Dank der jüngsten Fortschritte bei IoT-Technologien ist mit dem Aufkommen zahlreicher Echtzeitdienste zu rechnen, die die riesigen Datenmengen nutzen, die von verschiedenen Geräten in Fabriken, Haushalten und der sozialen Infrastruktur in die Cloud fließen. Im Zuge der Entwicklung hin zum autonomen Fahren mit vernetzten Fahrzeugen analysieren Forscher die von Fahrzeugen generierten umfangreichen Informationen, wie beispielsweise Geschwindigkeit und Standort, und stellen diese den Fahrern dann beispielsweise in Form von Warnungen zur Verfügung.
Die Stream-Processing-Technologie, die bei der Hochgeschwindigkeitsverarbeitung solch großer Datenmengen effektiv ist, hat Probleme, da die Verarbeitung vorübergehend unterbrochen werden muss, wenn Verarbeitungsinhalte im Zuge von Erweiterungen oder Verbesserungen der Dienste geändert oder hinzugefügt werden, und die Bereitstellung der Dienste sich verzögern kann.
Fujitsu hat eine neue Stream-Processing-Architektur entwickelt, die nach Abschluss einer parallelisierten Datenverarbeitungsaufgabe automatisch auf ein neues Datenverarbeitungsprogramm umschaltet. Diese Architektur trennt die Stream-Verarbeitung in Datenempfang und aktuelle Datenverarbeitung und gewährleistet so einen kontinuierlichen Betrieb beider Prozesse (Patent angemeldet). In einer Simulation, bei der einige Dutzend Bytes Daten pro Sekunde von einer Million Fahrzeugen empfangen wurden, konnte Fujitsu bestätigen, dass diese Architektur die Verarbeitung von Streaming-Daten auch beim Hinzufügen oder Ändern von Verarbeitungsprogrammen fortsetzen kann. Die durchschnittliche Wartezeit erhöht sich dabei um maximal fünf Millisekunden.
Fujitsu Laboratories beabsichtigt, diese Technologie im Geschäftsjahr 2018 auf der Mobility IoT-Plattform von Fujitsu Limited zu kommerzialisieren und sie auf andere Bereiche der Branche auszuweiten.
Die Details dieser Technologie wurden auf der DEIM2018 (dem Forum für Datenverarbeitung und Informationsmanagement) vorgestellt, einer Konferenz, die vom 4. März an in Awara in der Präfektur Fukui, Japan, stattfand.
Hintergrund:
Mit der rasanten Entwicklung von IoT-Technologien werden zunehmend Daten von unterschiedlichsten Objekten erfasst und in Rechenzentren gespeichert. Die Analyse und Nutzung dieser Daten wird voraussichtlich zur Entwicklung neuer Dienste führen. Im Fall vernetzter Fahrzeuge beispielsweise soll die Erfassung, Analyse und Nutzung von Echtzeit-Fahrzeugdaten dazu beitragen, Staus zu reduzieren, Fahrer zu unterstützen und die Sicherheit des autonomen Fahrens zu verbessern (Abbildung 1).
fahrender
Fahrzeuge sekündlich generiert werden, schnell zu verarbeiten, ist der effizienteste Weg der Aufbau eines Systems, das Daten mittels Stream-Processing parallel und fahrzeugbezogen verarbeitet. Um das Verarbeitungsprogramm entsprechend Serviceerweiterungen und -verbesserungen anzupassen, werden derzeit zwei Systeme gleicher Größe im Voraus vorbereitet. Eines wird für den Betrieb genutzt, während die Änderungen am anderen vorgenommen werden, und anschließend werden die Systeme schnell ausgetauscht. Dieses Verfahren erfordert jedoch, dass beide Systeme vorübergehend abgeschaltet werden, während Daten wie Geschwindigkeit oder Position eines Fahrzeugs im Speicher des verwendeten Systems gespeichert und in das zu aktualisierende System kopiert werden. Dies erschwert die Bereitstellung von Diensten, die einen wirklich kontinuierlichen Betrieb erfordern, wie beispielsweise die Echtzeit-Übermittlung von Warnungen an vernetzte Fahrzeuge.
Da außerdem neue Datenbankverarbeitungsprogramme, sogenannte Repositories, eingeführt wurden, kam es aufgrund zahlreicher Anfragen aus einer großen Anzahl von Verarbeitungseinheiten zu Engpässen, was die Gesamtverarbeitung verlangsamte.
Details zur neu entwickelten Technologie
: Fujitsu Laboratories hat Dracena entwickelt, eine Architektur, die die Verarbeitungsprogramme eines Systems im laufenden Betrieb modifizieren kann.
Bei Änderungen oder Ergänzungen von Dateninhalten verteilt diese Architektur das neue Datenverarbeitungsprogramm als Nachricht – analog zur Datenverteilung – an jede einzelne Verarbeitungseinheit, ein sogenanntes Objekt, ähnlich der Verarbeitungseinheit für jedes Fahrzeug. Dadurch wird die durch die Konzentration von Abfragen im Repository verursachte Beeinträchtigung der Gesamtverarbeitungsgeschwindigkeit vermieden. Durch die Trennung der Verarbeitung von objektinternen Nachrichten von der Datenverarbeitung kann das System das neue Datenverarbeitungsprogramm hinzufügen, ohne den Nachrichtenempfang oder die bestehende Datenverarbeitung zu unterbrechen. Anschließend wechseln alle Objekte gleichzeitig zum neuen Datenverarbeitungsprogramm. Dies ermöglichte es Fujitsu Laboratories, eine Stream-Processing-Architektur zu entwickeln, in der das Datenverarbeitungsprogramm ohne Unterbrechung hinzugefügt oder geändert werden kann, um die parallele Verarbeitung fortzusetzen, ohne den Fluss großer Datenmengen durch Kopieren zu behindern (Abbildung 2).
Auswirkungen:
Die Ergebnisse einer simulierten Evaluierung bestätigten, dass diese Architektur in einem Anwendungsfall, in dem einige Dutzend Bytes Daten von einer Million Fahrzeugen einmal pro Sekunde übertragen werden, durch die Hinzufügung eines Dienstes zur Erkennung von starkem Bremsen – zusätzlich zu einem System, das bereits einen Dienst zur Erkennung übermäßiger Fahrzeiten bereitstellte – die Dienste kontinuierlich bereitstellen konnte. Die durchschnittliche Latenzerhöhung betrug dabei maximal fünf Millisekunden. Diese Architektur ermöglicht die schnelle Bereitstellung von Echtzeitdiensten, die einen unterbrechungsfreien Betrieb erfordern und gesellschaftliche Herausforderungen adressieren können. Dazu gehören Fahrerassistenzsysteme für vernetzte Fahrzeuge, energiesparende Geräte, die Überwachung von Gesundheit und Sicherheit im Haushalt sowie die Bereitstellung von Reiseinformationen für Touristen mithilfe von Smartphones.
Darüber hinaus ermöglicht diese Architektur den Nutzern einen schrittweisen Aufbau, bei dem sie zunächst ein Basissystem für einfache Analysen und Anwendungen erstellen und anschließend sukzessive neue Dienste hinzufügen. Im Automobilsektor wäre es beispielsweise möglich, mit einem System zu beginnen, das anhand von Lenkraddaten Warnungen vor Trunkenheit am Steuer ausgibt, und dann Schicht für Schicht neue Dienste hinzuzufügen. So ließe sich dies beispielsweise mit Kartendaten kombinieren, um Seitenwind an Tunnelausfahrten zu erkennen, oder mit Bilddaten, um falsch geparkte Fahrzeuge zu identifizieren. Dies dürfte die Effizienz der Dienstentwicklung verbessern.
plant,
diese Technologie im Geschäftsjahr 2018 als Bestandteil der Mobility-IoT-Plattform von Fujitsu Limited zu kommerzialisieren. Darüber hinaus strebt Fujitsu an, die Technologie über den Mobilitätssektor hinaus auf kommerzielle Bereiche auszuweiten, die Echtzeitdienste auf Basis kontinuierlich und in hoher Frequenz generierter Daten erfordern, beispielsweise die Bereitstellung von Wegbeschreibungen bei Ereignissen oder Katastrophen.
