IoT-Datenerfassung: Eine Kurzanleitung zu aktuellen Methoden und Forschungen

Wir können uns vorstellen, dass die von einem IoT-Gerät generierten Daten drei separate Phasen durchlaufen. Die Anfangsphase ist die eigentliche Datenerstellung. Diese Phase findet auf der Ebene des IoT-Geräts statt, von dem aus die Daten über ein Netzwerk übertragen werden. Die zweite Phase auf dem Weg der IoT-Daten ist die Erfassung und Organisation. Die dritte Phase beinhaltet die tatsächliche Verwendung dieser Daten. Dies ist der Prozess, bei dem diese Daten für eine Vielzahl von Kontexten wertvoll gemacht werden.

Im Folgenden verfolgen wir den Prozess der IoT-Datenerfassung und -speicherung in diesen Phasen.

Streamen von IoT-Daten

In der Welt des IoT jedes Ereignis erzeugt Daten. Das Senden der Daten erfolgt über Standardprotokolle wie MQTT, WAMP, HTTP, CoAP oder Sigfox. Jeder von ihnen hat seine Stärken und angrenzende Anwendungsfälle. Diese Protokolle unterstützen das Abrufen von Updates oder anderen Informationen vom IoT-Gerät, um sie zur eigentlichen Verarbeitung an einen bestimmten zentralen Ort zu senden.

In dieser Phase muss entschieden werden, wie die Daten aggregiert und für die zukünftige Verwendung gespeichert werden. Wie man von nun an vorgehen soll, hängt davon ab, wie die IoT-Daten konsumiert werden sollen. Hier wählen Sie einen Ansatz und legen fest, ob die Daten in Echtzeit oder stapelweise übertragen werden sollen. Außerdem legen Sie fest, in welcher Reihenfolge die Datenpunkte für eine möglichst genaue IoT-Analyse erstellt werden sollen.

Speichern von IoT-Daten

Die Verwendung von Echtzeitdaten gewährleistet maximale Genauigkeit. Dieser Ansatz garantiert den Zugriff auf alle Daten, die von jedem IoT-Gerät generiert werden. Dies bedeutet jedoch in der Regel riesige Mengen an eingehenden Daten. Es wird zu einer Herausforderung, den richtigen Zeitstempel für die Sortierung von Daten, die von mehreren IoT-Geräten stammen, festzulegen. Man sollte Systeme in Betracht ziehen, die in der Lage sind, die Geschwindigkeit und das Volumen der eingehenden IoT-Daten zu bewältigen.

Entscheiden Sie sich für den Ansatz, alle verfügbaren IoT-Daten in Echtzeit zu sammeln und zu analysieren sollte durch eine klare Begründung gestützt werden. Andernfalls könnte die schiere Menge an Big Data unnötig starke Auswirkungen auf die Cloud-Systeme haben — also auf die Netzwerk- und Rechenressourcen, die erforderlich sind, um den Zufluss von IoT-Daten aufrechtzuerhalten.

Man sollte auch konkrete IoT-Anwendungen in Betracht ziehen. Diese haben einzigartige Anforderungen in Bezug auf Latenz, Energieverbrauch und Genauigkeit. Bei einigen Anwendungen kann es zu Verzögerungen kommen. Andere, wie z. B. Sicherheitsanwendungen, werden eher als zeitkritisch angesehen und haben keinen Spielraum für Verzögerungen.

Viele Anwendungsfälle erfordern möglicherweise keine hohe Genauigkeit und würden es ermöglichen, die Daten stapelweise zu senden. Wenn die Daten stapelweise gesendet werden oder Mikrochargen, Sie erhalten immer noch eine Aufzeichnung aller Daten. Dies erfolgt nicht in Echtzeit, sondern nur in bestimmten, vorab festgelegten Intervallen. Die Wahl eines bestimmten Anwendungsfalls hängt von den Anforderungen ab. In einigen Szenarien benötigen Sie genaue Echtzeitdaten für Ihre Analysen. In anderen Szenarien eignen sich historische Daten genauso gut.

Der Plattformansatz

Wenn Sie planen, die eingehenden Sensordaten direkt zu analysieren, benötigen Sie zu diesem Zeitpunkt eine IoT-Plattform, die in der Lage ist, IoT-Gerätedaten von einer großen Anzahl von Geräten aufzunehmen, die Rohdaten in Echtzeit streamen. Eine solche Plattform muss in der Lage sein, auf vorübergehende Verbindungsprobleme zu reagieren. Dazu können ein Verbindungsverlust, ein Ausfall oder ein Serverausfall gehören.

Die Plattform hilft Ihnen, Datenverlust zu vermeiden. Sie riskieren daher nicht, die Genauigkeit der auf der Grundlage dieser Daten zu generierenden Ergebnisse zu beeinträchtigen. Auf der Plattform werden Daten in einer vorgefertigten Form für die Datenmodellierung und IoT-Datenanalyse gespeichert. Von dort aus verwenden Sie die gesammelten Daten zur Erstellung von Modellen für maschinelles Lernen, zur Entwicklung Ihrer IoT-Anwendung und zur Ergänzung durch Datenvisualisierung.

Zielgerichtete Ansätze zur Datenerhebung

In groben Zügen lässt sich sagen, dass der gewählte Ansatz beim Sammeln und Speichern von IoT-Daten stark von den Zielanforderungen eines bestimmten Anwendungsfalls abhängt. Dazu gehören unter anderem Datenerfassungsverfahren, die von so unterschiedlichen Anforderungen wie der Genauigkeit der Daten, dem Energieverbrauch, der Reaktionszeit und dem Schutz der Privatsphäre motiviert sind. Bewährte Ansätze zur Reduzierung der Menge der gesammelten IoT-Daten sind Datenaggregation, Filterung, Interpretation und Komprimierung auf der Ebene der IoT-Sensoren, so nah wie möglich an der Datenquelle.

Im Folgenden fassen wir einige der wichtigsten Datenerhebungsansätze auf der Grundlage der beabsichtigten Anwendung zusammen wie in dieser Studie dargelegt.

Strategien, die durch Genauigkeit motiviert sind

Diese IoT-Datenerfassungsstrategie berücksichtigt den Kompromiss zwischen der Häufigkeit der Messanforderungen und der Genauigkeit der Daten. Hier wird die Frequenz mit Blick auf die Genauigkeit der Zieldaten angepasst. Es kann vorkommen, dass ein bestimmter Anwendungsfall nur ein gewisses Maß an Datengenauigkeit erfordert. Ein höheres Maß an Genauigkeit bringt keinen zusätzlichen Wert für den Aufwand.

Im Rahmen dieser Strategie muss die Häufigkeit der Datenmessungen reduziert werden. Dies reduziert die Ressourcen, die für die Erfassung der IoT-Daten erforderlich sind, und behält gleichzeitig das Genauigkeitsziel bei, das für diesen Anwendungsfall als optimal berechnet wurde.

Strategien, die durch Zeitkritikalität motiviert sind

Bei diesem Ansatz zur IoT-Datenerfassung wird im Voraus ein maximaler Verzögerungswert festgelegt. Die Zeit, die seit dem Zeitstempel der letzten Messung vergangen ist, muss unter diesem maximalen Verzögerungswert bleiben. In IoT-Datenerfassungsszenarien, die durch zeitbezogene Anforderungen motiviert sind, muss jede neue Messung, die abzüglich des Zeitstempels der letzten Messung empfangen wird, unter der maximalen Verzögerung liegen. Dabei entspricht die verstrichene Zeit der „Aktualität“ der Datenmessungen.

Strategien zur IoT-Datenerfassung, die durch den Energiebedarf motiviert sind

Wenn Sie sich für diesen Ansatz entscheiden, ist der Energieverbrauch ein Schlüsselfaktor. Das Bestreben besteht darin, die angestrebte Genauigkeit zu erreichen und gleichzeitig den Stromverbrauch zu optimieren. Eine energiegetriebene Strategie für die IoT-Datenerfassung zielt auf maximale Effizienz ab. Der Vorteil wird hier als Unterschied zwischen dem für eine bestimmte Zieldatengenauigkeit erreichten Nutzen abzüglich des Stromverbrauchs für die Messungen gemessen, die zur Erreichung dieser Datengenauigkeit erforderlich sind.

Ähnlich wie beim genauigkeitsgesteuerten Szenario wird hier davon ausgegangen, dass je nach Anwendung eine bestimmte Zielgenauigkeit angestrebt wird, obwohl man weiß, dass eine höhere Genauigkeit keinen zusätzlichen Vorteil bietet.

Strategien zur IoT-Datenerfassung, die durch Datenschutzbedenken motiviert sind

Wenn die Privatsphäre der Endnutzer von größter Bedeutung ist, kann dieser Ansatz gewählt werden. Der Studie zufolge wird hier versucht werden, die Häufigkeit, mit der ein Sensor nach Daten gefragt wird, zu minimieren und die Ergebnisse mithilfe von Datenschutztechniken zu verfälschen.

Ziel ist es, die Privatsphäre der Endbenutzer zu schützen, indem die Genauigkeit einzelner Messungen geändert und gleichzeitig ein gewisses Maß an „ausreichender Genauigkeit“ für die Gesamtergebnisse beibehalten wird.

Hinzufügen von „Rauschen“ zum Ergebnis wird durch den Einsatz von „Differential Privacy“ erreicht. Laut der Studie ermöglicht dies die Extraktion von Daten, die sich auf eine Benutzergruppe beziehen, ohne dass Informationen über Einzelpersonen preisgegeben werden. Dies ist auf das Hinzufügen von „Rauschen“ während des eigentlichen Datenextraktionsprozesses zurückzuführen, ohne das statistische Ergebnis wesentlich zu verändern.

Bei diesem Ansatz wird empfohlen, in der Phase der IoT-Datenerfassung und nicht in der Datenverarbeitungsphase Rauschen hinzuzufügen. Die entsprechenden Experimente zeigen, dass eine solche Intervention keine signifikanten Auswirkungen auf die endgültigen Statistiken hat.

Personalisierung mit IronFlock

Dies war nur ein Vorgeschmack auf die verschiedenen Datenerfassungsansätze und Trends bei der IoT-Datenerfassung im Moment. Innerhalb der Bahnsteig, das Studio for data analysis ermöglicht es Ihnen, eine Verbindung zu Ihrer IoT-Datenquelle herzustellen und IoT-Daten direkt in ein kompaktes, leichtes Data Warehouse zu streamen. Die Plattform ermöglicht es, die Art und Weise, wie die Daten erfasst werden sollen, genau anzupassen und die Datenströme jederzeit zu überwachen und zu steuern.

Ihre IoT-Lösung endet jedoch nicht mit der Aufnahme von Echtzeitdaten von einem verbundenen Gerät. Von hier aus entwickeln Sie Ihre Datenmanagementstrategie, nutzen die umfangreichen Datenspeicherfunktionen der Cloud und verwenden die Daten in verschiedenen Cloud-Computing-Szenarien, einschließlich der Entwicklung von IoT-Apps. Auf diese Weise nutzen Sie die Plattform als Sprungbrett für den Aufbau und die Wartung eines gesamten IoT-Systems — angefangen beim intelligenten Gerät bis hin zu ausgeklügelten IoT-Lösungen mit künstlicher Intelligenz. Kontaktieren Sie uns für ein ausführliches Gespräch.

‍