Edge computing
Edge computing flytter databehandlingen ud til det sted, hvor data opstår. Det giver hurtigere reaktion, mindre datatrafik og mulighed for at fungere uden konstant cloud-forbindelse. Hos Move udvikler vi edge-løsninger, der lokalt kan analysere, filtrere og gemme data og kun sende det videre, der skaber værdi.
Edge computing
Databehandling dér, hvor data opstår
I mange IoT-løsninger giver det ikke mening at sende alle rådata direkte til cloud. Datamængden kan være for stor, forbindelsen for langsom eller ustabil, og nogle beslutninger skal træffes hurtigere, end en cloud-forbindelse kan nå at reagere. Her bliver edge computing relevant.
Hurtigere reaktion
Beslutninger lokalt i realtid
Mindre datatrafik
Kun det, der skaber værdi
Den rigtige compute
Fra MCU til AI-accelerator
Lokal storage
Buffer, når forbindelsen svigter
Databehandling tæt på sensorerne
Edge computing betyder, at en del af databehandlingen foregår lokalt i produktet, gatewayen eller en computer tæt på sensorerne. I stedet for blot at opsamle data og sende alt videre kan edge-enheden selv analysere informationen og reagere på den.
Det kan være så simpelt som at beregne minimum, maksimum og gennemsnit for en sensorværdi over et bestemt tidsrum. Det kan også være at registrere, om en værdi overskrider et defineret threshold, og kun sende en alarm, når noget afviger fra normalen. I mere avancerede systemer kan edge-enheden udføre signalbehandling, computer vision eller AI-inference og træffe beslutninger lokalt.
Reaktion i realtid
Fordelen er først og fremmest responstid. Hvis en maskine skal stoppes, fordi vibrationerne pludselig ændrer sig, er det ikke nødvendigvis hensigtsmæssigt først at sende data til en cloud, vente på analyse og derefter sende en kommando tilbage. Med edge computing kan systemet reagere lokalt i realtid eller tæt på realtid.
Mindre data og mindre energi
Der er samtidig en stor fordel i forhold til datamængder. En sensor kan måske generere tusindvis af målinger, men det centrale system har kun brug for udviklingen over tid, statistiske værdier eller information om afvigelser. Ved at behandle data lokalt kan datamængden reduceres markant, før noget sendes videre.
Det sparer både båndbredde og energi. Det er særligt vigtigt i batteridrevne IoT-produkter, hvor radiokommunikation ofte bruger væsentligt mere energi end selve databehandlingen. Hvis produktet kan analysere hundrede målinger lokalt og kun sende resultatet én gang, kan det give en væsentlig forbedring af batterilevetiden.
Video, lyd og AI på edge
Ved video og lyd bliver edge computing endnu mere interessant. Kameraer og mikrofoner genererer store mængder data, som kan være dyrt og langsomt at sende kontinuerligt. I stedet kan eksempelvis en AI-model analysere video lokalt og kun sende en hændelse, et resultat eller relevante metadata videre. Det kan samtidig understøtte privacy-by-design, fordi rå video eller lyd kan blive lokalt i produktet, når applikationen tillader det.
Den rigtige compute-platform
En vigtig del af edge-arkitekturen er at vælge den rigtige compute-platform. Der findes i dag mange forskellige compute-moduler, fra små mikrocontrollere og embedded Linux-moduler til kraftige multicore-processorer, GPU’er, NPU’er og dedikerede AI-acceleratorer. Valget skal tage udgangspunkt i det reelle processeringsbehov og ikke i ønsket om mest mulig regnekraft.
Hverken for meget eller for lidt
For meget compute power kan være lige så uhensigtsmæssigt som for lidt. Et overdimensioneret modul koster mere, bruger mere energi og kan udvikle betydeligt mere varme, selvom applikationen kun udnytter en mindre del af kapaciteten. Det kan igen føre til større strømforsyning, mere avanceret termisk design, køleprofiler, ventilation eller et større kabinet. Derfor forsøger vi at dimensionere compute-platformen, så den passer til den faktiske workload med den nødvendige margin til fremtidige funktioner.
Omvendt skal løsningen heller ikke ligge for tæt på grænsen. Hvis processoren konstant kører tæt på maksimal kapacitet, kan det give problemer med latency, peak-belastninger og senere softwareudvidelser. Derfor ser vi på blandt andet CPU-load, memory, storage, accelerators, interface-behov, strømforbrug og termiske forhold, når compute-platformen vælges.
Lokal storage
Lokal storage er ofte en naturlig del af en edge-løsning. Det kan være vigtigt at gemme rådata i en begrænset periode, selvom kun behandlede data normalt sendes til cloud. Hvis en alarm opstår, kan man efterfølgende vælge at hente de relevante data omkring hændelsen hjem til nærmere analyse.
Storage som buffer
Storage kan også bruges som buffer, når connectivity er ustabil. Hvis LTE-forbindelsen forsvinder, behøver produktet ikke miste data. Målingerne kan gemmes lokalt og sendes videre, når forbindelsen er genetableret. Det samme princip er særligt relevant ved satellitkommunikation, hvor forbindelse kan være dyr, have høj latency eller kun være tilgængelig i bestemte tidsvinduer.
Krav til arkitekturen
Det stiller krav til arkitekturen. Hvor meget storage skal produktet have? Hvor længe skal data gemmes? Hvilke data har højeste prioritet? Hvad sker der, når lageret er fuldt? Skal gamle data overskrives, komprimeres eller slettes? Og hvordan sikres data, hvis produktet befinder sig fysisk ude i felten?
Edge computing designes som ét system
Edge computing handler derfor ikke kun om at vælge en kraftigere processor. Compute-modul, memory, storage, strømforbrug, termisk design, software, connectivity og cloud-arkitektur skal designes som ét system. I nogle produkter er en lille MCU nok til lokal filtrering og statistik. Andre kræver Linux, multicore-processorer, GPU, NPU eller dedikerede AI-acceleratorer.
Hos Move arbejder vi med hele kæden fra sensorer og dataopsamling til embedded software, edge computing, connectivity og cloud. Målet er at finde den rigtige balance mellem, hvad der skal ske lokalt, og hvad der skal sendes videre. Jo tidligere den arkitektur bliver defineret, desto bedre kan vi optimere produktet for responstid, datamængde, energiforbrug, varme, hardwarepris og driftsøkonomi.
Ofte stillede spørgsmål
Hvad er edge computing?
Edge computing betyder, at data behandles tæt på det sted, hvor de opstår, eksempelvis direkte i produktet eller i en lokal gateway, i stedet for at al behandling foregår i cloud.
Hvorfor ikke bare sende alle data til cloud?
Det kan kræve unødvendig båndbredde, energi og cloud-kapacitet. Edge computing gør det muligt kun at sende relevante eller bearbejdede data videre.
Hvordan vælger man den rigtige compute-platform?
Det afhænger af blandt andet workload, realtidskrav, memory, storage, interfaces, energiforbrug og termiske forhold. Målet er at vælge tilstrækkelig compute power uden at betale for eller køle kapacitet, som produktet ikke bruger.
Kan edge computing bruges til AI?
Ja. AI-modeller kan eksempelvis analysere billeder, lyd eller sensordata lokalt og kun sende resultater, hændelser eller alarmer videre.
Kan data gemmes lokalt?
Ja. Lokal storage kan bruges til historiske data, fejlanalyse eller som buffer, hvis forbindelsen til cloud midlertidigt forsvinder.
Er edge computing relevant ved dårlig connectivity?
Ja. Det er særligt relevant ved ustabil LTE-dækning, remote installationer eller satellitkommunikation. Produktet kan fortsætte med at måle og behandle data lokalt og synkronisere, når forbindelsen vender tilbage.
Sparer edge computing strøm?
Det kan det. Hvis lokal databehandling reducerer antallet og størrelsen af transmissioner, kan energiforbruget til kommunikation reduceres væsentligt, især i batteridrevne IoT-produkter.
Skal vi gøre din idé til virkelighed?
Teknisk udvikling kræver mere end gode idéer — det kræver de rigtige kompetencer. Vi har samlet hardware, software og ingeniørekspertise under ét tag, så du kommer hurtigt og sikkert fra prototype til produktion.
Ræk ud til os →