam zielonego światła, lepiej nauczyć sygnalizator samodzielnego podejmowania decyzji na podstawie danych jakie zbiera.

  • Odporność na problemy z łącznością 

Odwołajmy się ponownie do przykładu ze skrzyżowaniem, następnie rozważmy sytuację w której sygnalizator utracił połączenie z siecią i nie może wysłać danych.

Czy będziemy czekali na zmianę świateł, do czasu przywrócenia połączenia? Nie będziemy skazani na czekanie, jeśli sygnalizator będzie potrafił analizować swoje dane lokalnie. Może czekać z wysłaniem raportu o swoim działaniu do czasu przywrócenia połączenia, jednocześnie normalnie funkcjonując. 

  • Redukcja kosztów utrzymania infrastruktury

Przesyłanie danych kosztuje. Warto mieć to na uwadzę już na etapie projektowania infrastruktury. W ten sposób możemy uniknąć generowania zbędnych kosztów transferem danych.

  • Poprawa bezpieczeństwa

Możemy uniknąć wysyłania wrażliwych danych w surowej formie, poprzez dodatkowy krok który umożliwia ich obróbkę. Doskonałym przykładem na to jest IoT w służbie wojsku. Nikt nie chciałby aby dane, takie jak np. pozycja GPS, wpadły w niepowołane ręce. 

IoT Edge Computing – z czym należy się zmierzyć

  • Utrata części danych

Decydując się na przetwarzanie danych lokalnie i ograniczenie kosztów związanych z transmisją do chmury, nie mamy możliwości dalszej analizy i przetwarzania danych. 

  • Ograniczone zasoby sprzętowe

W momencie gdy decydujemy się na Edge computing, musimy mieć świadomość, że urządzenie na którym zamierzamy procesować dane, ma określone zasoby sprzętowe i należy nimi odpowiednio zarządzać.

IoT w chmurze

Załóżmy, że przetwarzamy dane lokalnie, przez co redukujemy ilość danych które będziemy wysyłać z urządzenia. Rozwiązujemy w ten sposób problem zbyt dużej ilości danych, jednakże dalej stoimy przed wyzwaniem jakim jest przechowywanie oraz przetwarzanie danych, w skali naprawdę wielu urządzeń. W tym momencie możemy wykorzystać pomocną dłoń, oferowaną przez czołowych dostawców chmur. Oferują oni zestawy narzędzi, które są gotowe, aby pomóc w codziennych zadaniach.


Jak by na to nie patrzeć, flota urządzeń IoT generuje sporą liczbę informacji, które nie musza być danymi pozwalającymi na obróbkę wyłącznie w obrębie urządzenia IoT.
Integracja z chmurą, daje nam korzyści w postaci mocy obliczeniowej dostępnej na życzenie oraz możliwość gromadzenia danych, w celu późniejszego ich przetworzenia. Ułatwia nam również zadania związane z monitorowaniem i kontrolą urządzeń w czasie rzeczywistym. Jednocześnie dostajemy korzyści typowe dla usług chmurowych, takie jak model płatności w którym płacimy tylko za wykorzystane zasoby oraz brak konieczności fizycznej opieki nad infrastrukturą.

Internet rzeczy jest w naszym życiu coraz częściej obecny, co wiąże się z rosnącą ilością danych jakie generuje, a więc również z koniecznością ich przetwarzania. 
Na szczęście możemy wspomóc się wykonując część operacji lokalnie na urządzeniu generującym dane. 

Maciej Korcz
DevOps Engineer