Monitorando a saúde de seus sistemas IIoT

Como você garante que seu sistema IIoT está saudável? Quando o sistema está em execução, pode ocorrer perda ou atraso de rede, falhas de nó ou mudanças inesperadas devido a atualizações de software e novas implantações de aplicativos. Esses problemas afetam o desempenho do seu aplicativo. Mas se você não monitorá-los continuamente, identificar a origem do problema pode ser bastante desafiador. A equipe de pesquisa da RTI está trabalhando em soluções arquitetônicas para monitoramento operacional de sistemas de energia distribuída. No entanto, essa abordagem pode ser aplicada a qualquer aplicativo vertical, incluindo o seu.

O monitoramento operacional fornece uma compreensão clara da integridade do sistema, coletando métricas de desempenho e eventos ao longo do tempo. Especificamente, ele fornece insights por meio de visualização e análise em tempo real. Para apoiar esta capacidade de monitoramento operacional para sistemas baseados em DDS, a equipe de pesquisa RTI avaliou tecnologias relevantes e desenvolveu software de protótipo para demonstração (este trabalho foi feito como parte de um contrato de pesquisa financiado pelo DOE).

Três componentes principais são necessários para o monitoramento:uma solução para coleta de dados, uma solução para armazenamento de dados e uma solução para visualização.

Banco de dados de série temporal para monitoramento operacional

Para o monitoramento operacional, usamos uma pilha de software da InfluxData chamada TICK (derivada das iniciais de cada tecnologia). Isso é mostrado na figura abaixo. T elegraf é um agente orientado a plugins para coletar dados de monitoramento. Ele suporta mais de 100 plug-ins para que você possa coletar dados de muitas fontes diferentes. Você também pode estender suas fontes de monitoramento desenvolvendo seu próprio plugin. Uma vez que os dados de monitoramento são coletados pela Telegraf, os dados coletados são transferidos para I nfluxDB - uma tecnologia de monitoramento de série temporal de dados. Do InfluxDB, os dados podem ser passados ​​para C hronograf para visualização; K apacitor fornece alertas com base em regras definidas pelo usuário.

Em particular, o InfluxDB é um banco de dados de série temporal de código aberto para monitoramento que fornece vários recursos interessantes:

• Linguagens de consulta centradas no tempo semelhantes a SQL
• Funções de série temporal integradas na linguagem de consulta
• Política de retenção de dados automatizada
• Uma abordagem sem esquema
• Redução da resolução por meio de consultas contínuas
• Alta disponibilidade por meio de clustering distribuído (compatível apenas na versão comercial)

InfluxData fornece uma pilha completa (chamado TICK) para monitoramento (de Influxdata.com)
Monitorando Arquitetura e Implementação

O TICK formou a base de nossa Camada de Administração (conforme ilustrado abaixo). Além disso, precisávamos fornecer ferramentas que gerassem os dados de monitoramento de integridade - o que chamamos de Camada de Serviços de Gerenciamento.
O nosso monitoramento arquitetura pode visualizar e alerta no nó, recipiente e DDS métricas
A figura acima descreve a arquitetura de monitoramento que construímos para nosso projeto. Essa arquitetura consiste principalmente em uma camada de serviços de gerenciamento e uma camada de administração.

• Camada de serviços de gerenciamento inclui componentes de software que coletam dados de monitoramento de um nó onde os aplicativos do usuário estão sendo executados. Para o nosso projeto, os aplicativos do usuário são aplicativos de simulação OpenFMB, mas podem ser qualquer aplicativo DDS.
• Camada de administração consiste em componentes de software que armazenam, visualizam e alertam sobre os dados de monitoramento de série temporal coletados.

Os tipos de dados que coletamos com esta arquitetura incluem:

• Métricas de nó :CPU, memória, uso de rede de nós
• Métricas de contêiner :CPU, memória, uso de rede de contêineres
• métricas DDS :estatísticas de descoberta, estatísticas de protocolo e eventos (por exemplo, perda de vivacidade, amostra perdida, amostra rejeitada)

Para implementar a arquitetura, usamos plug-ins Telegraf existentes para coletar métricas de nó e contêiner. Essas métricas são coletadas de um sistema operacional e um mecanismo de contêiner. Para métricas DDS, aproveitamos a Biblioteca de Monitoramento RTI.

Nossa ponte inteligente transforma os dados coletados localmente de nossos agentes de monitoramento em dados remotos a serem passados ​​pelo barramento de dados de monitoramento. A ponte pode filtrar os dados coletados para reduzir os dados na rede e também enriquecê-los (por exemplo, adicionando o nome do host como uma tag para agrupar dados de série temporal), se necessário.

Para assinar os dados do barramento de dados de monitoramento no lado da administração, usamos um Telegraf habilitado para plug-in DDS (Metrics Collection Service na arquitetura). Como a estrutura do plugin Telegraf é escrita em Go, também desenvolvemos uma ligação DDS Go com RTI Connector! Atualmente, está disponível em https://github.com/rticommunity/rticonnextdds-connector-go. Para visualização e alertas, usamos o Grafana.


Grafana permite que os usuários definam visualizações e alertas específicos do sistema
Com todos esses artefatos, poderíamos demonstrar uma capacidade de monitoramento operacional de ponta a ponta para sistemas baseados em DDS usando nossas simulações de sistema de energia como aplicativos de usuário (disponíveis através de nossa página Case + Code:https://www.rti.com/ resources / usecases / microgrid-openfmb). Estamos felizes em compartilhar nosso trabalho e receber feedback de você. Se você estiver interessado, por favor nos avise!

No próximo blog, vamos nos aprofundar muito em nossa integração com o InfluxDB e fornecer o código-fonte e a documentação para que você possa experimentar por si mesmo!