Edge Computing ermöglicht schnellere Marktreife von Autos

Dubai, Finnland, Deutschland: Wenn Entwicklungsingenieure Testfahrzeuge neuer Modelle in allen Teilen der Welt auf die Straße oder ins Gelände schicken, produzieren die Erlkönige enorme Datenmengen. Ein einziges Auto kommt innerhalb einer Teststunde auf etwa ein Terabyte. Und diese Datenmenge wird weiter zunehmen: Autonom fahrende, vernetzte Testfahrzeuge werden das Datenvolumen der Mess- und Kontrolleinheiten weiter in die Höhe treiben. Die Analyseergebnisse und Bewertungen sollen trotzdem bereits nach wenigen Stunden vorliegen, um vor der nächsten Testfahrt kritische Fehler beheben und die nächste Testreihe vorbereiten zu können. Nur dann lassen sich Entwicklungsprozesse verkürzen und Kosten senken. Jedoch sind klassische Datenverbindungen nicht darauf ausgelegt, die riesigen Rohdatenmengen aus den teils entlegenen Testgebieten schnell zusammenzuführen. Analysearchitekturen und Übertragungstechniken stoßen aufgrund des schieren Datenvolumens schnell an ihre Belastungsgrenze.

T-Systems hat mit Big Data Signal Processing eine Lösung entwickelt, die das Datenvolumen schon am Teststandort ohne Informationsverlust um bis zu 90 Prozent komprimiert, also auf etwa ein Zehntel des ursprünglichen Volumens. Bisher ließen sich Signaldaten aus Aufzeichnungsformaten wie ASAM MDF oder ATFX nur schlecht schrumpfen, zudem waren sie aufgrund ihrer Zeitabhängigkeit für eine parallele Datenverarbeitung nicht geeignet. Das parallel arbeitende, softwarebasierte Signalverarbeitungsverfahren – Big Data Signal Processing – von T-Systems dekodiert und repartitioniert Logger- und Tracefiles aus den Fahrzeugen.

Das ermöglicht ein rasantes und komprimiertes Abspeichern und Verarbeiten der Testdaten. Die Software wandelt die erfassten Datenformate so um, dass sie sich hochparallel über Kanäle und Zeit verarbeiten lassen. Die Datenverarbeitung wird auf eine bis zu 40-fach höhere Geschwindigkeit bei vergleichbarer Hardware beschleunigt. Damit nicht genug: Die Messdaten werden während der Prozessierung mit Metadaten angereichert, so dass Ingenieure semantisch und einfach nach den für sie relevanten Daten suchen können.

Zudem müssen die Ingenieure die Daten nicht mehr komplett an ein zentrales Rechenzentrum zur Analyse senden. Hier kommt Edge Computing ins Spiel: In kleinen Rechenzentren vor Ort wertet die Software die Daten direkt aus. Die relevanten Ergebnisse werden dann für die Ingenieure für weitere Analysen zentral zusammengeführt. Das verkürzt Entwicklungszyklen und verbessert Engineering-Prozesse. Statt die enormen Datenmengen über zu schmale Kommunikationsleitungen an eine zentrale Stelle zu verschicken, wird der Analysecode des Ingenieurs in die jeweiligen Mini-Rechenzentren geschickt. Dieser „Code to Data“-Ansatz verringert den Bandbreitenbedarf enorm und senkt die Übertragungskosten.

Im industriellen Umfeld eingesetzt, hilft Edge Computing dabei, IT und OT (Operational Technology) näher zusammenzubringen. Maschinen und Roboter erhalten eine sichere, berührungslose Verbindung zur IT-Infrastruktur und zur Cloud. Public Clouds wie Azure, AWS und Open Telekom Cloud lassen sich integrieren. Die gewinnbringenden Einsatzmöglichkeiten der Technologie sind über den Einsatz bei Testfahrzeugen hinaus vielfältig – von einer transparenten Logistik oder die Gebäude-Automation bis hin zum autonomen Fahren oder einer effizienten Energiewirtschaft.