Die Industrie 4.0 führt aktuell zu revolutionären Veränderungen und Herausforderungen im Industriesektor, auf die Unternehmen mit neuen Geschäftsmodellen reagieren müssen. Die Masterarbeit gibt mit Hilfe einer Status-Quo Analyse eine Bestandsaufnahme über die aktuellen digitalen Geschäftsmodelle deutscher Industrieunternehmen. Die Erkenntnisse wurden auf Basis von 71 \'Mini-Cases\' erhoben. Dabei wurden Anbieter, sowie Anwender von Industrie 4.0 Technologien untersucht und in neun Muster kategorisiert. Auf Grundlage dieser Ergebnisse wurde ein inkrementeller Transformationsprozess konzipiert, der zur Entwicklung von digitalen Geschäftsmodellen in der Industrie 4.0 genutzt werden kann.

Seit 2015 arbeitet das Fraunhofer IVV, Dresden intensiv mit interdisziplinären Forschergruppen aus Maschinenbauern, Mechatronikern, Psychologen und Designern an der Entwicklung eines selbstlernendes Bediener-Assistenzsystems. Von Beginn an wird das Team außerdem von einem industriellen Beraterkreis aus Verbänden, Maschinenbetreibern und -herstellern unterstützt. Dadurch wird die Forschung und Entwicklung eng an den Bedarfen der potentiellen Nutzer ausgerichtet. Gleichzeitig erhalten unsere Partner die Möglichkeit, ihre eigenen Entwicklungen und Prozesse zu hinterfragen und sich mit kompetenten Experten über bestimmte Herausforderungen auszutauschen. In dieser Kooperation hat sich das jährliche VVD-Anwenderforum zum zentralen Baustein entwickelt. Am 10. Oktober 2019 findet nun unser 3. VVD-Anwenderforum „Bediener-Assistenzsysteme“ in Dresden statt. Dazu möchten wir Sie recht herzlich einladen. Zusätzlich vom VVD-Anwenderforum bieten wir am 9. Oktober ein Workshop „Einstieg in Machine Learning“ statt. In diesem Workshop stellen wir das wichtigste Wording, die grundlegende Mathematik, die Möglichkeiten und Grenzen vor. Damit wollen wir die Teilnehmenden in die Lage versetzen, Ideen für eigene Anwendungsmöglichkeiten zu entwickeln und sich mit Fachexperten über Zielstellungen auszutauschen.:1. Andre Schult (Fraunhofer IVV Dresden): Aktueller Stand SAM und Vorstellung der Pilotprojekte 2. Dr. Romy Müller (TU Dresden, Professur für Ingenieurpsychologie und angewandte Kognitionsforschung): Psychologische Aspekte der Mensch-Maschine-Interaktion 3. Moritz Schroth (Fraunhofer IVV Dresden): Aktuelle Forschungsprojekte für die Industrie4.0 – opticSAM 4. Patrick Binzer (Multivac Sepp Haggenmüller SE & Co. KG): Automatisierte Maschinenkonfigurationen aus Kundensicht 5. Dr. Lukas Oehm (Fraunhofer IVV Dresden): Vorstellung geplanter Forschungsvorhaben Fraunhofer IVV

Die Industrie 4.0 führt aktuell zu revolutionären Veränderungen und Herausforderungen im Industriesektor, auf die Unternehmen mit neuen Geschäftsmodellen reagieren müssen. Die Masterarbeit gibt mit Hilfe einer Status-Quo Analyse eine Bestandsaufnahme über die aktuellen digitalen Geschäftsmodelle deutscher Industrieunternehmen. Die Erkenntnisse wurden auf Basis von 71 \'Mini-Cases\' erhoben. Dabei wurden Anbieter, sowie Anwender von Industrie 4.0 Technologien untersucht und in neun Muster kategorisiert. Auf Grundlage dieser Ergebnisse wurde ein inkrementeller Transformationsprozess konzipiert, der zur Entwicklung von digitalen Geschäftsmodellen in der Industrie 4.0 genutzt werden kann.

No description available.

Im Zuge der digitalen Transformation im Kontext von Industrie 4.0 tun sich eine Vielzahl neuer Datenquellen auf, die im Produktdatenmanagement berücksichtigt werden müssen. Ein Beispiel neuer Datenquellen sind Daten der Industrie 4.0, die zum Beispiel über Sensoren in der Fertigung erhoben werden. Kennzeichen dieser Datenquellen sind die zunehmende Heterogenität der Daten, die nicht mehr in einer Tabelle erfasst werden können. So könnten dies unter anderem Bilder einer optischen Bauteilprüfung sein oder Code zur Bauteilprüfung. Dieser Umstand führt zum Aufbau vieler einzelner neuer Silos, in denen die Daten separat und getrennt vom PDM-System ver-rbeitet werden müssen. Zudem werden dort abgeschottet von den restlichen Silos Daten gespeichert. Daneben führt eine Vielzahl neuer Autorensysteme (Prüfsoftware, Kundenmanagement, Anforderungsmanagement) zu einer gesteigerten Datenmenge, die nicht mehr in klassischen tabellenbasierten und rein-relationalen Datenbanksystemen sinnvoll erfasst werden können. Um an Informationen zu gelangen, sind im Fall rein-relationaler Datenbanksysteme oft komplizierte Abfragen nötig. Diese greifen dann auf mehrere unterschiedliche Tabellen innerhalb der Datenbank zu und stellen daraus wiederum relevante Informationen bereit. Je mehr größer jedoch diese Datenbanken werden und je mehr Informationen miteinander relational verbunden werden müssen, desto mehr Expertenwissen über das jeweilige Datenbanksystem wird benötigt. Somit büßen rein-relationale (SQL-basierte) Systeme auch einen Großteil der Vorteile ihres logischen strukturellen Aufbaus ein. Um den oben genannten Problemen zu begegnen, können neue Ansätze aus dem Bereich der Linked Data herangezogen werden. Bei Linked Data werden nicht nur die reinen Daten verwendet, sondern auch beschreibende und verknüpfende Informationen um die Daten zu interpretieren verwendet und weitergegeben. Durch diesen Mehrwert an Information wird es in einem ersten Schritt möglich, heterogene Produkt- und Prozessdaten, also Daten aus verschiedensten Quellen, wie zum Beispiel Konstruktion, Simulation und Qualitätssicherung, miteinander zu verknüpfen. Durch diese Verknüpfung kann eine höherwertige Darstellungsform geschaffen werden, die neben den reinen Daten auch die sinnvolle Verknüpfung enthält und so eine semantisch höherwertige Repräsentation darstellt. Die so entstehende, vernetzte Datenbank kann z.B. über eine graphenorientierte Datenbank oder Graphdatenbank implementiert werden. Im vorliegenden Beitrag wird untersucht, inwieweit die Modellierung mit gegenwärtig existierenden Lösungen für Graphdatenbanken möglich ist. Ausgehend von einem Beispiel mit einem vereinfachten Produkt- und Prozessdatenmodell der Blechmassivumformung, wird eine allgemeine Methode vorgestellt, durch die ein SQL-basiertes Datenbanksystem in eine Graphdatenbank überführt werden kann. Anhand dieser Methode wird dargestellt, wie bestehende Lösungen teilweise auch parallel zu neuartigen Linked Data Datenbanken existieren können, um diese Schritt für Schritt in eine Graphdatenbank zu überführen. Die Ergebnisse des Beitrags sind auf der einen Seite das allgemeine Vorgehensmodell zur Einführung von Graphdatenbanken und auf der anderen Seite Aussagen über die Nutzbarkeit der vorgestellten Lösung für das Produkt- & Prozessdatenmanagement. [... aus der Einleitung]

Commissioning of a machine is still representing a very challenging operation and most steps are still executed manually by commissioning engineers. A future goal is to support the commissioning engineers and further automate the entire integration process of a newly installed system with a minimum of manual effort. This use case is known as plug-and-produce (PnP). In this contribution a concept of the Industrial Internet of Things is presented to improve the commissioning task for a pneumatic handling system. The system is based on a service-oriented architecture. Within this context, information models are developed to meet the requirements of PnP to provide relevant information via virtual representations, e.g. the asset administration shell, of the components to the commissioning process. Finally, a draft of the entire PnP process is shown, providing a general understanding of Industrial Internet of Things fluid power systems.

Auch mit modernster Technik und Maschinen ist der Mensch aus der Produktion nicht wegzudenken. Bediener mit Erfahrung sind elementar wichtig für effiziente Produktionsprozesse und bleiben unersetzbar – so die Theorie. In der Praxis fehlt den Unternehmen allerdings zunehmend gut ausgebildetes Fachpersonal. Lange Stillstandszeiten und hohe Ausschussmengen können die Folge sein. Gemeinsam mit Ihnen und weiteren Vertretern aus Wissenschaft und Industrie wollen wir uns mit neuen Konzepten und Visionen selbstlernender Bediener-Assistenzsysteme auseinandersetzen, - psychologische Aspekte, - die Nutzung von Augmented und Virtual Reality sowie - selbstlernende Systeme (künstliche Intelligenz) vorstellen und anschließend diskutieren.:1. Dr. Peter Golz (VDMA, Frankfurt am Main): Der Mensch im Produktionsumfeld 2. Dr. Romy Müller (TU Dresden, Professur für Ingenieurpsychologie und angewandte Kognitionsforschung): Mensch-Maschine-Kooperation in hochautomatisierten Systemen 3. Andre Schult (Fraunhofer IVV Dresden): Selbstlernendes Bediener-Assistenzsystem 4. Harald Wolf (Hassia Verpackungsmaschinen GmbH, Ranstadt): Mensch-Maschine im internationalen Umfeld 5. Ulf Heinemann (Robotron Datenbank- Software GmbH, Dresden): Störungserkennung durch Motorstromanalysen in Produktionsstraßen 6. Tilman Klaeger (Fraunhofer IVV Dresden): Maschinelles Lernen am Fraunhofer IVV Dresden 7. Patrick Marchion (Dividella AG, Grabs, CH): Augmented Reality für Wartung und Bedienung

Mit der Automatisierung in der Produktion wird oft versucht, den Menschen als mögliche Fehlerquelle zunehmend vom Prozess auszuschließen. Dabei besitzt der Mensch einzigartige und nützliche motorische, sensorische und kognitive Fähigkeiten. Innovative Technologien bieten nun die Grundlage, Automatisierung und menschliche Fähigkeiten ideal zusammenzuführen und somit die Effizienz von Produktionsprozessen deutlich zu steigern. Wir möchten Sie herzlich einladen, diese neuen Möglichkeiten mit uns zu diskutieren. Vertreter aus Forschung und Industrie werden aktuelle Strategien und Entwicklungen vorstellen. In der begleitenden Demo-Session finden Sie Gelegenheit, mit Experten zu sprechen und Technologien auszuprobieren.Ziel ist es, Ihnen einen ersten Einblick zu bieten und dadurch den Grundstein für eigene Anwendungsideen und -projekte zu legen.:1. Andre Schult (Fraunhofer IVV, Dresden): Begrüßung 2. Peter Seeberg (Softing Industrial Automation GmbH): KeyNote: Industrie 4.0 - Revolution durch Maschinelles Lernen 3. Andre Schult (Fraunhofer IVV, Dresden): Selbstlernende Bediener-Assistenzsysteme - Ein Update 4. Dr. Lukas Oehm (Fraunhofer IVV, Dresden): Ideenwerkstatt zukünftiger Projekte 5. Dr. Romy Müller (TU Dresden): Übervertrauen in Assistenzsysteme: Entstehungsbedingungen und Gegenmaßnahmen 6. Diego Arribas (machineering GmbH & Co. KG): Mehr Geschwindigkeit durch Digitales Engineering, Virtuelle Realität und Simulation 7. Sebastian Carsch (Fraunhofer IVV, Dresden): Informationsaustausch im interdisziplinären Entwicklungsprozess 8. Prof. Rainer Groh (TU Dresden): Das menschliche Maß der Interaktion 9. Fanny Seifert (Elco Industrie Automation GmbH): Smart Maintenance - Industrie-Apps als Grundlage für ein durchgängig integriertes Assistenzsystem 10. Markus Windisch (Fraunhofer IVV, Dresden): Cyber Knowledge Systems - Wissensbausteine für die digitalisierte Bauteilreinigung 11. Dr. Marius Grathwohl (MULTIVAC Sepp Hagemüller SE & Co. KG): IoT und Smart Services in agiler Entwicklung – Phasen der digitalen Transformation bei MULTIVAC 12. Andre Schult (Fraunhofer IVV, Dresden): Zusammenfassung und Abschlussdiskussion

Die Bachelorarbeit behandelt die Themen der Selbstorganisation in Produktionssystemen im Kontext von Industrie 4.0. Dabei wird gezeigt, wie man mithilfe von einer Ameisenkolonieoptimierung die Reihenfolgeplanung organisieren kann.:Abbildungsverzeichnis Tabellenverzeichnis Formelverzeichnis 1. Einleitung 1.1. Motivation 1.2. Ziele 1.3. Vorgehensweise 2. Sich selbst organisierende Produktionen 2.1. Begriffserklärung 2.2. Stand der Technik 2.3. Reihenfolgeplanung als ein Problem der Selbstorganisation 2.3.1. Begriffserklärung 2.3.2. Stand der Technik 2.3.3. Umsetzung in einer Selbstorganisation 3. Ameisenkolonieoptimierung 3.1. Begriffserklärung 3.2. Allgemeine Umsetzung 3.3. Konkrete Umsetzungen 3.4. Vor- und Nachteile 3.5. Anwendungsbeispiele 4. Entwicklung einer Ameisenkolonieoptimierung für ein sich selbst organisierendes Produktionssystem 4.1. Analyse des gegebenen sich selbst organisierenden Produktionssystems 4.1.1. Grobanalyse des Systems 4.1.2. Feinanalyse der bisherigen Reihenfolgeplanung 4.2. Entwurf der Reihenfolgeplanung durch Prinzipien der Ameisenkolonieoptimierung 4.3. Implementierung der Prinzipien der Ameisenkolonieoptimierung 5. Empirische Untersuchung der implementierten Ameisenkolonieoptimierung 5.1. Beschreibung der gegebenen Produktionsdaten 5.2. Szenarienuntersuchung zur Funktionsfähigkeit 5.2.1. Schichtwechselszenario 5.2.2. Abnutzungs- und Wartungsszenario 5.2.3. Vergleichsszenario 5.3. Untersuchung hinsichtlich der Laufzeit und des Speicherbedarfs 5.3.1. Laufzeit 5.3.2. Speicherbedarf 6. Zusammenfassung und Ausblick 6.1. Zusammenfassung 6.2. Ausblick Quellenverzeichnis / The bachelor thesis is about self organization in production systems in the context of Industry 4.0. Its about ant colony optimization for scheduling in the production planning.:Abbildungsverzeichnis Tabellenverzeichnis Formelverzeichnis 1. Einleitung 1.1. Motivation 1.2. Ziele 1.3. Vorgehensweise 2. Sich selbst organisierende Produktionen 2.1. Begriffserklärung 2.2. Stand der Technik 2.3. Reihenfolgeplanung als ein Problem der Selbstorganisation 2.3.1. Begriffserklärung 2.3.2. Stand der Technik 2.3.3. Umsetzung in einer Selbstorganisation 3. Ameisenkolonieoptimierung 3.1. Begriffserklärung 3.2. Allgemeine Umsetzung 3.3. Konkrete Umsetzungen 3.4. Vor- und Nachteile 3.5. Anwendungsbeispiele 4. Entwicklung einer Ameisenkolonieoptimierung für ein sich selbst organisierendes Produktionssystem 4.1. Analyse des gegebenen sich selbst organisierenden Produktionssystems 4.1.1. Grobanalyse des Systems 4.1.2. Feinanalyse der bisherigen Reihenfolgeplanung 4.2. Entwurf der Reihenfolgeplanung durch Prinzipien der Ameisenkolonieoptimierung 4.3. Implementierung der Prinzipien der Ameisenkolonieoptimierung 5. Empirische Untersuchung der implementierten Ameisenkolonieoptimierung 5.1. Beschreibung der gegebenen Produktionsdaten 5.2. Szenarienuntersuchung zur Funktionsfähigkeit 5.2.1. Schichtwechselszenario 5.2.2. Abnutzungs- und Wartungsszenario 5.2.3. Vergleichsszenario 5.3. Untersuchung hinsichtlich der Laufzeit und des Speicherbedarfs 5.3.1. Laufzeit 5.3.2. Speicherbedarf 6. Zusammenfassung und Ausblick 6.1. Zusammenfassung 6.2. Ausblick Quellenverzeichnis

Das Internet of Things (IoT) ist aktuell ein junger Wachstumsmarkt, dessen Bedeutung für unsere Gesellschaft in naher Zukunft vielen Menschen erst noch wirklich bewusst werden wird. Die Subdomänen Smart-Home, Smart-Grid, Smart-Mobility, Industrie 4.0, Smart-Health und viele mehr sind wichtig für unsere zukünftige Wettbewerbsfähigkeit, die Herausforderungen zur Bewältigung des Klimawandels, unsere Gesundheit, aber auch für trivialere Dinge wie Komfort. Andererseits ergibt sich hierbei bereits dasselbe große Problem, das in einer ähnlichen Form schon bei klassischem Cloud-Computing bekannt ist: Vendor-Silos, die keinen hersteller- oder anbieterübergreifenden Austausch von Gerätedaten ermöglichen, verhindern eine schnelle Verbreitung dieser neuen Technologie. Diensteanbieter müssen ihre Produkte aufwendig für unzählige Technologien bereitstellen, was die Entwicklung von Diensten unnötig teuer macht und letztendlich das Dienstangebot insgesamt einschränkt. Cloud-Computing wird dabei in Zukunft eine wichtige Rolle spielen. Die Dissertation beschäftigt sich daher mit dem Problem IoT-Gerätedaten an IoT-Clouds plattformübergreifend und anbieterübergreifend nutzbar zu machen. Die Motivation und die adressierte Forschungslücke zeigen die Notwendigkeit der Beschäftigung mit dem Thema auf. Ausgehend davon, wird das Konzept einer dezentral organisierten IoT-Intercloud vorgeschlagen, welches in der Lage ist heterogene IoT-Clouds zu integrieren. Die Analyse des Standes der Technik zeigt, das IoT-Clouds genügend Eigenschaften teilen, um in Zukunft eine Adaption zu einer einheitlichen Schnittstelle für die IoT-Intercloud zu schaffen. Das Konzept umfasst zunächst die Komponentenarchitektur eines Intercloud-Brokers zur Etablierung einer IoT-Intercloud. Ausgehend davon wird in vertiefenden Teilkonzepten ein Discovery-Service zum Finden von Gerätedaten und einem Push-Stream-Provider, für die Zustellung von IoT-Event-Notifications in Echtzeit, behandelt. Eine Evaluation zeigt letztlich die praxistaugliche Realisierbarkeit, Skalierbarkeit und Performance der Konzeption und des implementierten Prototyps.:1 Einleitung 1.1 Problemstellung und Motivation 1.2 Ziele der Dissertation 1.2.1 Thesen 1.2.2 Forschungsfragen 1.3 Aufbau der Dissertation 2 Grundlagen zu Cloud-Computing im Internet of Things 2.1 Definition von Cloud-Computing 2.1.1 Generelle Eigenschaften 2.1.2 Architekturschichten 2.1.3 Einsatzformen 2.2 Internet of Things 2.2.1 Middleware im IoT 2.3 Architekturen verteilter Systeme zur Bereitstellung der IoT-Middleware 2.3.1 Geräte-zentrische IoT-Architektur 2.3.2 Gateway-zentrische IoT-Architektur 2.3.3 Cloud-zentrische IoT-Architektur 2.3.4 Zusammenfassung 2.4 Eigenschaften von verteilten Event-basierten Systemen 2.4.1 Interaktionsmodelle 2.4.2 Filtermodelle von Subscriptions 2.4.3 Verteiltes Notfication-Routing 2.5 Discovery im IoT 2.5.1 Grundlegende Begrifflichkeiten 2.5.2 Topologien von Discovery-Services 2.5.3 Funktionale Anforderungen für Discovery-Services im IoT 2.5.4 Ausgewählte Ansätze von Discovery-Services im IoT 3 Stand der Technik 3.1 Device-as-a-Service-Schnittstellen von IoT-Clouds 3.1.1 Gerätedatenmodell 3.1.2 Datenabruf mit Pull-Semantik 3.1.3 Datenabruf mit Push-Semantik 3.1.4 Steuerung von Gerätedaten 3.1.5 Datenzugriff durch Drittparteien 3.2 Analyse der DaaS-Schnittstellen verschiedener IoT-Clouds 3.2.1 Google Nest 3.2.2 Samsung Artik 3.2.3 AWS IoT 3.2.4 Microsoft Azure IoT Suite 3.2.5 Kiwigrid IoT-Plattform 3.2.6 Digi Device Cloud 3.2.7 DeviceHive 3.2.8 Eurotech Everyware Cloud 3.3 Zusammenfassung und Diskussion des Standes der Technik 4 Intercloud-Computing für das IoT 4.1 Intercloud-Computing nach Toosi 4.1.1 Ansätze zur Interoperabilität 4.1.2 Szenarien zur Cloud-übergreifenden Interoperabilität 4.1.3 Herausforderungen für Komponenten 4.2 Intercloud-Computing nach Grozev 4.2.1 Klassifikation der Architekturen 4.2.2 Klassifikation des Brokering-Mechanismus 4.2.3 Klassifikation verteilter Cloudanwendungen 4.3 Verwandte Arbeiten 4.3.1 Intercloud-Architekturen außerhalb der IoT-Domäne 4.3.2 Intercloud-Architekturen für das IoT 4.4 Analyse der verwandten Arbeiten 4.4.1 Systematik zur Bewertung 4.4.2 Bewertung und Abgrenzung 5 Anforderungsanalyse 5.1 Akteure in einer IoT-Intercloud 5.1.1 Menschliche Akteure 5.1.2 Systemakteure 5.2 Anwendungsfälle 5.2.1 Anwendungsfälle von IoT-Diensten 5.2.2 Anwendungsfälle von IoT-Clouds 5.2.3 Anwendungsfälle von IoT-Geräten 5.2.4 Anwendungsfälle von Intercloud-Brokern 5.3 Anforderungen 5.4 Ausschlusskriterien 6 Intercloud-Architektur für das IoT 6.1 Systemmodell einer IoT-Intercloud 6.1.1 IoT-Datenmodell für die Intercloud 6.1.2 Etablierung einer Vertrauensbeziehung zwischen zwei Clouds 6.2 Komponentenarchitektur des Intercloud-Brokers 6.2.1 Service-Connector, IC-DaaS-IF und Service-Protocol 6.2.2 Intercloud-Proxy, ICC-IF und Protokoll 6.2.3 Cloud-Adapter und IC-DaaS-Adapter-IF 6.3 Zusammenfassung 7 Verteilter Discovery-Service 7.1 Problembeschreibung 7.1.1 Topologie des Discovery-Service 7.2 Einfache Cloud-Discovery mit Broadcasting-Weiterleitung 7.2.1 Schnittstelle und Protokoll des einfachen Discovery-Service 7.2.2 Diskussion des einfachen Discovery-Service 7.3 Cloud-Discovery mit Geräteverzeichnis und Multicast-Weiterleitung 7.3.1 Geeignete Geräteinformationen für das Verzeichnis 7.3.2 Struktur und Schnittstelle des Verzeichnisses 7.3.3 Verzeichnissynchronisation und erweitertes Protokoll 7.4 Zusammenfassung beider Ansätze des Discovery-Service 8 Verteilter Push-Stream-Provider 8.1 Verteilter Push-Stream-Provider im Modell des Broker-Overlay-Netzwerks 8.2 Verteilter Push-Stream-Provider mit einfachem Routing-Modell 8.2.1 Systemmodell 8.2.2 Integration der Subkomponenten in die verteilte ICB-Architektur 8.3 Redundanz und Redundanzvermeidung des Push-Stream-Providers 8.3.1 Beschreibung des Redundanzproblems und des Lösungsansatzes 8.3.2 Lösungsansatz 8.4 Verteilter Push-Stream-Provider mit vereinigungsbasiertem Routing-Modell 8.4.1 Erkennen von ähnlichen Filtern 8.4.2 Konstruktion eines Vereinigungsfilters 8.4.3 Rekonstruktion der Datenströme 8.4.4 Komponente: Merge-Controller 8.4.5 Komponente: Stream-Processing-Engine 8.4.6 Integration in die bisherige Architektur 8.4.7 Diskussion des Ansatzes zur Redundanzvermeidung 8.5 Zusammenfassung zum Konzept des Push-Stream-Providers 9 Evaluation 9.1 Prototypische Implementierung der Konzeptarchitektur 9.1.1 Intercloud-Broker 9.1.2 IoT-Cloud und IoT-Geräte 9.1.3 IoT-Dienste 9.1.4 Grenzen des Prototyps und Fokus der experimentellen Evaluation 9.2 Aufbau der Evaluationsumgebung 9.3 Experimentelle Untersuchung der prototypischen Implementierung des Konzepts 9.3.1 Ermittlung einer Performance-Baseline 9.3.2 Experiment 1: Performance bei variabler Nachrichtengröße und Nachrichtenanzahl 9.3.3 Experiment 2: Performance bei multiplen Subscriptions 9.3.4 Experiment 3: Ermittlung des maximalen Durchsatzes und Skalierbarkeit des ICB 9.3.5 Experiment 4: Effizienzvergleich zwischen einfachem und vereinigungsbasiertem Routing 9.4 Zusammenfassung und Diskussion der Evaluation 10 Zusammenfassung 10.1 Beiträge der Dissertation 10.2 Ausblick A Abbildungen B Tabellen Inhaltsverzeichnis C Algorithmen D Listings Literaturverzeichnis