Daten dort verarbeiten, wo sie entstehen. Nicht alles muss einen Roundtrip zur Cloud machen – und bei vielen IoT-Workloads ist dies auch nicht möglich.

Sie haben Geräte im Feld – Sensoren in Fabrikhallen, Kameras in Lagern, Monitore an Landwirtschaftsmaschinen, Wearables an Patienten – die Daten erzeugen, welche verarbeitet, darauf reagiert und selektiv an die Cloud übertragen werden müssen. Die Latenz zu einer Cloud-Region ist für Echtzeitentscheidungen zu hoch. Bandbreite ist zu teuer oder unzuverlässig, um alles zu streamen. Geräte müssen funktionieren, wenn das Netzwerk ausgefallen ist. Sie benötigen eine Architektur, die Intelligenz über die Edge-, Fog- und Cloud-Schichten verteilt, je nachdem, wo jede Entscheidung getroffen werden muss.
Explore more design patterns and system architectures
Unsere Architekten können Ihnen helfen, Systeme mit diesem Muster für Ihre spezifischen Anforderungen zu entwerfen und zu erstellen.
Kontakt aufnehmenDie Edge-Fog-Cloud-Architektur verteilt die Berechnung über drei Ebenen. Edge-Geräte sammeln Sensordaten und führen leichte Inferenz (Anomalieerkennung, Schwellenwertalarme) aus. Fog-Knoten (On-Premise-Gateways oder lokale Server) aggregieren Daten von mehreren Edge-Geräten, führen komplexere Modelle aus und verwalten Geräteflotten. Cloud-Dienste übernehmen die Langzeitspeicherung, das Modelltraining, flottenweite Analysen und Management-Dashboards. Die Architektur berücksichtigt intermittierende Konnektivität, Geräteheterogenität, Over-the-Air-Updates und Sicherheit auf jeder Ebene.
Daten fließen mit Intelligenz auf jeder Ebene durch die Ebenen aufwärts. Edge-Geräte veröffentlichen Sensorwerte über MQTT oder CoAP an Fog-Knoten. Fog-Knoten führen Stream-Verarbeitung (Apache NiFi, AWS Greengrass oder kundenspezifisch) aus, um Daten zu filtern, zu aggregieren und anzureichern, bevor sie an die Cloud weitergeleitet werden. Cloud-Ingestion (Kinesis, IoT Core oder Event Hubs) leitet Daten an Zeitreihen-Datenbanken, Data Lakes und ML-Trainingspipelines. Befehle und OTA-Updates fließen auf dem gleichen Weg abwärts. Ein Geräte-Shadow/Twin-System verwaltet den letzten bekannten Zustand jedes Geräts für Abfragen und Abgleich.

System Architecture Overview
| Ebene | Technologien |
|---|---|
| Edge-Geräte | ESP32, Raspberry Pi, Jetson Nano/Orin, STM32, custom PCBs |
| Protokolle | MQTT (Mosquitto, EMQX), CoAP, Modbus, BACnet, LoRaWAN, BLE |
| Fog/Gateway | AWS Greengrass, Azure IoT Edge, Apache NiFi, Docker on industrial PCs |
| Cloud IoT | AWS IoT Core, Azure IoT Hub, GCP IoT, custom MQTT brokers |
| Daten | InfluxDB, TimescaleDB, ClickHouse, S3/Parquet for cold storage |
| ML am Edge | TensorFlow Lite, ONNX Runtime, NVIDIA TensorRT (Jetson) |
| Verwenden, wenn | Vermeiden, wenn |
|---|---|
| Geräte große Datenmengen generieren, deren vollständige Übertragung teuer ist | Alle Geräte eine zuverlässige, latenzarme Cloud-Konnektivität haben |
| Echtzeitentscheidungen eine Antwortzeit von < 100ms benötigen (Sicherheits-, Steuerungssysteme) | Die Arbeitslast reine Datensammlung mit Batch-Cloud-Verarbeitung ist |
| Geräte bei Netzwerkausfällen funktionieren müssen | Sie weniger als 50 Geräte haben und diese einzeln verwalten können |
| Datenschutz/Compliance die lokale Verarbeitung von Daten vor der Cloud-Übertragung erfordert | Das "Edge" tatsächlich ein Webbrowser ist – das ist eine andere Architektur |
MW entwirft IoT-Architekturen mit einer "Datengravitations"-Perspektive – wir kartieren, wo jeder Datentyp verarbeitet werden muss (Edge, Fog oder Cloud), basierend auf Latenzanforderungen, Bandbreitenkosten und Entscheidungsgranularität. Wir pushen nicht alles in die Cloud, um es später zu filtern. Unsere Edge-Implementierungen umfassen die automatisierte Gerätebereitstellung mit zertifikatbasierter Authentifizierung, OTA-Update-Pipelines mit gestuften Rollouts und automatischem Rollback sowie lokale Dashboards auf Fog-Knoten für Vor-Ort-Betreiber, die keine Cloud-Roundtrips abwarten können.
Sicherheit ist kein Feature, das man nach dem Launch hinzufügt. Es ist eine architektonische Eigenschaft – entweder wurde das System dafür konzipiert, oder eben nicht.
MicrocosmWorks verwendet einen Entscheidungsrahmen, der auf Latenzempfindlichkeit, Bandbreitenkosten und Datenschutzanforderungen basiert, um Workloads zwischen Edge und Cloud aufzuteilen. Zeitkritische Aufgaben wie Anomalieerkennung auf Sensordaten, lokale Regelkreise und Sicherheitsabschaltungen laufen am Edge, während Modelltraining, historische Analysen und standortübergreifende Aggregation in der Cloud bleiben. Wir unterstützen Kunden dabei, jeden IoT-Anwendungsfall der richtigen Compute-Ebene während unserer Architekturfindungsphase zuzuordnen.
MicrocosmWorks entwickelt Edge-Knoten mit lokaler Persistenz unter Verwendung von schlanken Datenbanken wie SQLite oder TimescaleDB, kombiniert mit Store-and-Forward-Warteschlangen, die Daten während Konnektivitätslücken puffern und automatisch synchronisieren, wenn die Verbindung wiederhergestellt ist. Unsere Edge-Firmware beinhaltet eine Konfliktlösungslogik für Szenarien, in denen offline getroffene lokale Entscheidungen vom Cloud-seitigen Zustand abweichen. Dies gewährleistet keinen Datenverlust und kontinuierlichen Betrieb selbst in Umgebungen mit intermittierender Konnektivität wie abgelegenen Industriestandorten oder mobilen Flotten.
MicrocosmWorks implementiert OTA (Over-the-Air) Update-Pipelines mit kryptografischer Signierung, gestuften Rollouts und automatischen Rollback-Fähigkeiten, um sicherzustellen, dass jedes Edge-Gerät verifizierte Firmware ohne Ausfallzeitrisiko erhält. Wir verwenden gegenseitige TLS-Authentifizierung zwischen Edge-Geräten und dem Update-Server, mit hardwaregestütztem Secure Boot, um zu verhindern, dass manipulierte Firmware ausgeführt wird. Unsere gestaffelte Bereitstellungsstrategie aktualisiert Geräte in kleinen Batches mit Gesundheitsprüfungen zwischen den Phasen, damit ein fehlerhaftes Update niemals Ihre gesamte Flotte erreicht.
MicrocosmWorks wählt Edge-Hardware basierend auf dem Workload-Profil aus—NVIDIA Jetson für Computer Vision und ML-Inferenz, AWS IoT Greengrass-kompatible Gateways für allgemeines Edge-Computing und robuste Industrie-PCs von Anbietern wie Advantech für raue Fertigungsumgebungen. Wir pflegen Referenzarchitekturen für jede Plattform, die vorkonfigurierte Netzwerk-, Sicherheits- und Telemetrie-Stacks umfassen, was die Bereitstellung um 40-60% beschleunigt. Unser Team bewertet den Stromverbrauch, den Betriebstemperaturbereich und die Konnektivitätsoptionen, um Ihren spezifischen Standortbedingungen gerecht zu werden.
MicrocosmWorks hat bereits mehrere SCADA-Modernisierungsprojekte abgeschlossen, bei denen wir Edge-Computing-Gateways einsetzen, die veraltete Protokolle wie Modbus und OPC-UA in moderne MQTT- oder gRPC-Streams übersetzen, ohne bestehende Steuerungssysteme zu stören. Während der Migration betreiben wir eine parallele Architektur, damit das veraltete SCADA-System weiter in Betrieb bleibt, während die neue Edge-Cloud-Pipeline anhand von Produktionsdaten validiert wird. Unsere Beratungstarife für die industrielle IoT-Modernisierung beginnen bei 20 bis 50 US-Dollar pro Stunde, je nach Protokollkomplexität und den damit verbundenen regulatorischen Anforderungen.