Serverless edge computing for industrial processes

Abstract

Industrie 4.0 zielt darauf ab, industrielle Prozesse durch die Einführung intelligenter Edge Systeme zu verbessern, die durch Datenerfassung und -verarbeitung von Sensorwerten unterstützt werden. Dies verbessert die Effizienz, Kommunikation und Flexibilität in industriellen Prozessen. Insbesondere die Echtzeitverarbeitung von Sensordaten kommt den Fabriken besonders zugute, da sie den Einsatz datenbasierter Optimierungstechniken ermöglicht, wie z. B. den Einsatz von Modellen des maschinellen Lernens zur Erkennung von Anomalien in der Fertigung. Serverless Computing hat das Potenzial, eine wichtige Rolle als Grundlagentechnologie in der industriellen Automatisierung zu spielen, da es den flexiblen Einsatz von serviceorientierten Software-Architekturen (die möglicherweise auch die Anpassung von Produktlinien erleichtern) mit feiner Granularität ermöglich, sowie eine effiziente Ressourcenskalierung. Vor allem in ressourcenbeschränkten Edge-Szenarien kann Serverless ein entscheidender Faktor sein. Im Falle plötzlicher und unvorhersehbarer Spikes in der der Rechenlast hilft die Möglichkeit, verschiedene Anbieter zu nutzen,die Belastung des Gesamtsystems zu reduzieren und einen reibungslosen Betrieb zu gewährleisten. Zur Maximierung der Leistung von Serverless im Bereich der Industrie zu maximieren, nutzen wir eine hybride Edge-Cloud Herangehensweise und schlagen einen intelligenten Serverless-Workload-Scheduler vor, der auf Deep Reinforcement Learning (DRL) basiert. Dieser wählt auf Grundlage spezifischer Anforderungen die am besten geeignetste Serverless-Instanz. Dieser Scheduler ist ein integraler Bestandteil unserer End-to-End-Systemarchitektur, die wir entwerfen und implementieren, mit dem Ziel,Industrie 4.0-Anwendungsszenarien zu unterstützen. Unsere Architektur konzentriert sich auf effiziente Datenaufnahme und Interoperabilität und unterstützt den weit verbreiteten OPC UA-Standard für die Erfassung von Sensordaten aus Industrieanlagen. Aufbauend auf dem NGSI-LD-Standard, erleichtert dies die Integration von Applikationen, indem der Datenaustausch standardisiert wird. Wir demonstrieren die Machbarkeit und industrielle Relevanz unseres Ansatzes, indem wir ihn auf einem realistischen Anwendungsfall aus dem Bereich der anwenden. Außerdem zeigen wir, dass unser DRL-basierter Scheduler die Gesamtleistung der serverless Funktionsbereitstellung Abhängigkeit von definierten Prioritäten wie Zuverlässigkeit, Reaktionszeit, Abschwächung von Cold-Starts, und/oderVermeidung von Überlastungen der Prozessoren.

Industry 4.0 aims to enhance industrial processes by introducing smart edge systems,leveraged by data collection and processing of sensor readings. This improves efficiency,communication and flexibility in industrial processes. Especially, real-time processing ofsensor data benefits factories as it enables the use of data-based optimization techniques,such as deploying machine learning models for detecting anomalies in manufacturing.Serverless computing has the potential to play an important role as an enabling technology in industrial automation, as it can facilitate the flexible deployment of service-oriented software architectures (potentially also facilitating customization of product lines) witha fine granularity and the ability to scale resources appropriately following computedemand that may vary over time. Especially in resource-limited edge scenarios, serverlesscan act as a crucial enabler. In case of sudden and unpredictable spikes in computationload, having the option to use different providers helps to reduce computing stress on the overall system and ensures frictionless operation. In order to maximize performance of serverless in industrial scenarios, we leverage a hybrid edge-cloud setting and propose an intelligent serverless workload scheduler based on Deep Reinforcement Learning (DRL),which decides on the best-fitting serverless instance based on specific requirements. This scheduler is an integral component of an end-to-end system architecture that we design and implement, with the aim of supporting Industry 4.0 application scenarios. Our architecture focuses on efficient data ingestion and interoperability, supporting the widely adopted OPC UA standard for sensor data collection from industrial equipment and building on the NGSI-LD standard to facilitate application integration and data exchange.We demonstrate the feasibility and industrial relevance of our approach by applying it toa realistic use case from the domain of lightweight metal manufacturing. Furthermore,we show that our DRL-based scheduler improves overall serverless function serving performance significantly depending on the defined priorities, such as function invocation reliability, response time, cold start mitigation and/or avoiding CPU overload.