growth.ai - stock.adobe.com
So wählen Sie die richtige IoT-Datenbankarchitektur aus
Die Optionen für die IoT-Datenbankarchitektur sind unter anderem statische Datenbanken, Streaming, Zeitreihen, SQL und NoSQL. Welche ist die beste Wahl für bestimmte IoT-Projekte?
Bei der Konzeption einer IoT-Datenbank haben Unternehmen viele Optionen. Technologieexperten müssen die beste Lösung finden, indem sie die verschiedenen IoT-Datenbankarchitekturen bewerten. Beispiele dafür sind statische Datenbanken im Vergleich zu Streaming-Datenbanken und Zeitreihen sowie SQL im Vergleich zu NoSQL.
Die richtige IoT-Datenbank hängt von den Anforderungen des jeweiligen IoT-Projekts ab. Bei der Auswahl einer Datenbank müssen zunächst die kritischen Merkmale des IoT berücksichtigt werden. IoT-Technologen müssen die zu speichernden und zu verwaltenden Datentypen, den Datenfluss, die funktionalen Anforderungen an Analyse, Verwaltung und Sicherheit sowie die Leistungs- und Geschäftsanforderungen bestimmen.
Nachdem die Anforderungen des Unternehmens ermittelt wurden, müssen IT-Administratoren die verschiedenen IoT-Datenbankarchitekturen bewerten und prüfen, inwiefern sie die IoT-Datenanforderungen fördern oder behindern.
Statische und Streaming-IoT-Datenbankarchitekturen verstehen
Beginnen Sie damit, den grundlegenden Unterschied zwischen statischen und Streaming-Datenbanken zu verstehen.
Statische Datenbanken
Diese auch als Batch-Datenbanken bezeichneten Datenbanken verwalten ruhende Daten. Die Daten, auf die Benutzer zugreifen müssen, befinden sich als gespeicherte Informationen in einer Datenbank und werden von einem Datenbankmanagementsystem (DBMS) verwaltet. Die Benutzer stellen Abfragen und erhalten vom DBMS Antworten, das in der Regel – aber nicht immer – SQL verwendet.
Streaming-Datenbanken
Umgekehrt verarbeiten Streaming-Datenbanken Daten in Bewegung. Die Daten strömen dabei ständig durch die Datenbank, wobei eine kontinuierliche Reihe von Abfragen in der Regel in einer für die Streaming-Datenbank spezifischen Sprache gestellt wird. Die Ausgabe der Streaming-Datenbank kann an einem anderen Ort gespeichert werden, zum Beispiel in der Cloud, und über Standardabfragemechanismen abgerufen werden.
Streaming-Datenbanken sind in der Regel verteilt, um die Anforderungen an Umfang und Auslastung großer Datenmengen zu bewältigen. Es gibt eine Reihe kommerzieller, proprietärer und Open-Source-Streaming-Datenbanken, darunter bekannte Plattformen wie Amazon Kinesis, Apache Kafka, Azure Stream Analytics und Google Cloud Dataflow. Außerdem gibt es neue Start-ups, darunter Materialize.
Bei diesen Plattformen kann es sich um reine Streaming-Datenbanken handeln, die für Echtzeitentscheidungen und nahezu sofortige Latenzzeiten optimiert sind. Oftmals handelt es sich jedoch um vereinheitlichte Datenbanken (Unified Databases), die sowohl eine Streaming- als auch eine statische Komponente umfassen. Die statische Komponente profitiert davon, dass sie auf Standardabfragetechniken und -schemata basiert. Somit unterstützen diese vereinheitlichten Datenbanken sowohl die Echtzeitfunktionen einer Streaming-Datenbank als auch die Flexibilität des Abfrageprozesses und des Schemas einer statischen Datenbank.
Für das IoT ist eine Unified-Datenbank für die meisten Anwendungen die beste Wahl. Aus diesem Grund bieten die meisten beliebten Datenbankanbieter beide Arten von Datenbanken an.
Differenziertere Datenbankarchitekturen
Zeitreihendatenbanken (Time Series Databases) basieren in vielerlei Hinsicht auf derselben Technologie wie Streaming-Datenbanken, wurden jedoch mit einem etwas anderen Schwerpunkt entwickelt. Zeitreihendatenbanken sind taktischer. Sie umfassen in der Regel die Implementierung spezifischer Indizierungstechniken in NoSQL-Datenbanken, um eine leistungsstarke Ereignisverarbeitung zu ermöglichen. Anbieter wie InfluxData, Grafana und Prometheus bieten Zeitreihendatenbanken an, ebenso wie größere Akteure wie Amazon, Google, IBM und Microsoft.
Streaming-Datenbanken sind umfassender und ermöglichen ein breiteres Portfolio an Datenanalysen, zum Beispiel maschinelles Lernen oder Windowing.
SQL vs. NoSQL?
SQL-Datenbanken sind relational und verfügen über statische Schemata, die beschreiben, wie die Informationen organisiert sind. Das macht sie sehr verwaltbar. Sie haben jedoch Probleme mit der effektiven Skalierbarkeit. NoSQL-Datenbanken sind nicht relational, haben keine Schemata und werden als hochskalierbar und leistungsfähiger als SQL-Datenbanken angepriesen.
Einige Technikexperten könnten denken, dass eine NoSQL-Datenbank die offensichtliche Wahl wäre, da Skalierbarkeit für viele IoT-Anwendungen unerlässlich ist. Aber Skalierbarkeit und Leistung sind nur zwei Faktoren, die Techniker bei der Auswahl von Datenbanken berücksichtigen müssen. Ein entscheidender Faktor in vielen Szenarien ist die einfache Integration in bestehende Systeme, wobei SQL effektiver ist. Viele IoT-Tools und -Systeme setzen SQL voraus. Dies gilt insbesondere in industriellen Umgebungen, die auf älteren Nachrichtenprotokollen oder industriellen Automatisierungsplattformen basieren.
Die Fähigkeit, Schemata zu erstellen und zu verwalten, ist ebenfalls ein Pluspunkt. Auch wenn IT-Techniker die Entwicklung von Schemata als hinderlich empfinden mögen, müssen Informationen organisiert werden. Wenn Sie sich im Vorfeld die Mühe machen, Schemata zu entwickeln, ersparen Sie sich später viel Arbeit bei der Organisation von Daten in einer Umgebung ohne Schema.
Auch die Kombination von statischen und Streaming-Datenbanken kann für Unternehmen eine Herausforderung sein, wenn es um die Wahl zwischen SQL und NoSQL geht. Theoretisch könnte eine statische oder Streaming-Datenbank entweder SQL oder NoSQL sein. In der Praxis sind die Datenbanken jedoch auf die eine oder die andere Art festgelegt. IoT-Techniker, die sich für eine bestimmte vereinheitlichte Datenbank interessieren, werden bei ihrer Entscheidung zwischen SQL und NoSQL möglicherweise durch das Design der Datenbank beeinflusst.
Ob sich ein Unternehmen für eine SQL- oder NoSQL-Datenbank entscheiden sollte, hängt von den allgemeinen funktionalen und technischen Anforderungen ab, insbesondere von der Skalierbarkeit, der Leistung und der Notwendigkeit der Integration in Altsysteme.
Absicherung der IoT-Datenbank
Zu klären ist abschließend die Frage der Datenbanksicherheit. Zwar ist sie kein wesentlicher Bestandteil der Datenbankarchitektur, doch das Verständnis der Sicherheitsfunktionen und -merkmale der IoT-Datenbank(en) ist für die Verhinderung von Sicherheitsverletzungen von entscheidender Bedeutung.
So entdeckte beispielsweise der Cybersicherheitsforscher Jeremiah Fowler von VpnMentor im Februar 2025, dass der Hersteller von IoT-Pflanzenlampen Mars Hydro eine ungeschützte Datenbank mit einer Größe von 1,17 TB und etwa 2,7 Milliarden Datensätzen hatte. Unter den offengelegten Daten befanden sich WLAN-Anmeldedaten und Betriebssysteminformationen, die mit den vernetzten landwirtschaftlichen Geräten des Unternehmens verknüpft waren.
Daher ist es wichtig, nicht nur die Betriebssicherheit zu gewährleisten, zum Beispiel durch die Festlegung eines Datenbankpassworts und die klare Definition von Berechtigungen, sondern auch zu überprüfen, wo und unter welchen Umständen Daten verschlüsselt werden. Werden sie während der Übertragung oder im Ruhezustand verschlüsselt?
Schließlich sollten Unternehmen auch überprüfen, wie IoT-Geräte authentifiziert werden, um sicherzustellen, dass die Datenbank nicht versehentlich Malware aufnimmt.
Dieser Artikel wurde aktualisiert, um Produktinformationen zu ergänzen und die Lesbarkeit zu verbessern.
