Komplexe IIoT-Implementierungen testen

Das industrielle Internet der Dinge (IIoT) wird laut einer aktuellen Studie von Grandview Research bis 2025 auf die stattliche Summe von knapp 950 Milliarden Dollar anwachsen. Und spätestens jetzt ist klar, dass sich die Einsatzbereiche aus anfänglichen Pilotprojekten längst zu umfassenden Set-ups für komplexe Produktionsumgebungen entwickelt haben.

Dieser enorme Zuwachs in diesem Marktsegment erhöht den Druck auf die IoT-Systeme, die reibungslos und fehlerfrei funktionieren müssen – insbesondere, da immer mehr von ihnen für kritische Business-Anwendungen eingesetzt werden. Als integraler Bestandteil des laufenden Fabrikbetriebs verbessern sie beispielsweise das Kundenerlebnis neuer, vernetzter Produkte und entwickeln sich für viele Unternehmen damit schnell zu einer wichtigen Einnahmequelle. IoT-Systeme auf ihre Ausfallsicherheit und Zuverlässigkeit zu testen, ist daher zentral wichtig. Um dies für die umfangreichen und immer komplexer werdenden IoT-Systeme sicherzustellen, ist eine neue Generation leistungsstarker Test-Technologien gefragt.

Für den ROI von IoT-Systemen ist richtiges Testen von zentraler Bedeutung, denn es reduziert die Fehleranfälligkeit von Produktionsumgebungen erheblich und verhindert Fehlfunktionen, bevor sie entstehen. Andernfalls lassen sich solche Fehler nämlich meist nur sehr schwierig und teuer diagnostizieren und beheben. Darüber hinaus sind IoT-Geräte, die bereits im Fertigungsumfeld im Einsatz sind, oft nur schwer zugänglich und aktualisierbar. Ein präventives Testing im Vorfeld erspart hier oftmals eine sehr komplexe nachträgliche Fehlerbehebung. Indem sie ihre IoT-Systeme testen, können Unternehmen darüber hinaus eine Kapazitätsplanung bzgl. der Rechenzentrums-Infrastruktur erstellen oder anfallende Cloud-Infrastrukturkosten prognostizieren. Denn nur, wenn Transparenz darüber herrscht, wie ein System unter maximaler Last arbeiten wird, lassen sich die Kosten für das AWS- oder Azure-Hosting berechnen und die CPU-, Speicher- und Storage-Anforderungen in einem Rechenzentrum verstehen.

Heute erhältliche Testing-Lösungen sind nicht für IoT-Anwendungsfälle konzipiert, so dass hierfür meist nur unzureichende Tools zur Verfügung stehen. Das bedeutet, es sind Workarounds und provisorische Anpassungen von Lösungen nötig, die ursprünglich für das Testen von Webdiensten entwickelt wurden. Doch das Testen von IoT-Systemen ist viel komplexer als das von Web- oder Server-Applikationen. Die Folge: Bestehende Test-Tools sind für IoT-Systeme nur unzureichend geeignet. IoT-Systeme sind stark verteilte Applikationen, die aus Millionen von angeschlossenen Geräten bestehen können. Diese verbinden sich mit komplizierten Unternehmensdiensten, die jeweils unabhängig voneinander das jeweilige Anwendungsverhalten auslösen.

Herausforderungen für Testszenarien im IIoT

Kunden von IoT-Systemen wie etwa HiveMQ setzen darauf beispielsweise Plattformen für vernetzte Autos auf, die Millionen von Fahrzeugen umfassen. Jedes der verbundenen Autos führt nicht nur zeitgleich verschiedene Verhaltensweisen aus, sondern veröffentlicht und abonniert darüber hinaus gleichzeitig Daten von einer Vielzahl von cloudbasierten Connected-Car-Services. Um die Ausfallsicherheit solch komplexer Connected-Car-Systemen richtig testen zu können, gilt es, Millionen von Verbindungen zu simulieren, die eine Vielzahl unterschiedlicher Verhaltensweisen ausführen.

Eine Testumgebung für ein IoT-System aufzusetzen, das eine Produktionsumgebung nachbildet, ist ebenfalls eine große Herausforderung. So unterscheidet sich das Test-Setup für eine Produktionsumgebung mit 1.000 gleichzeitigen Verbindungen stark von dem für eine mit 100.000 Verbindungen. D.h. hier genügt es nicht, 1.000 Verbindungen zu testen und auf 100.000 Verbindungen hochzurechnen – das würde zu inkonsistenten Daten und einem unzureichenden Ergebnis führen. Eine ähnliche Schwierigkeit entsteht, wenn die IoT-Geräte eines Systems weltweit verteilt im Einsatz sind: Wie lassen sich diese weltweiten operativen Prozesse für Tests simulieren? Nicht zuletzt weisen die von IoT-Geräten generierten Produktionsdaten oft ein hohes Maß an Variabilität auf. Diese Diversität in der Testumgebung nachzubilden, ist daher zentral wichtig.

Was IoT-Testwerkzeuge können müssen

Um diesen hohen Anforderungen an Last- und Stresstests für komplexe IoT-Systeme gerecht zu werden, benötigt das produzierende Gewerbe neue, leistungsstarke IoT-Testwerkzeuge, die folgende Voraussetzungen erfüllen:

• Millionen einzelne Netzwerkverbindungen von überall auf der Welt aus zu erstellen und somit verteilt eingesetzte IoT-Geräte zu simulieren. Das Tool muss beispielsweise in der Lage sein, Client-zu-Client-Verbindungen sowohl in einer Alibaba-Cloud in China als auch einem AWS-Rechenzentrum in den USA und ein Azure-Rechenzentrum in Deutschland herzustellen. Diese Client-Verbindungen müssen darüber hinaus in der Lage sein, während der Testsimulation unterschiedliche Verhaltensweisen auszuführen.
   
• Einen sehr hohen Durchsatz an Nachrichten sowohl mit einer kleinen als auch großen Anzahl an Clients zu erzeugen. In vielen Anwendungsfällen in der Fertigung werden pro Sekunde Zehntausende von Nachrichten durch das System geschickt – in zukünftigen Szenarien für autonomes Fahren sogar Hunderttausende. Ein geeignetes IoT-Testwerkzeug muss in der Lage sein, diese hohen Mengen an Daten-Traffic inklusive einem hohen Maß an Variabilität zu generieren. Denn nur so lässt sich ein echtes Produktionsumfeld realistisch widerspiegeln.
   
• Jede einzelne Verhaltensweise des Geräts muss sich mittels einer Simulationsumgebung modellieren und ausführen lassen, damit alle Funktionalitäten des Systems getestet werden können.
   
• Benutzerdefinierte Datengeneratoren müssen verfügbar sein, um variable Produktionsdaten zu erzeugen.

Innovative Cloud-native Technologien wie HiveMQ Swarm bieten genau die leistungsstarken Testing-Funktionalitäten. Zusätzlich schaffen die Hyperscale-Cloud-Plattformen von Microsoft, AWS und Google die Voraussetzung für verteilte Testumgebungen, und Technologien wie Docker oder Kubernetes sorgen dafür, dass sich verteilte Test-Clients weltweit auf Cloud-Plattformen einrichten lassen. Moderne serielle Datenbanken und Dashboard-Technologien wiederum sind in der Lage, die enormen Mengen an Testdaten zu sammeln, die zur Visualisierung der Ergebnisse benötigt werden. Es gilt, diese neuen Technologien für eine neue Generation von IoT-Testwerkzeugen zu nutzen, die den Anforderungen komplexer IIoT-Systemen gerecht werden. Mit ihnen lassen sich nicht nur die Skalierbarkeit und Performance von IoT-Implementierungen ganz einfach testen, sondern auch die Qualität und Zuverlässigkeit der IoT-Systeme deutlich erhöhen.