@PhdThesis{duepublico_mods_00081315,
  author = 	{Rosenberger, Julia Katharina},
  title = 	{Datenflussoptimierung mit dynamischer Allokation von Ressourcen in der Industrie},
  year = 	{2023},
  month = 	{Dec},
  day = 	{15},
  keywords = 	{Industrie 4.0; Smart Factory; Ressourcenallokation; Edge computing; Datenflussanalyse; Best{\"a}rkendes Lernen <K{\"u}nstliche Intelligenz>; Maschinelles Lernen; Distributed Ledger Technologie; Virtuelle Inbetriebnahme; Anomalieerkennung; Datenkompression},
  abstract = 	{Daten sind die Basis f{\"u}r neue Gesch{\"a}ftsmodelle und Technologien wie beispielsweise der vorausschauenden Instandhaltung von industriellen Anlagen. Die Erfassung und Verarbeitung von Daten, insbesondere von Datenfl{\"u}ssen in einem Netzwerk, hat deshalb entscheidenden Einfluss auf den Erfolg der Industrie 4.0. Zur Verringerung von Latenzen sowie Kosten und aus Aspekten der Datensicherheit wird die Verlagerung der Datenanalyse an den Ort der Datenerfassung untersucht. Daraus ergeben sich besondere Herausforderungen hinsichtlich limitierter Rechen- und Kommunikationsressourcen, der dezentralen Struktur mit einer Vielzahl heterogener Teilnehmer sowie der Anforderung an hohe Verarbeitungsgeschwindigkeiten. Es ist sicherzustellen, dass relevante Informationen zeitnah verf{\"u}gbar sind und der Verlust dieser vermieden wird. Zur L{\"o}sung der genannten Optimierungsbedarfe werden in der vorliegenden Arbeit drei Ans{\"a}tze identifiziert und jeweils die Potentiale neuer Technologien untersucht. Der erste Ansatz umfasst die fr{\"u}hzeitige Extraktion relevanter Informationen und Reduktion der Datenmenge unter Einsatz von Anomalieerkennung und Datenkompression. Der zweite Ansatz zielt auf die Schaffung einer Vertrauensbasis zur Absicherung von Daten mittels Distributed Ledger Technologie. Das dritte Potential wird in dem optimierten Nutzen der vorhandenen limitierten Ressourcen gesehen. Aufgrund der dezentralen Struktur des industriellen Internet der Dinge basiert der L{\"o}sungsansatz auf intelligenten Multi-Agenten-Systemen. Die Evaluation der einzelnen Bestandteile sowie deren Zusammenspiel in einem Gesamtsystem best{\"a}tigt, dass alle ausgearbeiteten Methoden aufgrund ihrer hohen Effizienz nahe der Datenerfassung ausf{\"u}hrbar sind, Informationen fr{\"u}hzeitig bereitgestellt werden und Datenverlusten aufgrund von Ressourcenengp{\"a}ssen entgegengewirkt wird. Die Datenflussoptimierungen legen die Grundlage f{\"u}r zuk{\"u}nftige Systeme zur verteilten Verarbeitung von Datenfl{\"u}ssen am Netzwerkrand und sind ein relevanter Treiber f{\"u}r die Industrie 4.0, da sie erm{\"o}glichen, bestehende Begrenzungen hinsichtlich der verf{\"u}gbaren Ressourcen zu {\"u}berwinden und die Datensicherheit auf dem geforderten Niveau zu gew{\"a}hrleisten.},
  doi = 	{10.17185/duepublico/81315},
  url = 	{https://duepublico2.uni-due.de/receive/duepublico_mods_00081315},
  url = 	{https://doi.org/10.17185/duepublico/81315},
  file = 	{:https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00080868/Diss_Rosenberger.pdf:PDF},
  language = 	{de}
}