Zusammenfassung
Das industrielle Internet der Dinge (IIoT) integriert Informations- und Kommunikationstechnologien in industrielle Prozesse und erweitert sie durch Echtzeit-Datenanalyse. Hierbei sind sensorbasierte Zeitreihen ein wesentlicher Typ von Daten, die in der industriellen Fertigung generiert werden. Sensorbasierte Zeitreihendaten werden in regelmäßigen Abständen generiert und enthalten zusätzlich zum Sensorwert einen Zeitstempel. Spezielle Zeitreihen-Datenbanken (eng.: Time Series Databases (TSDB)) sind dafür ausgelegt, Zeitreihendaten effizient zu speichern. Wenn TSDBs maschinennah, d. h. in der industriellen Edge, eingesetzt werden, sind Maschinendaten zur Überwachung zeitkritischer Prozesse aufgrund der niedrigen Latenz schnell verfügbar, was die erforderliche Zeit für die Datenverarbeitung reduziert. Andererseits können TSDBs auch in den Data Lakes als skalierbaren Datenplattformen zur Speicherung und Analyse von Rohdaten zum Einsatz kommen, um die langfristige Vorhaltung von Zeitreihendaten zu ermöglichen. Bisherige Untersuchungen zu TSDBs sind bei der Auswahl für den Einsatz in der industriellen Edge und im Data Lake nicht vorhanden. Die meisten verfügbaren Benchmarks von TSDBs sind performanceorientiert und berücksichtigen nicht die Randbedingungen einer industriellen Edge oder eines Data Lake. Wir adressieren diese Lücke und identifizieren funktionale Kriterien für den Einsatz von TSDBs in diesen beiden Umgebungen und bilden somit einen qualitativen Kriterienkatalog. Des Weiteren zeigen wir am Beispiel von InfluxDB, wie dieser Katalog verwendet werden kann, mit dem Ziel die systematische Auswahl einer passenden TSDB für den Einsatz in der Edge und im Data Lake zu unterstützen.
Vollständig überarbeiteter und erweiterter Beitrag basierend auf Petrik et al. (2019) Anforderungen für Zeitreihendatenbanken in der industriellen Edge, HMD – Praxis der Wirtschaftsinformatik 56, 1282–1308.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Versionshinweise zu InfluxDB: https://www.influxdata.com/blog/category/tech/releases/.
- 2.
Versionshinweise zu InfluxDB: https://www.influxdata.com/blog/category/tech/releases/.
Literatur
Ahmed E, Yaqoob I, Hashem IAT, Khan I, Ahmed AIAA, Imran M, Vasilakos AV (2017) The role of big data analytics in Internet of things. Comput Netw 129:459–471. https://doi.org/10.1016/j.comnet.2017.06.013
Arnst D, Plenk V, Wöltche A (2018) Comparative evaluation of database performance in an Internet of things context. In: 13th International Conference on Systems and Networks Communications, Bengaluru, S 45–50
Bader A, Kopp O, Falkenthal M (2017) Survey and comparison of open source time series databases. In: Mitschang B, Nicklas D, Leymann F, Schöning H, Herschel M, Teubner J, Härder T, Kopp O, Wieland M (Hrsg) Datenbanksysteme für Business, Technologie und Web (BTW 2017) – Workshopband. Gesellschaft für Informatik e.V, Bonn, S 249–268
Beck A (2017) Raspberry Pi in der der Industrie: 10 Fallstricke beseitigt. In: https://www.industr.com/de/raspberry-pi-industrie-2297374. Zugegriffen am 22.04.2019
Burdack M, Rössle M, Kübler R (2018) A concept of an in-memory database for IoT sensor data. In: 14. Annual International Conference on Information Technology & Computer Science, Athens
Chen CH, Lin MY, Liu CC (2018) Edge computing gateway of the industrial internet of things using multiple collaborative microcontrollers. IEEE Netw 32(1):24–32. https://doi.org/10.1109/MNET.2018.1700146
Chiang M (2016) Fog and IoT: an overview of research opportunities. IEEE Internet Things J 3(6):854–864. https://doi.org/10.1109/JIOT.2016.2584538
Corneo L, Gunningber P (2018) Scheduling at the edge of assisting cloud real-time systems. In: Proceedings of the 2018 workshop on theory and practice for integrated cloud, fog and edge computing paradigms, Egham, S 9–14
Crate (2020) CrateDB Edition. https://crate.io/products/cratedb-editions/. Zugegriffen am 20.05.2020
db-engines.com (2019) Trends of the last 24 Months https://db-engines.com/en/ranking_categories. Zugegriffen am 14.04.2019
DMG Mori (2016) Maschine 4.0. https://de.dmgmori.com/resource/blob/44728/3f3488f0b873549c9ce5fc74df181305/ps1de16-industrie4-0-pdf-data.pdf. Zugegriffen am 18.04.2019
Firouzi F, Charkabarty K, Nassif S (2020) Intelligent internet of things. From device to fog and cloud. Cham. https://doi.org/10.1007/978-3-030-30367-9
Gehring M, Charfuelan M, Markl V (2019) A comparison of distributed stream processing systems for time series analysis. In: Meyer H, Ritter N, Thor A, Nicklas D, Heuer A, Klettke M (Hrsg) BTW 2019 – Workshopband. Gesellschaft für Informatik, Bonn, S 205–214. https://doi.org/10.18420/btw2019-ws-21
Giebler C, Gröger C, Hoos E, Eichler R, Schwarz H, Mitschang B (2020) Data Lakes auf den Grund gegangen. Datenbank Spektrum 20:57–69. https://doi.org/10.1007/s13222-020-00332-0
Grafana Labs (2018) Using InfluxDB in Grafana http://docs.grafana.org/features/datasources/influxdb/. Zugegriffen am 10.04.2019
Gröger C (2018) Building an industry 4.0 analytics platform. Datenbank Spektrum 18:5–14. https://doi.org/10.1007/s13222-018-0273-1
Gröger C, Hoos E (2019) Ganzheitliches Metadatenmanagement im Data Lake: Anforderungen, IT-Werkzeuge und Herausforderungen in der Praxis. In: Grust T, Naumann F, Böhm A, Lehner W, Härder T, Rahm E, Heuer A, Klettke M, Meyer H (Hrsg) BTW 2019, S 435–452. https://doi.org/10.18420/btw2019-26
HarperDB (2019) The IoT solution from edge to cloud. https://www.harperdb.io/. Zugegriffen am 25.06.2019
InfluxData (2019) Open source time series platform. https://www.influxdata.com/time-series-platform/. Zugegriffen am 02.05.2019
Jamesdixon (2010) Pentaho, Hadoop, and Data Lakes https://jamesdixon.wordpress.com/2010/10/14/pentaho-hadoop-and-data-lakes/. Zugegriffen am 04.05.2020
Jensen SK, Pedersen TB, Thomsen C (2017) Time series management systems: a survey. IEEE TransKnowledge Data Eng 29(11):2581–2599. https://doi.org/10.1109/TKDE.2017.2740932
Lenz J, Westkaemper E (2017) Wear prediction of woodworking cutting tools based on history data. Procedia CIRP 63:675–679. https://doi.org/10.1016/j.procir.2017.03.098
Martino DIS, Fiadone L, Person A, Vitale VN (2019) Industrial internet of things: persistence for time series with NoSQL databases. In: IEEE 28th international conference on Enabling Technologies: Infrastructure for Collaborative Enterprises, Paris, S 340–345
Martinviita M (2018) Time series database in Industrial IoT and is testing tool. University of Oulu, Degree Programme in Computer Science and Engineering
Mathis C (2017) Data lakes. Datenbank Spektrum 17:289–293. https://doi.org/10.1007/s13222-017-0272-7
Metcalfe AV, Cowpertwait PSP (2009) Introductory time series with R. Springer, New York
Miloslavskaya N, Tolstoy A (2016) Big data, fast data and data lake concepts. Procedia Comput Sci 88:300–305. https://doi.org/10.1016/j.procs.2016.07.439
Mourtzis D, Vlachou E, Milas N (2016) Industrial big data as a result of IoT adoption in manufacturing. Procedia CIRP 55:290–295. https://doi.org/10.1016/j.procir.2016.07.038
Mueller H, Gogouvitis SV, Seitz A, Bruegge B (2017) Seamless computing for industrial systems spanning cloud and edge. In: International conference on high performance computing & simulation (HPCS), Barcelona, S 209–216
Naqvi SNZ, Yfanzidou S, Zimanyi E (2017) Time series databases and InfluxDB. Studienarbeit, Université Libre de Bruxelles
Naumann F, Krestel R (2017) Das Fachgebiet „Informationssysteme“ am Hasso-Plattner-Institut. Datenbank Spektrum 17:69–76
Node-Red (2018) A Node-RED node to interact with a Raspberry Pi Sense HAT. https://flows.nodered.org/node/node-red-node-pi-sense-hat. Zugegriffen am 17.05.2019
Outlyer (2016) Top 10 time series databases. https://outlyer.com/blog/top10-open-source-time-series-databases/. Zugegriffen am 10.04.2019
Oyekanlu E (2017) Predictive edge computing for time series of industrial IoT and large scale critical infrastructure based on open-source software analytic of big data. In: Proceedings of the IEEE international conference on big data, Los Angeles, S 1663–1669
Patel P, Ali MA, Sheth A (2017) On using the intelligent edge for IoT analytics. IEEE Intell Syst 32(5):64–69
Puliafito C, Mingozzi E, Longo F, Puliafito A, Rana O (2019) Fog computing for the internet of things: a survey. ACM Trans Internet Technol 19(2):1–41. https://doi.org/10.1145/3301443
Schmalz (2019) Vakuumtechnik für die Automobilindustrie https://www.schmalz.com/de/anwendungen/branchen/vakuumtechnik-fuer-die-automobilindustrie/. Zugegriffen am 23.09.2019
Väänänen O, Hämäläinen T (2018) Requirements for energy efficient edge computing: a survey. In: Galinina O, Andreev S, Balandin S, Koucheryavy Y (Hrsg) Internet of things, smart spaces, and next generation networks and systems 18th International Conference, NEW2AN 2018, and 11th Conference, ruSMART 2018, St. Petersburg, Russia, August 27–29, Springer, Cham, S 3–15. https://doi.org/10.1007/978-3-030-01168-0_1 (Lecture Notes in Computer Science, 11118)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Petrik, D., Mormul, M., Reimann, P., Gröger, C. (2021). Anforderungen für Zeitreihendatenbanken im industriellen IoT. In: Meinhardt, S., Wortmann, F. (eds) IoT – Best Practices. Edition HMD. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-32439-1_19
Download citation
DOI: https://doi.org/10.1007/978-3-658-32439-1_19
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-32438-4
Online ISBN: 978-3-658-32439-1
eBook Packages: Computer Science and Engineering (German Language)