Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Ansteuern eines technischen Geräts mit einem optimalen Mo dell.

Softwarearchitektur in industriellen Systemen durchläuft der zeit einen großen Wandel. Im Rahmen der Überwachung industri eller Prozesse wurden Softwareplattformen typischerweise lo kal beim Kunden installiert. Die Kunden mussten im Allgemei nen den gesamten Hard- und Software-Stack aufrechterhalten. Dies ist derzeit noch der übliche Ansatz bei der Gestaltung solcher Überwachungssysteme. Die Entwicklungen bei Industrial IoT (Internet of Things) und Edge Computing werden dieses Mo dell jedoch stören. Kunden werden Cloud- und Edge-Computing- Funktionen nutzen, um ihre industriellen Prozesse zu überwa chen, zu steuern und zu optimieren.

Dieser neue Rechenstack (einschließlich Datenformaten, Proto kollen und Anwendungen) , der vom Rand bis zur Cloud reicht und Integrationspunkte zu Altsystemen und „Brownfield"- Umgebungen umfasst, stellt erhebliche architektonische Her ausforderungen. Architekten müssen über ein breites Wissen sowohl über die wachsende Funktionalität von Cloud- und Edge- Plattformen als auch über die bei den Kunden vorhandenen Technologien verfügen.

Architekten waren schon immer mit Designentscheidungen in komplexen Industriesystemen konfrontiert. Was sich jetzt ab zeichnet, ist ein höherer Integrationsgrad von Betriebstech- nologien - der klassischen Automatisierungsdomäne - und der Unternehmens-IT-Schicht . Die durchgängige Integration von Lö sungen, die diese Schichten umfassen und die nicht funktiona len Anforderungen des Gesamtsystems erfüllen, macht das Sys temdesign zu einer anspruchsvollen Aufgabe.

Daher besteht der Wunsch, vorhandene Erfahrung von Systemar chitekten, die sich bereits mit ähnlichen Problemen befasst haben, besser zu nutzen. Dies kann zum Einen bedeuten, den Überblick über die relevan ten Dienste zu behalten, die von verschiedenen Cloud- und Edge-Plattformen bereitgestellt werden, und die Suche nach einem geeigneten Dienst für die jeweilige Aufgabe zu erleich tern .

Ferner kann das bedeuten, dass bestehendes Wissen bei der In tegration von technischen Geräten, wie IoT-Geräten oder IoT- Anlagen genutzt wird, um die Komplexität der Integration zu reduzieren, die Entwicklungszeit zu verkürzen und Kosten zu sparen .

Fog Computing und Edge Computing sind beides Technologiean sätze des Cloud-Computings , lassen sich aber deutlich vonei nander abgrenzen. Cloud Computing und Fog Computing unter scheiden sich durch den Ort, an dem Services angeboten und Daten verarbeitet werden. Cloud Computing stellt Ressourcen und Services wie Speicherplatz oder Rechenleistung in zentra len Rechenzentren innerhalb der Cloud zur Verfügung.

Fog Computing hingegen verarbeitet die Daten in der Nähe ih rer Entstehung am Rande des Netzwerks in dezentralen "Minire chenzentren" . Fog Computing sorgt durch die Zwischenverarbei tung nahe der Datenquelle für geringere Latenzzeiten und die Reduzierung des im Netz zu übertragenen Datenvolumens.

Edge Computing treibt die Dezentralisierung der Datenverar beitung weiter voran. Die Verarbeitung bestimmter Daten er folgt direkt in den Endgeräten und damit außerhalb der ei gentlichen Cloud. Die Endgeräte besitzen eigene Intelligenz und sind in der Lage, grundlegende Verarbeitungsprozesse selbst durchzuführen. Gleichzeitig kommunizieren sie direkt mit anderen Geräten.

Fog Computing fügt der grundlegenden Architektur des Cloud- Computings eine weitere Ebene, die Fog-Ebene, hinzu. Die Ar chitektur besteht damit aus den folgenden drei Ebenen, näm lich die Edge-Ebene, die Fog-Ebene und die Cloud-Ebene.

Die Edge-Ebene besteht aus den Endgeräten, die die zu verar beitenden Daten erheben und bereitstellen . Sie kommunizieren mit der nächst höheren Ebene, der Fog-Ebene. Im Fall des Edge Computings sind die Endgeräte in der Lage, bestimmte Daten selbst zu verarbeiten. Die Fog-Ebene besitzt eigene Rechen leistung und Intelligenz. Die an einen Fog-Node der Fog-Ebene übermittelten Daten werden dort vorverarbeitet. Bei Bedarf können die Rohdaten der Endgeräte oder die vorverarbeiteten Daten der Fog-Ebene zur weiteren Prozessierung an die Cloud- Ebene übergeben werden.

In der Veröffentlichung WO 2015/081063 Al ist ein IoT- Netzwerk gezeigt, in welchem Cloud-basierte Dienste spezi fisch für angeschlossene IoT-Geräte gesucht und angeboten werden. Jedoch werden dabei keine Erfahrungswerte aus vorher bekannten und erprobten Anwendungen berücksichtigt und der Integrationsaufwand ist entsprechend hoch.

In der Veröffentlichung US 2018/316555 Al ist ein Überwa chungsgerät gezeigt, welches jeweilige Netzwerkknoten-Profile verwaltet, anhand deren Anwendungsprogramme auf einem Fog- Gerät installiert werden, wobei das Fog-Gerät zwischen dem Überwachungsgerät und den Netzwerkknoten angeordnet ist und Knoten-Daten verarbeitet. Die Anwendung von Fog-Technologie bringt jedoch Nachteile hinsichtlich Zuverlässigkeit und Ef fizienz mit sich, welche im Zusammenhang mit der Erfindung nicht in Kauf genommen werden können.

Daher ist es Aufgabe der Erfindung, durch Berücksichtigung von Erfahrungswerten, die Ansteuerung von technischen Geräten an der Edge zu erleichtern beziehungsweise die Integration von technischen Geräten in komplexe Systeme zu beschleunigen.

Die erfindungsgemäße Aufgabe wird durch ein Verfahren zum An steuern eines technischen Geräts mit einem optimalen Modell gelöst, wobei folgende Schritte durch ein Konfigurationssys tem ausgeführt werden:

a) Konfigurieren zumindest eines Geräte-Merkmals des tech nischen Geräts in Form eines Geräte-Modells durch einen ersten Edge-Dienst,

b) Erzeugen zumindest eines abstrahierten Merkmals in Form eines abstrakten Modells durch einen zweiten Edge- Dienst, c) Erzeugen und Konfigurieren einer ersten Bezie hung zwischen dem ersten Edge-Dienst und dem zweiten Edge-Dienst, wobei die erste Beziehung mittels einer au tomatischen Klassifizierung des zumindest einen Geräte- Merkmals unter Verwendung des zumindest einen abstra hierten Merkmals ermittelt wird,

d) Bereitstellen zumindest eines jeweiligen Anwendungs- Merkmals in Form eines Anwendungs-Modells von zumindest einem IoT-Dienstanbieter durch den zweiten Edge- Dienst unter Verwendung eines Auswahl-Parameters auf Ba sis des abstrakten Modells,

e) Vergleichen des abstrahierten Modells mit dem Anwen

dungs-Modell und Auswahlen des Modells mit der größten Übereinstimmung als das optimale Modell,

sowie das technische Gerät mit dem optimalen Modell durch ei ne Steuervorrichtung angesteuert wird, welche das optimale Modell von dem Konfigurationssystem empfangen hat.

Es ist klar, dass das Konfigurationssystem das ermittelte op timale Modell zuerst an die Steuervorrichtung sendet, bevor es dort empfangen wird.

Die Steuervorrichtung und die Konfigurationssystem sind in der Edge-Ebene gelegen, um das technische Gerät mittels eines dezentralen Ansatzes effizient und zuverlässig anzusteuern, insbesondere bei hohen Echtzeitanforderungen .

Für die Erfindung ist es wesentlich, an welcher Stelle, näm lich an der Edge, Dienste ausgeführt werden. Würde das Ver fahren in der Cloud oder Fog ausgeführt werde, könnte der er finderische Effekt hinsichtlich Zuverlässigkeit und Effizienz nicht erreicht werden.

Mit anderen Worten weist das technische Gerät eine Steuervor richtung auf, welche an der Edge gelegen ist. Gegenüber einer Fog-Steuervorrichtung hat dies den Vorteil, dass die Ansteue rung des technischen Geräts lokal erfolgt und nicht über eine Kommunikationsverbindung über große Distanzen, wie über das Internet zu einer Cloud oder Fog, welche störungsanfälliger und unzuverlässig sein kann. Durch die Erfindung wird er reicht, dass die Modellierung einer Anwendung, einer generi schen Digitalisierungsplattform sowie ihrer konkreten Instan- ziierung auf derselben Abstraktionsebene durch die Verwendung automatischer Klassifizierung von Merkmalen von Merkmal- Modellen erleichtert wird und gespeicherte Modelle berück sichtigt werden, welche Erfahrungsmuster beinhalten können.

Erfahrungsmuster werden dadurch erhalten, dass Modelle be reits angewendet wurden oder werden. Dementsprechend wird im Schritt a) ein Geräte-Merkmal in einem Gerät konfiguriert, was die Anwendung des Geräts impliziert und nicht nur eine einfache oder gedankliche Modell-Bildung . Ein Vorteil bei der Definition der Merkmal-Modelle für abstrakte und konkrete Plattformen besteht darin, dass implizites Architekturwissen explizit gemacht wird, welches dadurch einfacher übertragen und bei neuen Lösungen angewandt werden kann.

Durch das erfindungsgemäße, auf Funktionen basierende Verfah ren wird auch erreicht, dass ein Modell geschaffen wird, wel ches die Funktionalität einer Digitalisierungsplattform, ein schließlich ihrer Qualitätsattribute, aufweist und ein Gerät entsprechend vorteilhaft angesteuert wird.

In einer Weiterbildung der Erfindung ist es vorgesehen, dass die Konfiguration des zumindest einen Geräte-Merkmals durch Bestimmung zumindest eines Geräte-Parameters zur Ansteuerung des technischen Geräts festgelegt ist. Dadurch wird erreicht, dass sowohl Geräte-Parameter, als auch Parameter beim Betrieb des Geräts berücksichtigt werden können.

In einer Weiterbildung der Erfindung ist es vorgesehen, dass der zweite Edge-Dienst die Abstrahierung des Geräte-Modells mittels eines Verfahrens zur automatischen Klassifizierung von Merkmalen, welches insbesondere auf dem Prinzip der künstlichen Intelligenz oder des maschinellen Lernens beruht, durchführt. Dadurch wird erreicht, dass das Verfahren noch effizienter wird.

In einer Weiterbildung der Erfindung ist es vorgesehen, dass der Anwendungs- oder Auswahl-Parameter eine Kenngröße hin- sichtlich der Gesamtmerkmalserfüllung FF umfasst, welche durch den Zusammenhang:

FF = fmapped

f total

beschrieben werden kann, wobei fmapped die Anzahl der Anwen dungsfunktionen, für die eine Übereinstimmung gefunden wurde und ftotai die Gesamtzahl der Anwendungsfunktionen ist.

Dadurch wird erreicht, dass auf eine einfache Weise die Qua lität eines einzelnen Abgleichs bestimmt werden kann.

In einer Weiterbildung der Erfindung ist es vorgesehen, dass der Anwendungs- oder Auswahl-Parameter eine Kenngröße hin sichtlich der Einheitlichkeit U umfasst, welche durch den Zusammenhang :

beschrieben werden kann, wobei f _use cL die Anzahl konkreter Cloud-Merkmale ist, denen das zumindest eine Anwendungs- Merkmal zugeordnet ist, und fmapped die Anzahl der Anwendungs funktionen ist, für die eine Übereinstimmung gefunden wurde.

Dadurch wird erreicht, dass auf eine einfache Weise die Qua lität eines einzelnen Abgleichs bestimmt werden kann.

In einer Weiterbildung der Erfindung ist es vorgesehen, dass der Anwendungs- oder Auswahl-Parameter eine Kenngröße hin sichtlich der Qualitäts-Adhärenz QAD umfasst, welche durch den Zusammenhang:

QAD = 0.5

beschrieben werden kann, wobei

F die Menge aller abgebildeten Merkmale, das heißt konkreter, tatsächlich umfasster Cloud-Merkmale des optimalen Modells,

Qf die Menge von Qualitätsmerkmalen bzw. Qualitäts attributen, die für ein Merkmal / definiert ist, r _q der erforderliche, normalisierte Wert des Merk mals / für ein Qualitätsattribut q ,

V _q,m.f der normalisierte Wert des Qualitätsattributs q ,

welches rrif bereitstellt, ist,

m- ein konkretes Cloud-Merkmal ist, welches mit dem

Merkmal / übereinstimmt.

Die Menge F umfasst somit die Merkmale, die tatsächlich vom Geräte-Modell in das abstrakte Modell abgebildet sind.

Dadurch wird erreicht, dass die Qualität eines einzelnen Ab- gleichs noch besser bestimmt werden kann.

Die verschiedenen Ausführungen für die Kenngröße des Anwen- dungs- bzw. Auswahl-Parameters können untereinander auch kom biniert werden. Außerdem können mehrere Kenngrößen vom Anwen- dungs- bzw. Auswahl-Parameter umfasst sein, welche gleich o- der unterschiedlich definiert sind.

Ferner wird durch die vorstehend genannten Verfahren zur Be stimmung der Abgleichs-Qualität eine Löser- und Optimierungs technik automatisch die am besten passende Digitalisierungs plattform ermittelt.

Das Verfahren zur Parametrierung einer Softwarearchitektur wird allgemein bei der Gestaltung komplexer Systeme durch die Bereitstellung eines abstrakten Merkmal-Modells realisiert, mit welchem ein Anwendungs-Merkmal-Modell verknüpft werden kann. Dadurch werden unterschiedliche Lösungen ermittelt, welche basierend auf der Erfüllung der erforderlichen Funkti onen sowie der nicht funktionalen Anforderungen ausgewählt werden .

Die erfindungsgemäße Aufgabe wird auch durch eine Vorrichtung zum Ansteuern eines technischen Geräts mit einem optimalen Modell gelöst, umfassend ein Konfigurationssystem, welches dazu eingerichtet ist, die Schritte des erfindungsgemäßen Verfahrens auszuführen, und die Vorrichtung dazu eingerichtet ist, das technische Gerät mit einem optimalen Modell durch eine Steuervorrichtung anzusteuern, welche das optimale Mo dell von dem Konfigurationssystem empfangen hat. Die Erfindung wird nachfolgend anhand eines in den beige schlossenen Zeichnungen dargestellten Ausführungsbeispiels näher erläutert. Die Figuren zeigen in:

Fig. 1 eine schematische Darstellung eines Ausführungs beispiels des erfindungsgemäßen Verfahrens,

Fig. 2 ein Ausführungsbeispiel der Erfindung für ver

schiedene Typen von Merkmal-Modellen und ihre Be ziehungen .

Fig . 1 zeigt schematisch ein Ausführungsbeispiel für eine Vorrichtung 100, umfassend ein Konfigurationssystem, welches dazu eingerichtet ist, folgende Verfahrensschritte auszufüh ren :

a) Konfigurieren 100 eines Geräte-Merkmals des technischen Geräts ,

b) Erzeugen 110 eines abstrahierten Merkmals,

c) Erzeugen 120 und Konfigurieren einer ersten Beziehung zwischen dem ersten Edge-Dienst und dem zweiten Edge- Dienst, welche mittels einer automatischen Klassifizie rung von Merkmalen ermittelt wird,

d) Bereitstellen 130 eines jeweiligen Anwendungs- Merkmals in Form eines Anwendungs-Modells von zumindest einem IoT-Dienstanbieter unter Verwendung eines Auswahl- Parameters auf Basis des abstrakten Modells,

e) Vergleichen 140 des abstrahierten Modells mit dem Anwen dungs-Modell und Auswählen des Modells mit der größten Übereinstimmung als das optimale Modell.

Die Vorrichtung 100 ist ferner dazu eingerichtet, beispiels weise mit einer umfassten Steuervorrichtung, das technische Gerät 101 mit einem optimalen, mittels des Konfigurationssys tems ermittelten Modells anzusteuern.

Das optimale Modell wurde von dem Konfigurationssystem gesen det und von der Steuervorrichtung empfangen.

Die Vorrichtung 100 ist in der Edge-Ebene gelegen. Fig . 2 zeigt ein Ausführungsbeispiel der Erfindung für ver schiedene Typen von Merkmal-Modellen und ihre Beziehungen.

Im Verfahrens-Schritt a) erfolgt das Konfigurieren 100 eines Geräte-Merkmals 20 des technischen Geräts in Form eines Gerä- te-Modells durch einen ersten Edge-Dienst 1.

Der erste Edge-Dienst 1 ist dazu eingerichtet, ein tatsächli ches Merkmal 20 des technischen Geräts 150 in Form eines Mo dells abzubilden.

Im Verfahrens-Schritt b) erfolgt das Erzeugen 110 eines abs trahierten Merkmals 21 in Form eines abstrakten Modells durch einen zweiten Edge-Dienst 2.

Der zweite Edge-Dienst 2 ist mit dem ersten Edge-Dienst 1 verbunden und ist dazu eingerichtet, ein abstrahiertes Merk mal 21 zu verarbeiten.

Im Verfahrens-Schritt c) erfolgt das Erzeugen 120 und Konfi gurieren einer ersten Beziehung 10 zwischen dem ersten Edge- Dienst 1 und dem zweiten Edge-Dienst 2, welche mittels einer automatischen Klassifizierung von Merkmalen unter Verwendung des zumindest einen abstrahierten Merkmals 21 ermittelt wird.

Dabei ist die Verbindung zwischen dem ersten Edge-Dienst 1 und dem zweiten Edge-Dienst 2 eine „CanBeRealized"- Beziehung als die erste Beziehung 10.

Das abstrahierte Merkmal 21 kann mit Merkmalen von IoT- Dienstanbietern, wie beispielsweise Amazon Web Ser

vices (AWS) 3, Microsoft Azure IoT 4 oder Siemens Industrial Edge 5, vom zweiten Edge-Dienst 2 verglichen werden.

Ein IoT-Dienstanbieter 3-5 ist Software, mit der sich Cloud- Fähigkeiten auf lokale Geräte übertragen lassen. So können Geräte Daten näher an der Informationsquelle sammeln und ana lysieren, autonom auf lokale Ereignisse reagieren und sicher miteinander in lokalen Netzwerken kommunizieren.

Die IoT-Dienstanbieter 3-5 sind jeweils dazu eingerichtet, ein Anwendungs-Merkmal 22 zu verarbeiten. Im Verfahrens-Schritt d) erfolgt das Bereitstellen 130 eines jeweiligen Anwendungs-Merkmals 22 in Form eines Anwendungs- Modells von zumindest einem IoT-Dienstanbieter 3-5 durch den zweiten Edge-Dienst 2 unter Verwendung eines Auswahl- Parameters 14 auf Basis des abstrakten Modells.

Dabei ist die Verbindung zwischen dem zweiten Edge-Dienst 2 und den IoT-Dienstanbietern 3-5 jeweils eine „Realized"- Beziehung 11-13, welche gemeinsam auch durch das Bereitstel len 130 bezeichnet werden können.

Zusätzlich weist jedoch der IoT-Dienstanbieter Siemens In dustrial Edge 5 zusätzlich eine „Selected Implementation"- Beziehung auf, in welcher der Anwendungs- bzw. Auswahl- Parameter 14 übermittelt wird.

Im Verfahrens-Schritt e) erfolgt das Vergleichen 140 des abs trahierten Modells mit dem Anwendungs-Modell und Auswählen des Modells mit der größten Übereinstimmung als das optimale Modell .

Im Verfahrens-Schritt f) erfolgt das Ansteuern 150 des tech nischen Geräts 101 mit dem optimalen Modell.

Die Konfiguration des Geräte-Merkmals 20 kann durch Bestim mung zumindest eines Geräte-Parameters zur Ansteuerung des technischen Geräts 101 festgelegt werden.

Der zweite Edge-Dienst 2 kann die Abstrahierung des Geräte- Modells mittels eines Verfahrens zur automatischen Klassifi zierung von Merkmalen, welches auf dem Prinzip der künstli chen Intelligenz oder des maschinellen Lernens beruht, durch führen .

Verschiedene Arten von Merkmals-Modellen können miteinander in Beziehung gesetzt werden. Merkmalsmodelle werden normaler weise verwendet, um die Variabilität von Software- und Soft wareproduktfamilien zu beschreiben. Wenn jedoch in Betracht gezogen wird, dass die Verwendung bestimmter Funktionen Aus wirkungen auf andere Funktionen haben kann, wird deutlich, dass die Auswahl von Cloud-Angeboten zur Realisierung einer Anwendung der Konfiguration eines Softwareprodukts ähnelt. Die Beziehungen zwischen einzelnen Merkmalen, die bestimmte Einschränkungen einführen, können zwei Formen annehmen:

• Cloud-Merkmale können selbst definiert werden: bei

spielsweise, wenn ein Merkmal A verwendet wird, sollte ein Merkmal B aufgrund von Einschränkungen der Cloud- Plattformen verwendet werden.

• Das abstrakte Merkmal-Modell kann bestimmte Beziehungen zwischen Merkmalen definieren, die eine neue Einschrän kung bewirken.

Ein Beispiel für eine solche Einschränkung ist ein Merkmal, welches mithilfe eines Merkmals „HTTP-Server" Daten erzeugt, und in weiterer Folge ein weiteres Merkmal „HTTP-Client" be nötigt, welches die Daten verbraucht.

Ein weiteres Beispiel für eine solche Einschränkung ist eine Cloud-Plattform, welche möglicherweise mehrere Algorithmen für maschinelles Lernen anbietet, jedoch das abstrakte Merk mal-Modell einen bestimmten zu verwendenden Algorithmus be schreibt .

Neben der Modellierung der Struktur von Cloud-Merkmalen und der Definition eines gemeinsamen Vokabulars kann mit dem abs trakten Merkmal-Modell auch definiert werden, welche Quali tätsmerkmale von einzelnen Merkmalen beeinflusst werden.

Darüber hinaus kann definiert werden, welche Merkmale von ei nem bestimmten Merkmal benötigt werden oder welche Cloud- Angebote in Kombination verwendet werden sollen, wodurch im plizites Wissen codiert und explizit gemacht wird.

Konkrete Merkmalsmodelle können unabhängig von den abstrakten erstellt werden. Dies ist aufgrund einer möglichen Nichtüber einstimmung der Struktur und des Funktionsumfangs der Cloud- Plattformen im Gegensatz zum abstrakten Merkmal-Modell erfor derlich .

Es besteht jedoch die Notwendigkeit, beide Modelle miteinan der zu verbinden, was durch die Einführung von „Realizes"- Beziehungen zwischen den abstrakten und den konkreten Merkma len erreicht wird. Das konkrete Merkmalsmodell legt nicht nur fest, welche kon kreten Merkmale welche abstrakten Merkmale erkennen, sondern auch, inwieweit welche Qualitätsmerkmale durch das konkrete Merkmal beeinflusst werden.

Nachdem die System-Merkmale mit dem Anwendungsfunktionsmodell modelliert wurden, erfolgt eine Bestimmung, welche abstrakten Funktionen eine individuelle Anwendungsfunktion realisieren können. Dies kann durch die Einführung von „CanBeRealizedBy"- Beziehungen zwischen den verschiedenen Funktionen in den ver schiedenen Modellen erfolgen.

Ein niedriger Wichtigkeitswert gibt an, dass es nicht wichtig ist, ob das Qualitätsattribut durch das Merkmal negativ be einflusst wird, während ein hoher Wert bedeutet, dass das Qualitätsattribut positiv beeinflusst werden sollte. Die Qua- litätsattribute werden aus den abstrakten Merkmalen abgelei tet, mit denen die einzelnen Merkmale der Anwendung über eine „CanBeRealizedBy"-Beziehung verbunden sind. Es kann festge legt werden, welche Cloud-Plattformen beim Matching-Prozess berücksichtigt werden sollen und ob Lösungen mit mehreren Plattformen in Betracht kommen oder nicht.

Sobald die Konfiguration der Merkmal-Modelle und ihrer Bezie hungen abgeschlossen ist, können Web-Services aufgerufen wer den, die den Abgleich tatsächlich berechnen (Merkmal- Matcher) . Dieser Service verwendet einen CSOP-Löser („Cons- traint Satisfaction and Optimization Problem"), um eine opti mierte Übereinstimmung von Anwendungs-Merkmalen mit konkreten Plattform-Merkmalen zu ermitteln. Dieser Abgleich soll ver schiedene Arten von Einschränkungen berücksichtigen, um eine gültige Ausgabe zu erzeugen.

Um die vorhandene Forschung im Bereich der Bestimmung der gültigen und optimierten Merkmal-Konfiguration zu nutzen, wird ein einzelnes Merkmal-Modell erstellt, das eine zusam mengeführte Version der Merkmal-Modelle der Anwendung, des Abstracts und der Cloud-Plattformen ist. Sobald dieses zusam mengeführte Modell erhalten wurde, wird ein Verfahren ange wendet, welches den im Artikel von David Benavides, Sergio Segura, Antonio Ruiz-Cortes aus 2010, "Automated analysis of feature models 20 years later: A literature review. Informa tion Systems" 35, 6 (2010), Seiten 615-636 beschriebenen An sätzen ähnelt, um eine gültige, optimierte Konfiguration zu finden .

Um die Qualität eines einzelnen Abgleichs zu bestimmen, kön nen verschiedene Metriken verwendet werden.

Ein Beispiel ist die Gesamtmerkmals-Erfüllung FF (englisch „overall feature fulfillment" ) , welche den Grad, zu dem die Systemmerkmale von der aktuellen Abbildung erfüllt werden, berechnet .

Daher kann der Anwendungs- bzw. Auswahl-Parameter 14 eine Kenngröße hinsichtlich der Gesamtmerkmalserfüllung FF umfas sen, was wie folgt ausgedrückt werden kann:

fmapped

FF =

f total

fmapped ist dabei die Anzahl der Anwendungsfunktionen, für die eine Übereinstimmung gefunden wurde, und ftotai die Gesamtzahl der Anwendungsfunktionen ist.

Ein weiteres Qualitätsmaß ist der Grad der Einheitlichkeit von Merkmalen, da es wünschenswerter ist, einen Dienst in ei ner bestimmten Architektur wiederzuverwenden, anstatt einen neuen einzuführen, der eine ähnliche Funktionalität aufweist.

Daher kann der Anwendungs- bzw. Auswahl-Parameter 14 eine Kenngröße hinsichtlich der Einheitlichkeit U umfassen, und somit eine Einheitlichkeit U (englisch „uniformity" ) eines Abgleichs definiert werden kann als:

fuseci ist dabei die Anzahl konkreter Cloud-Merkmale, denen mindestens ein Anwendungs-Merkmal zugeordnet ist.

Der dritte Qualitätsindikator ist eine Qualitäts- Adhärenz QAD, welche beschreibt, wie gut die Gesamtlösung den Einschränkungen der Qualitätsattribute entspricht, da dies ein wichtiger Faktor bei der Auswahl der Architektur ei ner Lösung ist.

Daher kann der Anwendungs- bzw. Auswahl-Parameter 14 eine Kenngröße hinsichtlich der Qualitäts-Adhärenz QAD umfassen, welche definiert werden kann durch den Zusammenhang:

QAD = 0.5

F ist die Menge aller abgebildeten Merkmale, das heißt kon kreter Cloud-Merkmale, welche durch das optimale Modell be rücksichtigt werden.

Qf ist die Menge von Qualitätsmerkmalen bzw. Qualitätsattri buten, die für das Merkmal / definiert ist.

r _qj ist der erforderliche, normalisierte Wert des Merkmals / für das Qualitätsattribut q .

P _q m _f ist der normalisierte Wert des Qualitätsattributs q , das m- (d.h. das konkrete Cloud-Merkmal , mit dem / abgeglichen wird) bereitstellt .

m- ist ein konkretes Cloud-Merkmal, welches mit dem Merk mal / übereinstimmt.

Eine Multiplikation mit 0,5 sorgt für einen normalisierten Wert .

Der CSOP-Löser wird einmal für jede Plattform und einmal für eine Lösung mit mehreren Plattformen aufgerufen. Basierend auf diesen drei Qualitätsmaßstäben bestimmt der CSOP-Löser die optimale Lösung für jeden Aufruf, wobei alle zur weiteren Verarbeitung wieder zurückgegeben werden.

Die beste Lösung gemäß der vorher definierten Metrik wird für jede Cloud-Plattform sowie eine Multi-Plattform-Lösung prä sentiert und bei der Bestimmung des optimalen Modells zur An steuerung des technischen Geräts 150 entsprechend herangezo gen . Als weiteres Ausführungsbeispiel der Erfindung kann die Er stellung eines manipulationssicheren Produktionsdatensatzes für einen Markt für gemeinsame Maschinen dienen, mit welchem die Maschinen oder Geräte angesteuert werden.

Es können Maschinenbesitzer ihre Maschinen für Kunden verfüg bar machen, wenn sie normalerweise im Leerlauf wären, bei spielsweise in einem Zwei-Schicht-Betrieb . Kunden können an geben, wie sie ihr Produkt hersteilen möchten, beispielsweise durch Bereitstellung von CAD-Dateien des Produkts.

Darüber hinaus können sie bestimmte Parameter für den Ferti gungsprozess angeben, wie zum Beispiel die maximalen Umdre hungen pro Minute eines Bohrers, der das Produkt bearbeitet. Da die Kunden den Maschinenbesitzern möglicherweise nicht vollständig vertrauen, dass sie das Produkt innerhalb der vereinbarten Parameter hersteilen, möchten sie eine manipula tionssichere Aufzeichnung des Produktionsprozesses haben. Diese Aufzeichnung kann beispielsweise verwendet werden, wenn Qualitätsprobleme auftreten, um den Produktionsschritt zu er mitteln, der möglicherweise nicht ordnungsgemäß ausgeführt wurde .

Um die Daten zu sammeln und so zu speichern, dass sie von keiner der beteiligten Parteien manipuliert werden können, ist eine Kombination aus Cloud- und Edge-Computing erforder lich. In der Werkstatt, in der sich die Maschinen befinden, die die Kundenanforderungen für die Herstellung bestimmter Produkte abwickeln, befindet sich eine Randplattform. Diese Edge-Plattform kann Daten über verschiedene Protokolle sam meln (z. B. „Open Platform Communications - Unified Architec- ture", kurz OPC-UA) , sie aggregieren und in die Cloud über tragen. Für den vorgestellten Anwendungsfall gehen wir davon aus, dass die Edge-Plattform von einer vertrauenswürdigen Partei bereitgestellt wird und nicht manipuliert werden kann. Dadurch wird die Datenintegrität auf Kantenebene sicherge stellt .

Sobald die Daten gesammelt und aggregiert sind, können sie auf eine Weise gespeichert werden, die allen Beteiligten den Zugriff ermöglicht, sie jedoch zu einem späteren Zeitpunkt unentdeckt manipuliert. Dies kann durch eine Konsortium- Blockchain erfolgen. Für eine Blockchain-Implementierung kann das bedeuten, dass keine Zulassung erforderlich ist, ein au- toritätsbasierter Konsensalgorithmus eingesetzt wird und schnelle Transaktionen ohne Kosten möglich sind.

Bezugszeichenliste :

1, 2 Edge-Dienst

3 IoT-Dienstanbieter, z.B. Amazon Web Services (AWS)

4 IoT-Dienstanbieter, z.B. Microsoft Azure IoT

5 IoT-Dienstanbieter, z.B. Siemens Industrial Edge

10 „CanBeRealized"-Beziehung

11-13 „Realized"-Beziehung

14 „Selected Implementation"-Beziehung

20 tatsächliches Merkmal

21 abstraktes Merkmal

22 Anwendungs-Merkmal