Com o aumento frequente de dispositivos IoT — estima-se que haverá 64 bilhões on-line até 2025 — as empresas se deparam com um volume muito grande de dados, que precisam ser gerenciados, gerando insights acionáveis como chave para os negócios.
O grande número de dados de IoT pode fornecer insights para encontrar falhas e pode ser monitorado para problemas nos dispositivos físicos que estão conectados.
Quando os dispositivos IoT são usados para automatizar processos em indústrias ou fábricas, falhas podem indicar que uma determinada máquina precisa de manutenção, diagnosticando um problema em potencial e reduzindo o tempo de inatividade.
Trabalhar com todos esses dados e transferi-los do dispositivo para uma plataforma central de computação é um desafio.
A Edge computing ajuda a superar a sobrecarga de dados e torna a detecção de falhas mais eficaz. Essa prática fornece um olhar sobre o assunto e como impulsionarão os negócios.
Estratégias comuns de detecção
Existem duas estratégias de detecção de falhas integradas em casos de IoT.
Limiares estáticos: têm a vantagem de automatizar decisões rotineiras e o alerta, oferecendo alguma vantagem sobre os demais. Para usá-los, os administradores precisam de limites de conhecimento de domínio, que não mudam de acordo com as condições, tornando-os difíceis de manter em ambientes mutáveis.
Métodos baseados em aprendizado de máquina (Machine Learning): supervisionados ou não, adicionam inteligência à detecção automatizada, aprendendo continuamente o comportamento de dados em séries temporâneas e se tornando mais adaptável.
No entanto, o volume de dados gerados por dispositivos IoT segue aumentando, impulsionando aumentos relacionados nos requisitos de largura de banda de rede, volume de armazenamento e computação. O uso de recursos centralizados, mesmo em nuvem, para o processamento de dados de IoT em tempo real, está se tornando cada vez mais caro.
A Edge computing fornece uma maneira eficaz baseada em Machine Learning. Ao deslocar cargas de trabalho críticas de processamento de dados para mais perto da fonte (dispositivos IoT), você reduz cargas de trabalho na nuvem, garante processamento de dados de latência zero, diminui tempo de resposta e os custos de carga de rede e nuvem.
A Edge computing também é usada para monitorar a máquina em tempo real, detectando falhas que podem indicar dano no sistema. O processamento de dados de latência zero relata incidentes em tempo quase real.
Arquitetura de Edge computing
A Edge computing pode ser implantada com uma série de arquiteturas, incluindo computação de borda 100% e modelos híbridos que combinam edge e cloud computing e para efeitos de iluminar arquiteturas de borda para implantação de falhas. (Figura 1).
Figure 1: A generic architecture including edge computing and cloud computing
O gateway IoT coleta e recebe dados de dispositivos e empurra os dados para uma camada de mensagens. Os componentes de processamento de dados na borda puxam dados da camada de mensagens, processam-nos e enviam insights para a nuvem para alerta e emissão de relatórios centralizados. Um sistema de gerenciamento relata problemas operacionais na nuvem e garante que os componentes sejam sincronizados com os dados de configuração monitorados centralmente a partir dela.
Os componentes de Edge computing são implantados juntos em um computador de placa única como Raspberry Pi ou em dispositivos no mesmo data center, conforme os requisitos de escalabilidade.
Detecção de Falhas IoT
A Figura 2 mostra uma arquitetura para implementar a computação de borda para detecção de falhas. Este modelo adiciona inteligência à arquitetura descrita antes.
Figure 2: Edge computing for real-time anomaly detection
Um gateway IoT inteligente atua como um roteador de dados de séries temporâneas. A camada de mensagens tem filas separadas para cada método de detecção de falhas e, com base neles, que estão sendo aplicados em séries temporais específicas, o gateway toma decisões de roteamento e coloca dados nas respectivas filas. As decisões de roteamento dinâmico são impulsionadas pela configuração e alterações são feitas na nuvem, sendo aplicadas pelo sistema de gerenciamento.
Os processadores de detecção de falhas buscam dados das respectivas filas e, ao encontrar, os reportam à nuvem. Eles também armazenam em um banco de dados de séries temporizado.
Neste caso, um trabalho programado de treinamento offline busca, periodicamente, dados em massa do banco de dados da série tempo, comprime e envia-os para a nuvem para treinar modelos de ML, para detecção supervisionada. O trabalho também busca modelos ML da nuvem e os armazena em um banco de dados de modelos ML. Um detector de danos ML supervisionado busca modelos ML do banco de dados dos modelos.
O sistema de monitoramento relata problemas operacionais na nuvem e garante que os componentes estejam em sincronia com os dados de configuração gerenciados centralmente a partir dela.
Implementação de IoT modernizada
Para o futuro, a maioria das empresas adotará uma abordagem híbrida de TI, que inclui a computação centralizada e de borda.
Será usada a computação de borda para coletar, analisar e agir sobre dados gerados em um instante.
Com isso, podemos aplicar automação inteligente e encontrar maneiras de orquestrar dados de borda importantes com pipelines de dados centrais para os insights necessários para ação automatizada, instantaneamente.
Os volumes de dados e a velocidade de uma implementação moderna de IoT exigem uma boa detecção de falhas e em tempo real. A computação de borda torna possível aproveitar o aprendizado de máquina, evitando altos custos de nuvem e processando latência. Com isso, você pode resolver falhas de IoT rapidamente para garantir o serviço ideal para sua organização.
Autora:
Margaret Lee. É vice-presidente sênior e gerente geral de gerenciamento de serviços e operações digitais da BMC Software, responsável pela P&L e pelo conjunto completo de soluções BMC Helix da empresa para gerenciamento de serviços e de operações de TI.
