Im Bereich des Internet der Dinge oder der Industrie 4.0 produzieren Sensoren laufend Daten, die Messwerte über einen aktuellen Zustand von Maschinen, Anlagen oder der Umgebung enthalten, auf jene eine Maschine jeweils rechtzeitig reagieren muss. Zudem befinden sich die Sensoren nicht immer in unmittelbarer Reichweite zueinander, noch sind sie an dasselbe Gerät angeschlossen. Dadurch wird die Verarbeitung der Sensordaten ein komplexes Thema, vor allem dann, wenn die Daten von verschiedenen Sensoren benötigt werden, um daraus letztendlich eine Entscheidung treffen zu können. Diese werden in sogenannten Situationstemplates definiert, welche bestimmte Bedingungen an Sensordaten festlegen, die alle (oder auch nur teilweise) erfüllt sein müssen, damit eine Situation eintreffen kann. Die erkannte Situation wird daraufhin mit den anderen Teilnehmern ausgetauscht, damit diese ihre Prozesse an die neuen Gegebenheiten anpassen können. Auf die Messwerte der Sensoren muss insbesondere mit sehr geringer Latenz (d. h. am besten in Echtzeit) reagiert werden können, da es ansonsten zu schwerwiegenden Folgen bei einzelnen Prozessschritten kommen könnte. Durch die gegebene Komplexität der verteilten Sensoren und die Anforderung an sehr geringe Latenzzeiten wird in dieser Arbeit ein In-Memory Data Grid zum Erkennen solcher Situationen evaluiert. Diese Technologie bietet durch das Halten der Daten im Arbeitsspeicher den entscheidenden Vorteil von sehr geringen Latenzzeiten, bringt natürlich auch den Nachteil, dass der Speicher nicht persistent ist. Es wird ein Konzept zum Erkennen von Situationen, im Umfeld des Internet der Dinge, mithilfe der In-Memory Data Grid Technologie entwickelt, sowie die Funktionsfähigkeit anhand von Beispiel-Anwendungen demonstriert.