Surveillance de la santé de vos systèmes IIoT

Comment vous assurez-vous que votre système IIoT est sain ? Lorsque votre système est en cours d'exécution, il peut subir une perte ou un retard du réseau, des défaillances de nœuds ou des changements inattendus en raison de mises à niveau logicielles et de nouveaux déploiements d'applications. Ces problèmes affectent les performances de votre application. Mais si vous ne les surveillez pas en permanence, il peut être assez difficile d'identifier la source du problème. L'équipe RTI Research travaille sur des solutions architecturales pour le suivi opérationnel des systèmes énergétiques distribués. Cependant, cette approche peut être appliquée à n'importe quelle application verticale, y compris la vôtre.

La surveillance opérationnelle vous offre une compréhension claire de la santé de votre système en collectant des mesures de performances et des événements au fil du temps. Plus précisément, il vous donne des informations grâce à une visualisation et à une analyse en temps réel. Pour soutenir cette capacité de surveillance opérationnelle pour les systèmes basés sur DDS, l'équipe de recherche de RTI a évalué les technologies pertinentes et développé un prototype de logiciel à des fins de démonstration (ce travail a été effectué dans le cadre d'un contrat de recherche financé par le DOE).

Trois composants clés sont nécessaires pour la surveillance :une solution pour la collecte de données, une solution pour le stockage des données et une solution pour la visualisation.

Base de données de séries temporelles pour la surveillance opérationnelle

Pour le suivi opérationnel, nous avons utilisé une pile logicielle d'InfluxData appelée TICK (dérivé des initiales de chaque technologie). Il est montré dans la figure ci-dessous. T elegraf est un agent piloté par plugin pour la collecte de données de surveillance. Il prend en charge plus de 100 plugins, ce qui vous permet de collecter des données à partir de nombreuses sources différentes. Vous pouvez également étendre vos sources de surveillance en développant votre propre plugin. Une fois que les données de surveillance sont collectées par Telegraf, les données collectées sont transmises à I nfluxDB -- une technologie de surveillance de séries chronologiques de données. Depuis InfluxDB, les données peuvent être transmises à C chronographe pour la visualisation; K apacitor fournit des alertes basées sur des règles définies par l'utilisateur.

En particulier, InfluxDB est une base de données de séries chronologiques open source pour la surveillance qui fournit plusieurs fonctionnalités intéressantes :

• Langages de requêtes temporels de type SQL
• Fonctions de séries temporelles intégrées dans le langage de requête
• Politique de conservation des données automatisée
• Une approche sans schéma
• Sous-échantillonnage via des requêtes continues
• Haute disponibilité via le clustering distribué (uniquement pris en charge dans la version commerciale)

InfluxData fournit une pile complète (appelé TICK) pour la surveillance (from Influxdata.com)

Suivi de l'architecture et de la mise en œuvre

TICK a constitué la base de notre couche d'administration (comme illustré ci-dessous). De plus, nous devions fournir des outils qui généraient les données de surveillance de la santé, ce que nous appelons notre couche de services de gestion.

Notre architecture de surveillance peut visualiser et d'alerte sur le noeud, conteneur et DDS paramètres

La figure ci-dessus décrit l'architecture de surveillance que nous avons construite pour notre projet. Cette architecture se compose principalement d'une couche de services de gestion et d'une couche d'administration.

• Couche des services de gestion inclut des composants logiciels qui collectent des données de surveillance à partir d'un nœud sur lequel les applications utilisateur s'exécutent. Pour notre projet, les applications utilisateur sont des applications de simulation OpenFMB, mais il peut s'agir de n'importe quelle application DDS.
• Couche d'administration se compose de composants logiciels qui stockent, visualisent et alertent sur les données de surveillance de séries chronologiques collectées.

Les types de données que nous avons collectées avec cette architecture incluent :

• Métriques des nœuds  :CPU, mémoire, utilisation du réseau des nœuds
• Statistiques relatives aux conteneurs  :CPU, mémoire, utilisation du réseau des conteneurs
• métriques DDS  :statistiques de découverte, statistiques de protocole et événements (par exemple, perte de vivacité, échantillon perdu, échantillon rejeté)

Pour implémenter l'architecture, nous avons utilisé des plugins Telegraf existants pour collecter des métriques de nœuds et de conteneurs. Ces métriques sont collectées à partir d'un système d'exploitation et d'un moteur de conteneur. Pour les métriques DDS, nous avons utilisé la bibliothèque de surveillance RTI.

Notre pont intelligent transforme les données collectées localement par nos agents de surveillance en données distantes à transmettre via le bus de données de surveillance. Le pont peut filtrer les données collectées pour réduire les données sur le réseau et également les enrichir (par exemple, en ajoutant un nom d'hôte en tant que balise pour regrouper les données de séries chronologiques) si nécessaire.

Pour souscrire aux données du bus de données de surveillance du côté de l'administration, nous avons utilisé un Telegraf (Metrics Collection Service dans l'architecture) activé pour le plug-in DDS. Le framework du plugin Telegraf étant écrit en Go, nous avons également développé une liaison DDS Go avec RTI Connector ! Il est actuellement disponible sur https://github.com/rticommunity/rticonnextdds-connector-go. Pour la visualisation et les alertes, nous avons utilisé Grafana.

Grafana permet aux utilisateurs de définir une visualisation et des alertes spécifiques au système

Avec tous ces artefacts, nous avons pu démontrer une capacité de surveillance opérationnelle de bout en bout pour les systèmes basés sur DDS en utilisant nos simulations de systèmes énergétiques en tant qu'applications utilisateur (disponible via notre page Cas + Code :https://www.rti.com/ ressources/cas d'utilisation/microgrid-openfmb). Nous sommes heureux de partager notre travail et d'obtenir des commentaires de votre part. Si vous êtes intéressé, faites-le nous savoir !

Dans le prochain blog, nous approfondirons notre intégration InfluxDB et vous fournirons le code source et la documentation afin que vous puissiez l'essayer vous-même !