Das Internet der Dinge (IoT) hat sich als grundlegende Technologie für intelligente Anwendungen in Bereichen wie Fertigung, Gesundheitswesen, Einzelhandel und Verkehrswesen etabliert. Die Anzahl der vernetzten Geräte nimmt weltweit stetig zu. Das international tätige Marktforschungsunternehmen Analytics prognostiziert daher, dass bis 2025 rund 38,6 Milliarden Geräte im Internet der Dinge eingesetzt werden und diese Zahl bis 2030 auf 50 Milliarden ansteigen wird. Angesichts der zunehmenden Anzahl vernetzter Geräte, die Daten sammeln und mit dem Internet verbunden sind, wird der Bedarf an schnellen 5G-Netzwerken mit niedrigen Latenzen immer größer. Viele Unternehmen entscheiden sich daher für eine Edge-Computing-Infrastruktur, um Probleme wie ungenügende Bandbreite, die zu instabilen Datenübertragungen oder Übertragungsunterbrechungen führen können, zu bewältigen. Edge-Server müssen auf Geräteebene bereitgestellt werden, um Rechenvorgänge auszuführen und Daten lokal zu speichern. Dieser Ansatz reduziert den Bandbreitenbedarf und verkürzt Latenz- sowie Reaktionszeiten, wodurch Unternehmen effizienter arbeiten und bessere Leistungen bieten können. Angesichts der steigenden Nachfrage nach Servern für Edge-Computing entwickelt Chenbro kontinuierlich neue Produkte, die auf die Anforderungen von Edge Computing in 5G-Telekommunikationsnetzen zugeschnitten sind. Dazu gehören verschiedene Lösungen für Basisstationen in offenen Funknetzwerken (O-RAN) und Edge-Netzwerken, wie sie von Betreibern hochverfügbarer Netzwerke benötigt werden. Wir unterstützen sie dabei, agilere Kommunikationsdienste aufzubauen. Die Serverserien RM252 und RM352 sind beispielsweise für 5G- und Edge-Computing-Anwendungen optimiert. Die Serie RM252 bietet Platz für bis zu drei PCIe-Erweiterungseinschübe in voller Höhe oder sieben schmale PCIe-Erweiterungseinschübe in einer einzelnen GPU, was die Rechenleistung für verteilte oder offene IT-Infrastruktur-Edge-Sites maximiert. Die Serie RM352 unterstützt PCIe-Erweiterungseinschübe in voller Höhe für GPU-Karten oder FPGA-Beschleunigerkarten, um Edge Computing, maschinelles Lernen und Anwendungen für Basisstationen an Edge-Sites zu optimieren.