IoT ierīču straujā paplašināšanās, kā arī to pieaugošā skaitļošanas jauda ir radījusi milzīgus datu apjomus. Tā kā 5G tīkli paplašina saistīto mobilo ierīču skaitu, datu apjoms turpinās pieaugt.
Mākoņa un mākslīgā intelekta solījums pagātnē bija tāds, ka tie automatizēs un paātrinās inovācijas, ģenerējot no datiem praktisku ieskatu.
Tomēr tīkla un infrastruktūras jaudas ir pārņēmušas ārkārtīgi lielais un sarežģītības līmenis sniegtie dati izmantojot pievienotās ierīces. Joslas platuma un latentuma grūtības rodas, kad visi ierīces dati tiek pārsūtīti uz centralizētu datu centru vai mākoni.
Malu skaitļošana ir efektīvāka, jo dati tiek apstrādāti un analizēti tuvāk izcelsmes vietai. Latentums ir ievērojami samazināts, jo dati netiek pārsūtīti pa tīklu uz mākoni vai datu centru apstrādei.
Šajā rakstā tiks paskaidrots, kā darbojas Edge skaitļošana, kāpēc tā ir būtiska, un sniegs dažādus Edge skaitļošanas gadījumus ar priekšrocībām un trūkumiem.
Kas ir Edge skaitļošana?
Edge skaitļošana ir izplatīta skaitļošanas platforma, kas korporatīvās lietojumprogrammas pietuvina datu avotiem, piemēram, IoT ierīcēm vai vietējiem malas serveriem. Šī datu tuvums to avotā var sniegt ievērojamas uzņēmējdarbības priekšrocības, piemēram, ātrāku ieskatu, ātrāku reakcijas laiku un palielinātu joslas platuma pieejamību.
Visvienkāršākajā veidā malu skaitļošana tuvina apstrādi un datu glabāšanu ierīcēm, kas apkopo datus, nevis paļaujas uz centrālu atrašanās vietu, kas var būt tūkstošiem jūdžu attālumā.
Tas tiek darīts, lai garantētu, ka dati, īpaši reāllaika dati, netiek pakļauti latentuma problēmām, kas varētu pasliktināt lietojumprogrammas veiktspēju. Turklāt, veicot apstrādi lokāli, uzņēmumi var ietaupīt naudu, samazinot datu apjomu, kas jānosūta uz centralizētu vai mākoņdatošanas vietu.
Apsveriet ierīces, kas uzrauga rūpnieciskās iekārtas rūpnīcas stāvā, vai internetam pieslēgtu videokameru, kas straumē tiešraides video no attāla biroja. Lai gan viena ierīce, kas ražo datus, var viegli pārvietot datus tīklā, problēmas rodas, ja pieaug to ierīču skaits, kas vienlaikus pārsūta datus.
Reiziniet vienu tiešraides videokameru ar simtiem vai tūkstošiem vienību. Kavēšanās ne tikai pasliktinātu kvalitāti, bet arī joslas platuma izmaksas varētu kļūt pārmērīgi augstas.
Daudzas no šīm sistēmām gūst labumu no malu skaitļošanas aparatūras un pakalpojumiem, kas nodrošina lokālu apstrādes un uzglabāšanas avotu. Piemēram, malas vārteja var apstrādāt datus no malas ierīces un pēc tam pārsūtīt tikai attiecīgos datus atpakaļ uz mākoni. Reāllaika lietojumprogrammas gadījumā tā var arī ievadīt datus atpakaļ uz malas ierīci.
Kā darbojas Edge skaitļošana?
Malas fiziskā arhitektūra ir sarežģīta, taču galvenā koncepcija ir tāda, ka klienta ierīces savienojas ar blakus esošo malas moduli, lai nodrošinātu ātrāku apstrādi un vienmērīgākas darbības. IoT sensori, darbinieka dators, jaunākais viedtālrunis, drošības kameras vai pat darba vietas atpūtas telpas internetam pieslēgta mikroviļņu krāsns ir malu ierīču piemēri.
Autonomu mobilo robotu, piemēram, robota roku automobiļu rūpnīcā, var izmantot kā malu ierīci rūpnieciskā kontekstā. Tā varētu būt augstākās klases ķirurģijas tehnoloģija, kas ļauj ķirurgiem veikt operācijas no attālām veselības aprūpes vietām. Malu skaitļošanas infrastruktūrā malu vārtejas uzskata par malas ierīcēm.
Atkarībā no izmantotās terminoloģijas moduļus var saukt par malas serveriem vai malu vārtejām. Lai gan pakalpojumu sniedzēji instalēs vairākas malu vārtejas vai serverus, lai iespējotu malas tīklu (piemēram, Verizon savam 5G tīklam), organizācijām, kuras plāno ieviest privāto malu tīklu, arī būs jāņem vērā šis aprīkojums.
Parastā konfigurācijā dati tiek izveidoti lietotāja datorā vai jebkurā citā klienta lietojumprogrammā. Pēc tam tie tiek pārsūtīti uz serveri, izmantojot tādus kanālus kā internets, iekštīkls, LAN un tā tālāk, kur dati tiek glabāti un apstrādāti. Šī joprojām ir pārbaudīta un patiesa pieeja klienta-servera skaitļošanai.
Malu skaitļošanas ideja ir vienkārša: tā vietā, lai pārvietotu datus tuvāk datu centram, datu centrs tiek pārvietots tuvāk datiem. Datu centra uzglabāšanas un apstrādes resursi atrodas pēc iespējas tuvāk datu avotam (vēlams tajā pašā zonā).
Kāpēc Edge skaitļošana ir svarīga?
Liela daļa mūsdienu skaitļošanas notiek malās, tādās vietās kā slimnīcas, rūpnīcas un mazumtirdzniecības veikali, apstrādājot sensitīvākos datus un apgādājot ar misijai kritiskām ierīcēm, kurām jādarbojas konsekventi un droši.
Šajās vietās ir nepieciešami zema latentuma risinājumi, kuriem nav nepieciešams tīkla savienojums. Edge potenciāls traucēt uzņēmuma darbību visās nozarēs un funkcijās, sākot no klientu iesaistīšanas un mārketinga līdz ražošanai un biroja operācijām, padara to tik intriģējošu. Šādās situācijās Edge nodrošina proaktīvus un pielāgojamus biznesa procesus, bieži vien reāllaikā, tādējādi radot jaunu un uzlabotu lietotāju pieredzi.
Uzņēmumi var izmantot Edge, lai digitālo pasauli pārvērstu reālajā pasaulē. Mazumtirdzniecības pieredzes uzlabošana, ievietojot tīmekļa datus un analīzi fiziskās iestādēs. Radīt metodes, kurās var apmācīt darbiniekus, un scenārijus, kādos roboti var apmācīt darbiniekus.
Inteliģentu iestatījumu izveide, kas piešķir prioritāti mūsu drošībai un komfortam. Malu skaitļošana, kas ļauj uzņēmumiem darbināt lietojumprogrammas ar visaugstāko uzticamības, reāllaika un datu vajadzībām uzreiz uz vietas, ir līdzīga visiem šiem gadījumiem. Visbeidzot, tas ļauj uzņēmumiem ātrāk ieviest jauninājumus, ātrāk ieviest jaunas preces un pakalpojumus un radīt jaunas ienākumu plūsmas.
Malu skaitļošana un AI/ML
Ar savu uzsvaru uz datu vākšanu un reāllaika apstrādi malu skaitļošana var palīdzēt datu ietilpīgām viedajām lietojumprogrammām gūt panākumus. Mākslīgā intelekta/mašīnmācības (AI/ML) darbības, piemēram, attēlu atpazīšanas algoritmus, var efektīvāk veikt tuvāk datu avotam, tādējādi novēršot nepieciešamību pārsūtīt milzīgus datu apjomus uz centralizētu datu centru.
Šīs lietotnes apvieno lielu skaitu datu punktu, lai iegūtu augstākas vērtības informāciju, kas var palīdzēt uzņēmumiem pieņemt labākus lēmumus. Šī funkcija var palīdzēt ar dažādu uzņēmuma mijiedarbību, tostarp klientu apkalpošanu, profilaktisko apkopi, aizsardzību pret krāpšanu, klīnisku lēmumu pieņemšanu un daudz ko citu.
Organizācijas var izmantot lēmumu pārvaldības un AI/ML secinājumu pieejas, lai filtrētu, analizētu, kvalificētu un apvienotu datu punktus, lai iegūtu augstākas pakāpes informāciju, katru ienākošo datu punktu uzskatot par notikumu.
Datu ietilpīgas lietojumprogrammas var iedalīt fāzēs, no kurām katra tiek veikta atsevišķā vietā IT vidē. Kad dati tiek savākti, iepriekš apstrādāti un pārsūtīti, tiek izmantota malas tehnoloģija.
Pēc tam dati tiek saglabāti, pārveidoti un izmantoti mašīnmācības modeļu apmācībai pēc inženierzinātņu un analītikas posmiem, kas parasti tiek veikti publiskā vai privātā mākoņa vidē. Pēc tam tas tiek atgriezts pie malas izpildlaika secinājuma solim, kas apkalpo un pārrauga mašīna mācīšanās modeļi.
Lai sasniegtu šos daudzos mērķus un piedāvātu savienojamību starp šīm atšķirīgajām fāzēm, ir nepieciešama elastīga, adaptīva un elastīga infrastruktūra un lietojumprogrammu izstrādes platforma.
Elastīgumu optimāli nodrošināt datu tveršanas un viedo secinājumu darba slodzi vides malās, resursietilpīgo datu apstrādes un apmācības darba slodzi mākoņa vidēs, kā arī biznesa notikumus un ieskatu pārvaldības sistēmas, kas ir tuvu biznesa lietotājiem, nodrošina hibrīda mākoņdatošana. pieeja, kas nodrošina konsekventu pieredzi publiskajos un privātajos mākoņos.
Edge skaitļošana ir būtiska hibrīda mākoņa koncepcijas sastāvdaļa, kuras mērķis ir nodrošināt konsekventu lietojumprogrammu un darbības pieredzi.
Edge Computing lietošanas gadījumi
Edge skaitļošana tiek izmantota daudzās tehnoloģijās, ko mēs šodien izmantojam izklaidei un uzņēmējdarbībai, sākot no satura piegādes sistēmām un viedajām tehnoloģijām līdz spēlēm, 5G un paredzamajai apkopei. Piemēram, mūzikas un video straumēšanas pakalpojumi bieži saglabā datus kešatmiņā, lai samazinātu latentumu un nodrošinātu lielāku tīkla elastību, reaģējot uz lietotāju trafika vajadzībām.
Malu skaitļošana ļauj ražotājiem rūpīgāk kontrolēt savas darbības. Malu skaitļošana ļauj uzņēmumiem rūpīgi uzraudzīt iekārtu un ražošanas līniju efektivitāti un noteiktās situācijās paredzēt defektus pirms to rašanās, tādējādi samazinot dīkstāves izmaksas.
Edge skaitļošana tiek izmantota arī veselības aprūpē, lai labāk rūpētos par pacientiem, piedāvājot ārstiem reāllaika ieskatu par viņu veselību, neiesniedzot savus datus trešās puses datu bāzei apstrādei. Naftas un gāzes korporācijas var sekot līdzi saviem aktīviem un novērst dārgas grūtības citās vietās.
Viedo māju izveidē tiek izmantotas arī malu skaitļošanas tehnoloģijas. Arvien vairāk sīkrīku, jo īpaši balss palīgiem, ir nepieciešams savienot un analizēt datus ierobežotā tīklā. Amazon Alexa un Google Assistant prasītu daudz ilgāku laiku, lai atrastu atbildes patērētājiem, ja viņiem nebūtu piekļuves decentralizētai skaitļošanas jaudai.
Vēl viens tipisks malu skaitļošanas piemērs ir savienoti automobiļi. Autobusos un dzelzceļos ir uzstādīti datori, lai izsekotu pasažieru kustībai un pakalpojumu sniegšanai. Izmantojot transportlīdzekļos esošās tehnoloģijas, piegādes vadītāji var noteikt visefektīvākos maršrutus. Izmantojot modernu skaitļošanas stratēģiju, katrs transportlīdzeklis darbojas uz tās pašas standartizētās platformas kā pārējais autoparks, uzlabojot pakalpojumu uzticamību un nodrošinot datu drošību visā pasaulē.
Vēl viens malu skaitļošanas piemērs ir autonomas automašīnas, kas apstrādā lielu daudzumu reāllaika datu vidē, kurā savienojamība var būt neregulāra. Autonomi transportlīdzekļi, piemēram, pašbraucošas automašīnas, analizē sensoru datus transportlīdzeklī, lai samazinātu latentumu milzīgā datu apjoma dēļ. Tomēr tie var izveidot savienojumu ar centrālo vietu programmatūras jaunināšanai pa gaisu.
Edge skaitļošana arī veicina populāru interneta pakalpojumu pastāvīgu pieejamību. Satura piegādes tīkli (CDN) izvieto datu serverus klientu atrašanās vietu tuvumā, ļaujot noslogotām vietnēm ātri ielādēt un nodrošinot ātrus video straumēšanas pakalpojumus.
Ieguvumi
- Malu skaitļošana var nodrošināt lētākus, ātrākus un uzticamākus pakalpojumus. Edge skaitļošana nodrošina ātrāku un konsekventāku pieredzi patērētājiem. Edge nozīmē zema latentuma, ļoti pieejamas programmas ar reāllaika uzraudzību uzņēmumiem un pakalpojumu sniedzējiem.
- Malu skaitļošana var ietaupīt tīkla izmaksas, izvairīties no joslas platuma ierobežojumiem, saīsināt pārraides laiku, novērst pakalpojuma kļūmes un sniegt jums lielāku kontroli pār sensitīvo datu pārsūtīšanu. Tiek samazināts ielādes laiks, un tiešsaistes pakalpojumi tiek tuvināti lietotājiem, ļaujot gan dinamiski, gan statiski saglabāt kešatmiņu.
- Papildu skaitļošana sniedz priekšrocības lietojumprogrammām, kas gūst labumu no ātrāka reakcijas laika, piemēram, paplašinātā realitāte un virtuālā realitāte.
- Vēl viena malu skaitļošanas priekšrocība ir spēja veikt lielo datu analīzi un apkopošanu uz vietas, kas ļauj gandrīz reāllaikā pieņemt lēmumus. Saglabājot visu šo apstrādes jaudu lokālu, malu skaitļošana vēl vairāk samazina iespēju, ka tiks atklāti sensitīvi dati, ļaujot uzņēmumiem ieviest drošības standartus un ievērot normatīvos noteikumus.
- Uzticamība un izmaksu ietaupījumi, kas saistīti ar malu skaitļošanu, dod labumu uzņēmuma klientiem. Reģionālās vietnes var turpināt darboties neatkarīgi no galvenās vietnes, saglabājot lokālu apstrādes jaudu, pat ja galvenā vietne kāda iemesla dēļ pazūd. Turot skaitļošanas apstrādes jaudu tuvāk tās avotam, izmaksas, kas jāmaksā par joslas platumu datu pārsūtīšanai starp galvenajām un reģionālajām vietām, tiek ievērojami samazinātas.
- Malu platforma var palīdzēt nodrošināt darbību un lietotņu izstrādes vienveidību. Atšķirībā no datu centra, tam ir jāpiedāvā savietojamība, lai nodrošinātu plašāku aparatūras un programmatūras vides daudzveidību. Atvērtā ekosistēmā laba pieeja ļauj arī daudzu piegādātāju produktiem darboties kopā.
trūkumi
- Malu skaitļošana paplašina tīkla kopējo uzbrukuma virsmu. Kiberuzbrukumi var izmantot malas ierīces kā ieejas punktu, ļaujot uzbrucējam injicēt ļaunprātīgu programmatūru un inficēt tīklu.
- Diemžēl efektīvas drošības izveide sadalītā kontekstā ir izaicinājums. Lielākā daļa datu apstrādes notiek ārpus drošības komandas un centrālā servera tiešās redzamības līnijas. Kad korporācija pievieno jaunu aprīkojumu, uzbrukuma virsma arī paplašinās.
- Vēl viena svarīga problēma ir malu skaitļošanas izmaksas. Infrastruktūras izveide ir dārga un sarežģīta, ja vien korporācija nesadarbojas ar vietējo malas partneri. Uzturēšanas izdevumi bieži ir dārgi, jo komandai ir jāuztur daudzas ierīces lieliskā darba kārtībā dažādās vietās.
Izaicinājumi
- Var būt grūtāk pielāgot malas serverus vairākām mazām vietnēm, nekā pievienot tādu pašu jaudu vienam pamata datu centram. Fiziskajām vietnēm ir vairāk pieskaitāmu izdevumu, ko var būt grūti apstrādāt mazākiem uzņēmumiem.
- Malu skaitļošanas instalācijas parasti atrodas attālās vietās, kur ir maz vai nav nekādu tehnoloģisku zināšanu. Ja uz vietas kaut kas noiet greizi, jums būs nepieciešama infrastruktūra, ko var ātri salabot netehnisks vietējais darbaspēks un pēc tam centralizēti kontrolēt neliela profesionāļu grupa.
- Lai atvieglotu pārvaldību un nodrošinātu ātrāku problēmu novēršanu, vietņu pārvaldības procedūrām ir jābūt ļoti atkārtojamām visās malu skaitļošanas vietnēs. Ja programmatūra katrā vietā tiek ieviesta atšķirīgi, rodas problēmas.
- Fiziskās drošības ziņā malu atrašanās vietas bieži ir mazāk drošas nekā galvenās vietnes. Malu pieejai jāņem vērā ļaunprātīgu vai netīšu notikumu iespējamība.
Secinājumi
Ņemot vērā, ka lietu internets un malu skaitļošana joprojām ir sākuma stadijā, to potenciāls vēl ir tālu. Vienlaikus tie paātrina digitālās pārmaiņas dažādās nozarēs, kā arī maina cilvēku ikdienas dzīvi visā pasaulē.
Eksperti prognozē, ka līdz 2025. gadam 75% datu apstrādes notiks ārpus tipiska datu centra vai mākoņa. Sāciet darbu ar malu skaitļošanu, lai atklātu jaunas uzņēmējdarbības iespējas, uzlabotu darbības efektivitāti un nodrošinātu konsekventu patērētāju pieredzi.
Atstāj atbildi