رایانش لبه‌ای (Edge Computing) چیست و چه مزایا و مشکلاتی دارد

اهمیت داده و اطلاعات در جهان کسب‌وکار امروز بر کسی پوشیده نیست. این اطلاعات برای تنظیم فرایند‌ و عملیات‌های شرکتی استفاده می‌شوند و به همین دلیل شرکت‌های مدرن اقیانوسی از اطلاعات را در خود جای می‌دهند و داده‌های زیادی دائما از طریق حسگرها و دستگاه‌های اینترنت اشیاء (IoT) از سراسر جهان برای این شرکت‌ها ارسال می‌شود.

همین جریان اطلاعاتی باعث شده تا شرکت‌ها روند محاسبات و رایانش داده را تغییر دهند. اینترنت معمولی جوابگوی رویکرد قدیمی یا پردازش تمام اطلاعات در یک مرکز داده متمرکز نیست و مشکلاتی مثل پهنای‌باند محدود، سرعت پایین،‌ زمان تاخیر و قطعی باعث شده تا شرکت‌ها به ساختار رایانش لبه‌ای روی آورند.

رایانش لبه‌ای چیست؟

رایانش لبه‌ای یکی از الگوهای جدید محاسباتی است که به استقرار شبکه و دستگاه‌ها در مجاورت یا کنار منبع اطلاعات اشاره می‌کند. رایانش لبه‌ای فرایند پردازش داده را به محل تولیدش نزدیک کرده و درنتیجه با افزایش سرعت و حجم پردازش، نتایج بیشتری را در لحظه تولید می‌کند.

رایانش لبه‌ای چطور کار می‌کند؟

مساله اصلی در رایانش لبه‌ای مکان پردازش و رایانش اطلاعات است. در روش‌های قدیمی داده در یک نقطه مثلا توسط کامپیوتر کاربر تولید و سپس از طریق شبکه‌هایی همچون اینترنت یا لن (LAN) برای پردازش به یک شرکت منتقل می‌شود. سپس نتایج این پردازش برای کاربر اولیه ارسال می‌شود. این رویکرد قدیمی همچنان یکی از روش‌های اصلی رایانش برای بیشتر فعالیت‌های معمول شرکتی است

اما با افزایش دستگاه‌های متصل به اینترنت، حجم داده نیز افزازیش یافته است. درنتیجه مراکز داده سنتی دیگر جوابگوی سرعت تولید داده‌ها نیستند. براساس پیش‌بینی گارتنر ۷۵ درصد از داده‌های تجاری تا سال ۲۰۲۵ در خارج از مراکز داده متمرکز تولید می‌شوند. انتقال این حجم از داده از طریق اینترنت، مخصوصا برای فعالیت‌هایی که اهمیت زمانی و حیاتی دارند، منطقی نیست.

درنتیجه مهندسان IT تمرکز خود را روی رایانش لبه‌ای افزایش داده‌اند. در این روش منابع ذخیره‌سازی و رایانش از مراکز داده متمرکز به محل تولید داده یا نزدیکی آن منتقل می‌شوند. روش کار سر راست است: اگر نمی‌توانید داده را به مرکز داده نزدیک‌تر کنید، پس مرکز داده را به محل تولید داده نزدیک کنید. رایانش لبه‌ای مفهوم تازه‌ای نیست و ریشه آن به ایده‌هایی ملث رایانش از راه دور (Remote Computing) برمی‌گردد.

درنتیجه انتقال فضای ذخیره و سرور به نزدیکی محل تولید داده، رایانش لبه‌ای امکان اتصالی کم‌خطر و پرسرعت بین منبع داده و پردازنده را فراهم می‌کند. در بسیاری از ساختار رایانش لبه‌ای، تجهیزات در فضای باز و در شرایط سختی محیطی باید از دما، رطوبت و دیگر چیزها محافظت شوند. در این روش جریان داده با اهداف دستیابی به اطلاعات تجاری پردازش شده و تنها نتایج تحلیل به مراکز داده ارسال می‌شوند.

بخش‌های مختلف رایانش لبه‌ای

دستگاه‌های لبه‌ای

دستگاه‌های مختلف از جمله ساعت، گوشی و اسپیکرهای هوشمند، که داده را جمع‌آوری پردازش می‌کنند در دسته دستگاه‌های لبه‌ای جای می‌گیرند. دستگاه‌های اینترنت اشیا (IoT)، سیستم‌های پوز یا نقطه فروش (POS)، ربات‌ها، خودروها و حسگرها نیز اگر قادر به پردازش محلی و ارتباط با ابر باشند، در این دسته قرار می‌گیرند.

شبکه لبه‌ای

از آنجایی رایانش لبه‌ای در نزدیکی منبع داده و یا کنار آن انجام می‌شود، به شبکه‌ای جداگانه نیاز نیست. اما در صورت نیاز به یک شبکه جداگانه یا ارتباط با ابر، تکنولوژی 5G ابزار مناسبی برای انتقال اطلاعات و اتصال پرسرعت است. برای مثال برای پردازش اطلاعات پهباد‌های بدون سرنشین یا پروژه‌های هوشمندسازی شهری می‌توان از این تکنولوژی برای انتقال داده به محل رایانش لبه‌ای استفاده کرد. رایانش لبه‌ای به ویژه در شرایطی که پردازش در داخل دستگاه هزینه بالایی دارد و در عین حال به سرعت بالا نیاز داریم (و فضای ابری فاصله زیادی دارد) بسیار مفید است.

زیرساخت محلی

این زیرساخت محلی در واقع وظیفه مدیریت سیستم‌های محلی و ارتباط آن با شبکه را در اختیار دارد . این زیرساخت ممکن است سرورها، روترها، کانتینرها، مراکز یا پل‌های شبکه‌ای را شامل شود.

رایانش لبه‌ای چه اهمیتی دارد؟

رایانش و محاسبات همین حالا هم در بسیاری از مکان‌ها از جمله بیمارستان‌ها، کارخانه‌ها و خریده‌فروشی‌ها به صورت لبه‌ای انجام می‌شود و امکان پردازش داده‌ّای حساس و سیستم‌های اساسی را فراهم می‌کند. این مکان‌ها نیازمند راه‌حلی برای تاخیر پایین و بدون نیاز به یک اتصال شبکه هستند.

یکی از ویژگی‌های هیجان انگیزه رایانش لبه‌ای، پتانسیلی است که در متحول کردن صنعت و فعالیت‌های مختلف دارد. این تکنولوژی این قابلیت را دارد که نحوه ارتباط مشتری و بازاریابی یا حتی تولید و عملیات‌های پشت صحنه را متحول کند. در تمامی این موارد، رایانش لبه‌ای به سرعت و انطباق سریع کمک کرده و تجربه بهتری را رقم می‌زند.

رایانش لبه‌ای به کسب‌وکارها اجازه می‌دهد تا جهان دیجیتالی را وارد جهان فیزیکی کنند. این تکنولوژی برای بهبود تجربه فروش، داده‌ها و الگوریتم‌های آنلاین را وارد فروشگاه‌های فیزیکی می‌کند و سیستم‌هایی برای آموزش کارکنان و یادگیری راه‌حل از ماشین‌ را فراهم می‌کند. این تکنولوژی می‌تواند محیط‌های هوشمندی در جهت بهبود امنیت و راحتی طراحی کند.

رایانش لبه‌ای نقطه مشترک تمام ایان مثال‌ها است و شرکت‌ها از طریق آن می‌توانند اپلیکیشن‌های خود را با اعتماد بالا، در لحظه و به وسیله داده‌هایی که مستقیما از محل استخراج می‌شود اداره کنند. در نهایت می‌توان گفت این تکنولوژی امکان نوآوری سریع، ارائه محصولات و خدمات جدید آنهم با سرعت بیشتر را فراهم کرده و فرصت‌های تازه‌ای را برای درآمدزایی ایجاد می‌کند.

یکی از ویژگی‌های هیجان‌انگیز رایانش لبه‌ای،‌پتانسیل آن برای متحول کردن نحوه کسب‌وکار در تمام صنایع و ابعاد صنعتی است؛ از نرخ مشارکت مشتری گرفته تا عملیات‌های پشت صحنه و تولید.

رایانش لبه‌ای و ترکیب آن با دیگر تکنولوژی‌ها

رایانش لبه‌ای ساختارهای متمرکز و توزیعی را ترکیب می‌کند. ابر و لبه در کنار هم امکان تجربیات جدید را فراهم می‌کنند. داده در مکان‌های بسیاری تولید و جمع‌آوری شده و سپس برای رایانش متمرکز به ابر منتقل می‌شود. این فرایند با پردازش داده به صورت یکجا و گسترده، قیمت را کاهش و سهولت کار را افزایش می‌دهد. رایانش لبه‌ای برای پاسخ لحظه‌ای و ایجاد تجربیات جدید از داده‌های تولید شده در محل استفاده می‌کند و در عین حال داده‌های حساس را نیز کنترل کرده و هزینه‌های انتقال به ابر را کاهش می‌دهد.

لبه لتنسی، یا همان زمان پاسخ را به دلیل نزدیکی مکانی کاهش می‌دهد و دیگر نیازی به ارسال اطلاعات به ابر و منتظر ماندن برای پاسخ نیست.

تکنولوژی‌های نوینی همچون 5G، بازدهی رایانش لبه‌ای را افزایش داده و مدیریت آن را ساده‌تر می‌کنند:

• 5G با تضمین انتقال پیام‌های مهمی که به دستگاه‌ها اجازه تصمیم‌گیری خودکار را می‌دهند، اجرای رایانش لبه‌ای به صورت یکپارچه را ممکن می‌کند. این تکنولوژی لبه را به اینترنت متصل کرده و از وجود پیکربندی درست نرم‌افزاری در دستگاه‌های لبه برای انجام درست کارها اطمینان حاصل می‌کند.
• اینترنت اشیاء و دستگاه‌های متصل (IoT and connected devices) منابع منحصربه‌فرد اطلاعاتی هستند که باید در ابر ثبت و امنیتشان فراهم شود. لبه معمولا به نزدیکی یا محل این دستگاه‌ها منتقل می‌شود.
• کانتینتر‌ها (Containers) محیطی قابل حمل و استاندارد را برای ساخت و نگهداری از دستگاه‌های لبه‌ای فراهم می‌کنند.
• خدمات و داده‌های مش (Service and data mesh) امکان جمع‌آوری و استفاده از داده و خدمات در کانتینرها و پایگاه‌های داده مختلف را در بخش‌های مختلف لبه فراهم می‌کنند. مش‌ (Mesh) امکان ارتباط را خدمات و داده‌ها را فراهم می‌کنند. این تکنولوژی داده را به صورت عمده و از تمام دستگاه‌های لبه جمع‌آوری می‌کند و تمرکز آن بر یک دستگاه خاص نیست.
• شبکه‌سازی نرم‌افزاری (Software-defined networking) امکان پیکربندی پوشش شبکه‌ها را فراهم می‌کند. این تکنولوژی با تسهیل تنظیم مسیر و پهن‌باند، چگونگی اتصال دستگاه‌های لبه به یکدیگر را مشخص می‌کند.
• همزاد دیجیتالی (Digital Twin) راه‌گشای مهم است که ارتباط فیزیکی-به-دیجیتال و ابر-به-لبه را سازماندهی می‌کند. همزاد دیجیتالی امکان پیکربندی داده و اپلیکیشن‌ها را به جای استفاده از جداول و پیام، با استفاده از دامنه دارایی‌ها و خطوط تولید فراهم می‌کند. همزادهای دیجیتالی به متخصصان دامنه (Domain) اجازه می‌دهد تا اپلیکیشن‌ها را برای حس، تفکر و اقدام در لبه پیکربندی کنند و دیگر الزامی بریا حضور مهندسان نرم‌افزار وجود ندارد.

تکنولوژی‌های دیگری همچون هوش مصنوعی و بلاک‌چین نیز قدرت لبه را افزایش می‌دهند. برای مثال هوش مصنوعی (AI) با پردازش داده در لبه، لزوم وجود یک قدرت محاسباتی متمرکز را از بین می‌برد. لبه با ارائه داده‌های مطمئن بدون مداخله انسان، بازدهی استفاده از بلاک‌چین را نیز افزایش می‌دهد. با استفاده از رایانش لبه‌ای،‌ داده را می‌توان مستقیم و در لحظه از ماشین‌ها استخراج و منتقل کرد و درنتیجه استفاده از حسگر و دوربین نیز بازدهی بیشتری دارد. افزون بر این لبه انقلابی در حوزه اتوماسیون (Automation) و خودکار سازی است که فرایند‌های سیستماتیک محیط‌های بسته و کنترل شده‌ای همچون کارخانه و یا فعالیت‌های باز و کنترل نشده همچون کشاورزی، را در مکانی نزدیک انجام می‌دهد.

مزایا و کاربرد‌های رایانش لبه‌ای

لبه در ترکیب با ابر امکان بازسازی تجربیات را برای کسب‌وکارها فراهم می‌کند. پتانسیل اجرایی لبه فراتر از تولید و اینترنت اشیا است. از این تکنولوژی می‌توان برای تصمیم‌گیری سریع و بهبود تجربیات کاربران استفاده کرد. در حال حاضر لبه با تکیه بر پشتوانه ابری، به ایجاد چشم‌اندازها و تجربیات جدید کمک می‌کند.

برخی از مزایای رایانش لبه‌ای عبارت است از:

پاسخ سریع

انتقال داده فرایندی زمان‌بر است. در برخی موارد (همچون خودروهای خودران یا جراحی از راه دور) به اندازه کافی برای انتقال و بازگشت داده‌ها از ابر زمان نداریم. در چنین شرایطی که به نتایج سریع و لحظه‌ای نیاز است، رایانش لبه‌ای منطقی به نظر می‌رسد.

حجم بالای داده‌ها

با اینکه ابر می‌توان حجم بالایی از داده‌ها را اداره کند، اما هزینه انتقال آن بالا است و شبکه از لحاظ فیزیکی با محدودیت‌ّایی روبرو است. در این شرایط، پردازش داده در لبه منطقی به نظر می‌رسد.

حریم خصوصی

گاهی اوقات کاربر یا سازمان رایانش لبه‌ای را برای حفظ حریم خصوصی داده‌های حساس به ابر ترجیح می‌دهد.

مناطق دور افتاده

در اینجا معیار دور افتادگی دسترسی به اتصال است و منطقه دور افتاده می‌تواند یک مکان واقعا دور افتاده همچون دکل نفتی یا مکانی با ارتباط از راه دور همچون ارتباط موبایلی یا میان راهی باشد.

هزینه

پردازش داده در بخش‌های مختلف زنجیره ابری هزینه‌بر است و می‌توان هزینه کلی را با بهینه‌سازی سیستم کاهش داد.

عملیات‌های خودکار

در جایی که اتصال به ابر ممکن نیست، کاربر برای انجام عملیات‌ها و ادامه کار می‌تواند از پردازش سرتاسری (End-to-End) مبتنی بر رایانش لبه‌ای استفاده کند.

در کل می‌توان گفت که مزیت اصلی رایانش لبه‌ای، بهبود تجربه کاربری است که در نتیجه سنخیت بیشتر خدمات با نیازهای فرد پدید می‌آید. لبه همچنین با بهره‌برداری از داده‌های ارزشمند، امکان استفاده از فرصت‌های تازه و نوآوری را فراهم می‌کند. افزایش تعداد حسگرها به معنی افزایش میزان داده‌ها است و رایانش لبه‌ای پردازش در محل را نیز افزایش می‌دهد که این موضوع سرعت، اعتبار و امنیت را بهبود می‌بخشد. سیستم رایانش لبه‌ای به لطف دانشی که از ابر دریافت می‌کند،‌ پیش‌بینی‌های بهتری انجام داده و اطلاعات مرتبط‌تری را ارائه می‌کند و فرایند بهبود دائما ادامه دارد.

دیگر خصوصیات استفاده از رایانش لبه‌ای عبارتند از:

ماشین‌های هوشمند و افزایش بهره‌وری در لحظه: لبه امکان پردازش سریع داده را برای کاربران فراهم کرده و ربات‌ها و حسگرها می‌توانند با تصمیم‌گیری در کسری از ثانیه، وظایف خود را به شکلی هوشمندانه‌، سریع و ایمن‌تر انجام دهند. این ویژگی فعالیت‌های مختلف از تابلوهای هوشمند گرفته تا تضمین کیفیت خط تولید را متحول می‌کند.

بهینه‌سازی در محل مصرف: با استفاده از رایانش لبه‌ای، تولید و مصرف محتوای دیجیتالی برای ارائه بهترین تجربه و با کمترین هزینه بهینه‌سازی می‌شود و لبه به همین دلیل گزینه مناسبی برای مکان‌های دور افتاده همچون چاه نفتی دریایی است که دسترسی سختی به شبکه‌ اینترتن و ابر دارند.

واقعیت گسترده: در این موارد می‌توان به‌واسطه رایانش لبه‌ای از همزادهای دیجیتالی برای بیهنه‌سازی تجربیات خدمات درمانی، نیروی کار و سرگرمی با استفاده از خدمات درمان هوشمند و واقعیت ترکیبی استفاده کرد.

حریم خصوصی و امنیت پیش فرض: با پردازش داده‌های حساس در لبه، امنیت و محافظت از حریم خصوصی افزایش می‌یابد. برای مثال می‌توان به دستگاه‌های پوشیدنی و پردازش داده‌های حساس به صورت داخلی اشاره کرد.

همیشه فعال و بدون اخلال: رایانش لبه‌ای امکان تصمیم‌گیری و پردازش اپلیکیشن‌های مهم و ریموت همچون پوز (POS) یا عملیات‌های خودکار را بدون نیاز به اتصال فراهم می‌کند.

مثال‌هایی از رایانش لبه‌ای

بیایید به چند مثال از رایانش لبه‌ای در جهان امروز و بهبود آن به‌واسطه 5G نگاه کنیم.

خرده‌فروشی: مفهوم فروشگاه فردا (Store of Tomorrow) یک تعریف منعطف با محوریت مشتری است که دید کامپیوتری را با آینده خرده فروشی ترکیب می‌کند. تکنولوژی رایانش لبه‌ای یکی از اجزای اصلی این مفهوم است که در آینده به جز مهمی از تجربیات انسانی تبدیل می‌شود. از جمله کاربردهای لبه می‌توان به پرداخت هزینه بدون تماس در فروشگاه‌ها اشاره کرد. صف‌های طولانی فروشگاه‌ها یکی از مشکلات کسب‌وکارهای موفق است که باعث از دست ۸۶ درصد از مشتریان می‌شود و طبق برآورد‌ها سالانه ۳۷.۷ میلیارد دلار فروش را در ایالات متحده کاهش می‌دهد.

یک شبکه لبه‌ای در فروشگاه داده‌های جمع‌آوری از دوربین‌ها را با استفاده از هوش مصنوعی پردازش کرده و می‌تواند اقلام موجود در فروشگاه را تشخیص دهد و درنتیجه مشتری پس از برداشتن محصول مورد نظر می‌تواند از فروشگاه خارج شود و هزینه بدون نیاز به ایستادن در صف از حساب او کسر می‌شود. این روش از سرقت نیز جلوگیری می‌کند.

درمان: جراحی‌ با کمک ربات کار جراحان را ساده‌تر می‌کند و فرایند جراحی ساده و در زمان کوتاه‌تری انجام می‌شود. رایانش لبه‌ای با یک سری تغییرات ریز تاثیر چشمگیری بر این روند دارد.

مشکلات و فرصت‌های رایانش لبه‌ای

سازمان‌هایی که بهره‌برداری از مزایای رایانش لبه‌ای هستند با موانعی روبر می‌شوند. تشخیص استراتژی مناسب کار دشوار است و برای موفقیت باید دائما به آزمون و خطا ادامه دهید. از جمله مشکلات رایج این مسیر می‌توان به موارد زیر اشاره کرد:

نبود پیکربندی‌های استاندارد و تعامل‌پذیر: برای استفاده از رایانش لبه‌ای به زیرساخت مناسبی نیاز دارید که معمولا از طریق چند شرکت تامین می‌شود و در صورت عدم تعامل‌ تکنولوژی‌های مختلف این شرکت‌ها، عملکرد بهینه لبه به مشکل می‌خورد.

سرعت بالای اکوسیستم و گزینه‌های متعدد تکنولوژی: جهان رایانش لبه‌ای مملو از تکنولوژی‌ها و الگوهای مختلف است و انتخاب این الگو و تکنولوژی بسیار مهم است. نوآوری مداوم در بحث شبکه‌هایی همچون رایانش‌ لبه‌ای با چندین نقطه دسترسی (MEC) و 5G هم بر پیچیدگی این فضا افزوده است.

ارزش تحقق نیافته تجاری در لبه: درک کامل ارزشی که راه‌حل‌های لبه‌ای برای سازمان‌ها ایجاد می‌کند دشوار است. شرکت‌ها باید پای خود را از موارد استفاده ساده و بازدهی سریع فراتر گذاشته و به دنبال رایانش لبه‌ای با ارزش افزوده پایدار باشند.

فرسودگی نوآورانه و گیر کردن در نمونه اولیه: راه‌حل‌های صنعتی و گسترده رایانش لبه‌ای برای ارزش‌آفرینی واقعی به زمان و کار زیادی نیاز دارند و سازمان‌ها معمولا انعطاف کافی برای عبور از اثبات مفهوم و ورود به مرحله اجرا را ندارند.

کمبود استعداد ابری برای درک موارد استفاده رایانش‌لبه و دلیل آن: لبه را نمی‌توان یک جایگزین برای شرکت‌هایی دانست که از ابر استفاده می‌کنند. مساله در اینجا توسعه توانایی‌ها با استفاده از راه‌حل‌های لبه‌ای است. استعداد کافی در حوزه ابری را می‌توان برای اجرای رایانش لبه‌ای نیز به کار گرفت.

مشکلات امنیتی خاص رایانش لبه‌ای: سطح امنیت باید از ابر تا تمام موارد سطوح رایانش لبه‌ای توسعه پیدا کند اما امنیت در حوزه اینترنت اشیا و لبه با IT متفاوت است. در رایانش لبه‌ای، عملیات‌های خودکار، حساس به زمان و حساس به ایمنی بسیاری وجود دارد. با این حال طراحی مدل‌های امنیتی و زیرساخت دستگاه‌های لبه‌ای زمان زیادی می‌برد. از سویی این مدل‌ها با سرعت بیشتری در مقایسه با ابر منسوخ می‌شوند و به دلیل موضوعات امنیتی امکان پچ سریع نیز وجود ندارد. بعلاوه دستگاه‌های لبه‌ای بیشتر اوقات در مکانی دور یا نا امن قرار می‌گیرند که نیازمند امنیتی فیزیکی در کنار امنیت سایبری است. پیچیدگی ترکیب سخت‌افزار،‌ نرم‌افزار و شبکه نیز بروزرسانی امنیتی را سخت‌تر می‌کند.

چرا Edge Computing مهم است؟

وظایف محاسباتی نیاز به معماری مناسب دارند، و معماری مناسب با یک نوع کار محاسباتی لزوماً با همه انواع وظایف محاسباتی مطابقت ندارد. “Edge Computing” به عنوان یک معماری قابل دوام و مهم پدید آمده است که از محاسبات توزیع شده برای استقرار منابع محاسباتی و ذخیره‌سازی نزدیکتر، به طور ایده‌آل قرار گرفتن در همان مکان فیزیکی، منبع داده پشتیبانی می‌کند. به طور کلی، مدل‌های محاسبات توزیع شده به سختی جدید هستند و مفاهیم دفاتر راه دور، دفاتر شعبه، مکان‌یابی مرکز داده و محاسبات ابری دارای سابقه طولانی و اثبات شده هستند.

اما غیرمتمرکزسازی می‌تواند چالش‌برانگیز باشد و سطوح بالایی از نظارت و کنترل را می‌طلبد که به راحتی هنگام دور شدن از یک مدل محاسبات متمرکز سنتی نادیده گرفته می‌شوند. محاسبات لبه به این دلیل مطرح شده است که راه حل مؤثری برای مشکلات شبکه نوظهور مرتبط با جابجایی حجم عظیمی از داده‌هایی که سازمان‌های امروزی تولید و مصرف می‌کنند، ارائه می‌دهد. باوجود حجم عظیم داده‌ها در دستگاه‌های امروزی، فقط مشکل مقدار نیست، بلکه مسأله زمان مطرح است. برنامه‌های کاربردی به پردازش و پاسخ‌هایی بستگی دارند که به طور فزاینده‌ای به زمان حساس هستند.

در دنیای مدرن امروز، افزایش خودرو‌های خودران را در نظر بگیرید. آن‌ها به سیگنال‌های کنترل ترافیک هوشمند بستگی دارند. ماشین‌ها و کنترل‌های ترافیکی نیاز به تولید، تجزیه و تحلیل و تبادل داده‌ها در زمان واقعی دارند. این نیاز را در تعداد زیادی از وسایل نقلیه خودران ضرب کنید، و دامنه مشکلات بالقوه واضح‌تر می‌شود. این نیاز به یک شبکه سریع و پاسخگو دارد. محاسبات Edge و Fog سه محدودیت اصلی شبکه را برطرف می‌کند: پهنای باند، تأخیر و ازدحام، یا قابلیت اطمینان داده.

رفع محدودیت شبکه‌ی داده‌ها توسط Edge

• پهنای باند داده

پهنای باند مقدار داده‌ای است که یک شبکه می‌تواند در طول زمان جابه‌جا کند که معمولاً بر حسب بیت در ثانیه بیان می‌شود. همه شبکه‌ها پهنای باند محدودی دارند و محدودیت‌ها برای ارتباطات بی سیم شدیدتر است. این بدان معناست که محدودیت محدودی برای مقدار داده یا تعداد دستگاه‌هایی که می‌توانند داده‌ها را در سراسر شبکه برقرار کنند، وجود دارد. اگرچه افزایش پهنای باند شبکه برای جا دادن دستگاه‌ها و داده‌های بیشتر امکان‌پذیر است، اما هزینه آن می‌تواند قابل توجه باشد، هنوز محدودیت‌های محدود (بالاتر) وجود دارد و مشکلات دیگر را حل نمی‌کند.

• تأخیر زمان ارسال داده

تأخیر زمان مورد نیاز برای ارسال داده بین دو نقطه در شبکه است. اگرچه ارتباطات به طور ایده‌آل با سرعت نور انجام می‌شود، فواصل فیزیکی زیاد همراه با ازدحام یا قطعی شبکه می‌تواند حرکت داده‌ها را در سراسر شبکه به تأخیر بیندازد. این امر فرآیند‌های تحلیلی و تصمیم‌گیری را به تأخیر می‌اندازد و توانایی سیستم را برای پاسخگویی در زمان واقعی کاهش می‌دهد. حتی در نمونه خودرو‌های خودران به قیمت جان انسان‌ها تمام می‌شود.

• تراکم، شلوغی شبکه داده

اینترنت اساساً یک “شبکه ” جهانی است. اگرچه این سیستم برای ارائه تبادل داده‌های همه منظوره خوب برای اکثر کار‌های محاسباتی روزمره، مانند تبادل فایل یا جریان اولیه، تکامل یافته است، حجم داده‌های درگیر با داده‌ها میلیارد دستگاه می‌تواند بر اینترنت غلبه کند و باعث سطوح بالای ازدحام شود. مجبور به ارسال مجدد داده‌های وقت گیر در موارد دیگر، قطع شدن شبکه می‌تواند تراکم را تشدید کند و حتی ارتباط برخی از کاربران اینترنت را به طور کامل قطع کند و اینترنت اشیا را در هنگام قطعی بی‌فایده می‌کند.

در نتیجه با استقرار سرور‌ها و ذخیره‌سازی در جایی که داده‌ها تولید می‌شوند، Edge Computing می‌تواند بسیاری از دستگاه‌ها را روی یک شبکه محلی بسیار کوچکتر و کارآمدتر که پهنای باند کافی منحصراً توسط دستگاه‌های تولیدکننده داده محلی استفاده می‌شود، کار کند و باعث می‌شود که تأخیر و تراکم تقریباً وجود نداشته باشد.

ذخیره‌سازی محلی داده‌های خام را جمع‌آوری و محافظت می‌کند، در حالی که سرور‌های محلی می‌توانند تجزیه و تحلیل لبه‌های ضروری را انجام دهند؛ یا حداقل داده‌ها را پیش پردازش و کاهش دهند. تا قبل از ارسال نتایج یا فقط داده‌های ضروری به ابر یا داده‌های ضروری، در زمان واقعی تصمیم بگیرند. مرکز داده مرکزی

7 مورد از مهم‌ترین مثال‌های استفاده Edge Computing

در اصل، تکنیک‌های محاسبات لبه برای جمع‌آوری، فیلتر، پردازش و تجزیه و تحلیل داده‌ها در محل یا نزدیک لبه شبکه استفاده می‌شوند. این ابزار قدرتمندی برای استفاده از داده‌هایی است که نمی‌توان آن‌ها را ابتدا به یک مکان متمرکز منتقل کرد؛ معمولاً به دلیل حجم بسیار زیاد داده‌ها، از نظر فن‌آوری غیرعملی می‌سازد یا ممکن است در غیر این صورت تعهدات مطابقت، مانند حاکمیت داده‌ها را نقض کند. این تعریف نمونه‌های واقعی و موارد استفاده بی شماری را به وجود آورده است و مقرون به صرفه عمل می‌کند:

Edge Computing در بخش تولید

یک تولیدکننده صنعتی، محاسبات لبه را برای نظارت بر تولید به کار برد، و امکان تجزیه و تحلیل بلادرنگ و یادگیری ماشینی را در لبه برای یافتن خطا‌های تولید و بهبود کیفیت تولید محصول فراهم کرده است. محاسبات لبه از افزودن حسگر‌های محیطی در سراسر کارخانه تولید پشتیبانی می‌کند و بینشی را در مورد نحوه مونتاژ و ذخیره‌سازی هر جزء محصول و مدت زمانی که اجزا در انبار باقی می‌مانند، ارائه می‌دهد. تولید‌کننده اکنون می‌تواند تصمیمات تجاری سریعتر و دقیق‌تری را در مورد تأسیسات کارخانه و عملیات تولیدی اتخاذ کند.

Edge Computing برای بهبود کشاورزی

کسب و کاری را در نظر بگیرید که محصولاتی را در داخل خانه بدون نور خورشید، خاک یا آفت کش‌ها می‌کارد. این فرآیند زمان رشد را بیش از 60٪ کاهش می‌دهد. استفاده از حسگر‌ها به کسب و کار امکان می‌دهد مصرف آب، تراکم مواد مغذی را ردیابی کند و برداشت بهینه را تعیین کند.

داده‌ها جمع‌آوری و تجزیه و تحلیل می‌شوند تا اثرات عوامل محیطی را بیابند و الگوریتم‌های رشد محصول را به طور مستمر بهبود ببخشند و اطمینان حاصل کنند که محصولات در شرایط اوج برداشت می‌شوند.

3. بهبود بهینه‌سازی شبکه با Edge Computing

محاسبات لبه می‌تواند با اندازه‌گیری عملکرد برای کاربران در سراسر اینترنت و سپس استفاده از تجزیه و تحلیل برای تعیین مطمئن‌ترین و کم تأخیرترین مسیر شبکه برای ترافیک هر کاربر، به بهینه‌سازی عملکرد شبکه کمک کند. در واقع، محاسبات لبه برای هدایت ترافیک در سراسر شبکه برای عملکرد ترافیک حساس به زمان بهینه استفاده می‌شود.

4. تضمین امنیت محل کار توسط Edge Computing

محاسبات لبه می‌تواند داده‌های دوربین‌های موجود در محل، دستگاه‌های ایمنی کارمندان و سنسور‌های مختلف دیگر را ترکیب و تجزیه و تحلیل کند تا به کسب‌وکار‌ها کمک کند بر شرایط محیط کار نظارت داشته باشند یا اطمینان حاصل کنند که کارکنان از پروتکل‌های ایمنی تعیین‌شده پیروی می‌کنند. به‌ویژه زمانی که محل کار از راه دور باید نظارت و ردیابی شود یا به‌طور غیرمعمول مسائل امنیتی اهمیت دوچندان دارد است، مانند سایت‌های ساخت‌وساز و یا سکو‌های نفتی

Translation is too long to be saved

Edge Computing سبب بهبود مراقبت‌های بهداشتی

صنعت مراقبت‌های بهداشتی به طور چشمگیری میزان داده‌های جمع‌آوری شده بیماران از دستگاه‌ها، حسگر‌ها و سایر تجهیزات پزشکی را افزایش داده است. این حجم عظیم داده به محاسبات لبه‌ای نیاز دارد تا از اتوماسیون و یادگیری ماشین برای دسترسی به داده‌ها، نادیده گرفتن داده‌های “عادی” و شناسایی داده‌های مشکل استفاده شود تا پزشکان بتوانند اقدامات فوری برای کمک به بیماران برای جلوگیری از حوادث سلامتی در زمان واقعی انجام دهند.

6. نقش Edge Computing در حمل و نقل

وسایل نقلیه خودران از 5 ترابایت تا 20 ترابایت در روز داده تولید می‌کنند و اطلاعاتی در مورد مکان، سرعت، وضعیت خودرو، شرایط جاده، شرایط ترافیکی و سایر وسایل نقلیه جمع‌آوری می‌کنند. و داده‌ها باید در زمان واقعی جمع‌آوری و تجزیه و تحلیل شوند، در حالی که وسیله نقلیه در حال حرکت است.

این نیاز به محاسبات روی برد قابل توجهی ذخیره می‌شود، هر وسیله نقلیه خودران به یک “Edge” تبدیل می‌شود. علاوه بر این، داده‌ها می‌توانند به مقامات و کسب و کار‌ها در مدیریت ناوگان وسایل نقلیه بر اساس شرایط واقعی در زمین کمک کنند.

7. نیاز Edge Computing در خرده فروشی

کسب‌وکار‌های خرده‌فروشی همچنین می‌توانند حجم عظیمی از داده‌ها را از نظارت، ردیابی سهام، داده‌های فروش و سایر جزئیات کسب‌وکار در زمان واقعی تولید کنند. رایانش Edge می‌تواند به تجزیه و تحلیل این داده‌های متنوع و شناسایی فرصت‌های تجاری، مانند یک پایان یا کمپین مؤثر، پیش‌بینی فروش و بهینه‌سازی سفارش فروشنده و غیره کمک کند.

از آنجایی که کسب‌وکار‌های خرده‌فروشی می‌توانند به‌طور چشمگیری در محیط‌های محلی متفاوت باشند، محاسبات لبه می‌تواند راه‌حل مؤثری برای پردازش محلی در هر فروشگاه باشد.

مزایای محاسبات لبه چیست؟

رایانش لبه چالش‌های زیرساختی حیاتی را برطرف می‌کند – مانند محدودیت‌های پهنای باند، تأخیر بیش از حد و ازدحام شبکه – اما چندین مزیت بالقوه اضافی برای محاسبات لبه وجود دارد که می‌تواند این رویکرد را در موقعیت‌های دیگر جذاب کند.

Autonomy، استقلال داخلی

محاسبات لبه زمانی مفید است که اتصال غیرقابل اعتماد باشد یا پهنای باند به دلیل ویژگی‌های محیطی سایت محدود شده باشد. به عنوان مثال می‌توان به سکو‌های نفتی، کشتی‌ها در دریا، مزارع دورأفتاده یا سایر مکان‌های دور افتاده مانند جنگل‌های بارانی یا صحرا اشاره کرد.

محاسبات لبه کار محاسباتی را در محل انجام می‌دهد، گاهی اوقات در خود دستگاه لبه، مانند سنسور‌های کیفیت آب در دستگاه‌های تصفیه آب در روستا‌های دورأفتاده، و می‌تواند داده‌ها را برای انتقال به یک نقطه مرکزی تنها زمانی که اتصال در دسترس باشد ذخیره کند. با پردازش داده‌ها به صورت محلی، می‌توان مقدار داده‌های ارسالی را به شدت کاهش داد و به پهنای باند یا زمان اتصال بسیار کمتری نیاز دارد.

حاکمیت داده‌ها

انتقال حجم عظیمی از داده‌ها فقط یک مشکل فنی نیست. سفر داده‌ها در مرز‌های ملی و منطقه‌ای می‌تواند مشکلات بیشتری را برای امنیت داده‌ها، حریم خصوصی و سایر مسائل قانونی ایجاد کند. رایانش لبه را می‌توان برای نگه داشتن داده‌ها نزدیک به منبع و در محدوده قوانین حاکمیت داده‌ها، مانند GDPR اتحادیه اروپا، که نحوه ذخیره، پردازش و افشای داده‌ها را تعریف می‌کند، استفاده کرد.

این موضوع می‌تواند به داده‌های خام اجازه دهد تا به صورت محلی پردازش شوند، هرگونه داده حساس را قبل از ارسال هر چیزی به ابر (Cloud) یا مرکز داده اولیه، که می‌تواند در حوزه‌های قضایی دیگر باشد، مبهم یا ایمن کند.

امنیت لبه، Edge Security

در نهایت، محاسبات لبه فرصت بیشتری برای پیاده‌سازی و تضمین امنیت داده‌ها ارائه می‌دهد. اگرچه ارائه‌دهندگان ابر خدمات اینترنت اشیا دارند و در تجزیه و تحلیل پیچیده تخصص دارند، شرکت‌ها همچنان نگران ایمنی و امنیت داده‌ها پس از خروج از لبه و بازگشت به ابر یا مرکز داده هستند.

با پیاده‌سازی محاسبات در لبه، هر داده‌ای که از شبکه به سمت ابر یا مرکز داده عبور می‌کند، می‌تواند از طریق رمزگذاری ایمن شود. همچنین خود استقرار لبه در برابر هکر‌ها و سایر فعالیت‌های مخرب سخت‌تر شود، حتی زمانی که امنیت در دستگاه‌های IoT محدود است.

 4 چالش از پیاده‌سازی Edge Computing

اگرچه محاسبات لبه پتانسیل ارائه مزایای قانع‌کننده را در بسیاری از موارد استفاده دارد، این فناوری به دور از خطا نیست. فراتر از مشکلات سنتی محدودیت‌های شبکه، چندین ملاحظات کلیدی وجود دارد که می‌تواند بر پذیرش محاسبات لبه تأثیر بگذارد:

1. قابلیت محدود

بخشی از جذابیتی که رایانش ابری به Edge یا Fog محاسبات می‌آورد، تنوع و مقیاس منابع و خدمات است. استقرار یک زیرساخت در لبه می‌تواند مؤثر باشد، اما دامنه و هدف استقرار لبه باید به وضوح تعریف شود. حتی یک استقرار محاسبات لبه گسترده، با استفاده از منابع محدود و خدمات اندک، هدف خاصی را در مقیاس از پیش تعیین شده انجام می‌دهد.

2. قابلیت اتصال

محاسبات لبه بر محدودیت‌های معمولی شبکه غلبه می‌کند، اما حتی بخش‌مهمی از استقرار لبه به حداقل سطح اتصال نیاز دارد. طراحی یک استقرار لبه‌ای که اتصال ضعیف یا نامنظم را در خود جای می‌دهد بایددر نظر گرفته شود که آنچه در لبه هنگام از بین رفتن اتصال رخ می‌دهد، بسیار مهم است. استقلال، هوش مصنوعی و برنامه‌ریزی موفق شکست در پی مشکلات اتصال برای محاسبات لبه موفق ضروری است.

3. امنیت

دستگاه‌های اینترنت اشیا به‌طور بدنامی ناامن هستند، بنابراین طراحی یک استقرار محاسبات لبه‌ای که بر مدیریت صحیح دستگاه، مانند اجرای پیکربندی مبتنی بر سیاست، همچنین امنیت در منابع محاسباتی و ذخیره‌سازی به عواملی مانند وصله نرم‌افزار و به‌روزرسانی‌ها تأکید می‌کند، حیاتی است.

با توجه به رمزگذاری در داده‌ها در حالت استراحت (rest) و در حال پرواز (flight)، سرویس‌های اینترنت اشیا از ارائه‌دهندگان بزرگ ابری شامل ارتباطات امن می‌شوند، اما در هنگام ساختن یک سایت لبه از ابتدا، این امر خودکار نیست.

4. چرخه عمر داده‌ها

مشکل همیشگی افزایش داده‌های امروزی این است که بسیاری از این داده‌ها غیر ضروری هستند و نیازی به نگهداری ندارند. یک دستگاه مانیتورینگ پزشکی را در نظر بگیرید، نگه داشتن روز‌ها از اطلاعات عادی بیمار فایده‌ای ندارد، البته این موضوع برای داده‌هایی که همواره مهم هستند، مشکل‌ساز می‌شود.

بیشتر داده‌های درگیر در تجزیه و تحلیل بلادرنگ، داده‌های کوتاه‌مدتی هستند که در بلندمدت نگهداری نمی‌شوند. یک کسب و کار باید تصمیم بگیرد که کدام داده‌ها را نگه دارد و چه چیزی را پس از انجام تجزیه و تحلیل دور بیندازد. داده‌هایی که حفظ می‌شوند باید مطابق با سیاست‌های تجاری و نظارتی محافظت شوند.

 چگونگی اجرای Edge Computing

محاسبات لبه یک ایده ساده است که ممکن است روی کاغذ آسان به نظر برسد، اما توسعه یک استراتژی منسجم و اجرای یک استقرار صدا در لبه می‌تواند یک تمرین چالش برانگیز باشد.

اولین عنصر حیاتی هر استقرار موفق فناوری، ایجاد یک استراتژی تجاری و فنی معنادار است. چنین استراتژی در مورد انتخاب فروشندگان یا تجهیزات نیست. در عوض، یک استراتژی لبه نیاز به edge computing را در نظر می‌گیرد. درک “چرایی” مستلزم درک روشنی از مشکلات فنی و تجاری است که سازمان در تلاش برای حل آن‌ها است، مانند غلبه بر محدودیت‌های شبکه و رعایت حاکمیت داده‌ها.

چنین استراتژی‌هایی ممکن است با بحث در مورد معنای لبه، جایی که برای کسب و کار وجود دارد و چگونه باید برای سازمان مفید باشد، شروع شود. استراتژی‌های لبه نیز باید با طرح‌های تجاری موجود و نقشه‌های راه فناوری همسو باشند. به عنوان مثال، اگر کسب و کار به دنبال کاهش ردپای مرکز داده متمرکز خود باشد، ممکن است لبه و سایر فناوری‌های محاسباتی توزیع‌شده به خوبی هماهنگ شوند.

همانطور که پروژه به پیاده‌سازی نزدیک‌تر می‌شود، ارزیابی دقیق گزینه‌های سخت‌افزاری و نرم‌افزاری بسیار مهم است. فروشندگان زیادی در فضای محاسبات لبه وجود دارند، از جمله Adlink Technology، Cisco، Amazon، Dell EMC و HPE. هر محصول ارائه شده باید از نظر هزینه، عملکرد، ویژگی‌ها، قابلیت همکاری و پشتیبانی ارزیابی شود. از منظر نرم‌افزاری، ابزار‌ها باید دید و کنترل جامعی را بر روی محیط لبه راه دور فراهم کنند.

سخن پایانی

توسعه اینترنت اشیا و حجم بالای اطلاعاتی که این دستگاه‌ها تولید می‌کنند باعث افزایش توجه به رایانش لبه‌ای شده است. اما از آنجایی که این تکنولوژی‌ها همچنان در دوران نزوادی خود هستند، روند تکاملی آنها شاید مسیر آینده را تغییر دهد.

بعلاوه سازمان‌ها در صورت استفاده از رایانش لبه‌ای باید استراتژی کامل و چشم‌اندازی بلند مدت را دستور کار خود قرار دهند. از آنجایی که ارزش‌آفرینی رایانش لبه‌ای زمان‌بر و گاهی پر هزینه است،‌ پیشنهاد می‌کنیم پیش از تصمیم‌گیری مزایا و موانعی که در این متن به آنها اشاره شد را بسنجید و پیش از اقدام از آمادگی فنی و علمی سازمان اطمینان حاصل کنید.