رایانش مه یا Fog Computing چیست و چه کاربردی دارد

رایانش مه یا Fog Computing کاربردهای بالقوه زیادی دارد، از تنظیمات صنعتی و تولیدی گرفته تا بیمارستان‌ها و سایر امکانات مراقبت‌های بهداشتی. اما برای اطلاع بیشتر از اینکه Fog Computing چیست و چه تفاوتی با محاسبات ابری دارد؟ با این مطلب پیوست همراه باشید تا به موضوع نگاهی بیندازیم.

آشنایی با رایانش مه یا Fog Computing

ویژگی‌های اصلی رایانش مه تأخیر کم، آگاهی از موقعیت مکانی و پشتیبانی از جابجایی است. رایانش مه با پردازش داده‌ها به صورت محلی، تأخیر ناشی از انتقال داده‌ها به و از ابر را کاهش می‌دهد. قرار گرفتن در لبه همچنین باعث می‌شود دستگاه‌های متصل به موقعیت مکانی محاسبات مه آگاه شوند و می‌تواند از کاربردهایی که نیازمند جابجایی و تحرک هستند، مانند ماشین‌های هوشمند یا واقعیت افزوده موبایل پشتیبانی کند.

رایانش مه باعث گسترش خدمات رایانش ابری می‌شود و به عنوان یک لایه میانی بین ابر و دستگاه‌ها عمل می‌کند. گره‌های مه می‌توانند قبل از ارسال داده‌ها به ابر، پردازش، فیلتر کردن و تجزیه و تحلیل را به صورت محلی انجام دهند.

اجزای کلیدی معماری مه شامل گره‌های مه مانند روتر‌ها، سوئیچ‌ها، دروازه‌ها است (که منابع محاسباتی را فراهم می‌کنند) و مرکز داده ابری که گره‌های مه به آن متصل هستند. گره‌های مه بیشتر خدمات کاربردی و ارتباط با دستگاه‌ها را مدیریت می‌کنند.

مزایای رایانش مه شامل کاهش استفاده از پهنای باند، کاهش تأخیر، بهبود QoS (کیفیت خدمات)، بهبود امنیت و انطباق با پردازش داده‌های حساس به صورت محلی، و پشتیبانی از تحرک با نزدیک‌تر کردن محاسبات به دستگاه‌های تلفن همراه است.

چالش‌ رایانش مه شامل تعیین اینکه چه داده‌ها/سرویس‌هایی باید در مه در مقابل ابر قرار گیرند، مدیریت یک معماری توزیع‌شده، و مقابله با ناهمگونی سخت‌افزاری است، زیرا گره‌های مه در قابلیت‌های محاسباتی متفاوت هستند.

به طور خلاصه، رایانش مه اجازه می‌دهد تا خدمات حیاتی شبکه بر اساس الزامات کاربردی مانند تأخیر، تحرک، و غیره به طور بهینه بین ابر و لبه شبکه توزیع شوند.

چرا از رایانش مه استفاده می‌کنیم؟

در واقع استفاده از اینترنت اشیا در فناوری باعث حجم زیادی از داده‌ها می‌شود. نگهداری و ذخیره سازی داده‌ها نیازمند پهنای باند است، برای کم کردن این حجم از داده‌ها محاسبات Fog اتکا به Cloud فشار بر پهنای باند را کم می‌کند، عملکرد را بهبود  و تأخیر را کاهش می دهد.

در واقع رایانش مه برای ذخیره‌سازی داده‌ها و برنامه‌های کاربردی که در کنار دستگاه‌های تولیدکننده Cloud Data قرار گرفته است تا فضای وسیع‌تری برای ذخیره‌سازی و توزیع بیشتر برای کاربران را راحت‌تر فراهم کند.

به طور کلی اصطلاح “Fog” به ویژگی‌های ابر مانند اشاره دارد، رایانش مه در لبه شبکه Network Edge متمرکز می‌شود، از این‌رو دستگاه‌های محیطی وسیعی برای فضای داده‌های ابری ایجاد و پشتیبانی می‌کند. این اصطلاح توسط جینی نیکولز، مدیر شرکت سیسکو ابداع شده است.

Fog Computing عملیات محاسبات، ذخیره‌سازی و خدمات شبکه را بین دستگاه‌های پایانی و مراکز داده رایانش ابری تسهیل می‌کند. دلایل اصلی استفاده از رایانش مه، موارد زیر هستند:

• بهبود عملکرد و کاهش تاخیرها

دلایل مختلفی برای استفاده از محاسبات مه وجود دارد؛ برای بهبود تأخیر و عملکرد آن Fog Nodes اغلب در لبه‌ی شبکه مستقر می‌شوند که نزدیک‌تر به خود دستگاه‌های اینترنت اشیا است. در این صورت می‌توانند زمان پردازش را به میزان قابل توجهی کاهش دهند و عملکرد برنامه‌های به تاخیر افتاده را افزایش دهند.

• بهبود تصمیم‌گیری

یکی دیگر از مزایای این فناوری بهبود تصمیم‌گیری در زمان واقعی است. زیرا رایانش مه امکان جمع‌آوری، تجزیه و تحلیل داده‌ها را در زمان واقعی از دستگاه‌های IoT فراهم می‌کند تا هزینه‌ها کاهش پیدا کند.

• کاهش هزینه‌ها

رایانش مه همچنین می‌تواند به کاهش هزینه‌های مرتبط با ذخیره‌سازی، تجزیه و تحلیل داده‌ها کمک کند. این به این دلیل است که با نزدیک‌تر کردن محاسبات و ذخیره‌سازی داده‌ها به لبه شبکه، محاسبات مه‌ای میزان داده‌هایی را که باید برای پردازش به یک مکان مرکزی منتقل شوند، کاهش می‌دهد.

Fog Computing اصطلاحی برای فناوری است که رایانش ابری و خدمات را تا لبه شبکه یک سازمان گسترش می‌دهد. این مفهوم اجازه می‌دهد تا داده‌ها، برنامه‌ها و سایر منابع به کاربران نهایی نزدیک‌تر یا حتی به سطوح بالای آن‌ها منتقل شوند.

اصلی‌ترین تفاوت رایانش مه‌ای با محاسبات ابری

تفاوت اصلی بین رایانش مه‌ و رایانش ابری این است که رایانش مه دارای یک ساختار انعطاف‌پذیر است. بنابراین کاربران را قادر می‌سازد منابع، از جمله برنامه‌ها و داده‌هایی را که تولید می‌کنند، در مکان‌های منطقی قرار دهند تا عملکرد فرآیندها افزایش پیدا کند. به طور جزئی‌تر به ۴ ویژگی از این دو رایانش و تفاوت‌هایشان می‌پردازیم.

۱. معماری

رایانش ابری، پردازش و ذخیره سازی داده‌ها را در سرورهای راه دور متمرکز می‌کند که معمولاً به آن Cloud می‌گویند. از سوی دیگر، رایانش مه با هدف نزدیک کردن قابلیت‌های پردازش و ذخیره‌سازی به لبه شبکه، معمولاً در سطح دستگاه یا گیت، انجام می‌شود.

۲. مجاورت

رایانش ابری شامل مراکز داده از راه دور است که دور از کاربران نهایی قرار دارند. از سوی دیگر، رایانش مه، منابع محاسباتی را در مجاورت کاربران نهایی قرار می‌دهد، تأخیر را کاهش می‌دهد و زمان پاسخ را بهبود می‌بخشد.

۳. مقیاس‌پذیری

رایانش ابری تقریباً مقیاس پذیری نامحدودی را ارائه می‌دهد، زیرا منابع را می توان به صورت پویا بر اساس تقاضا تخصیص و مقیاس بندی کرد. رایانش Fog، در حالی که مقیاس پذیر است؛ معمولاً به دلیل ماهیت توزیع شده منابع در لبه‌ی شبکه، در مقیاس کوچکتر عمل می‌کند.

۴. استفاده از پهنای باند

در رایانش ابری، داده‌ها به سرورهای راه دور از طریق شبکه منتقل می‌شوند و به طور بالقوه از مقدار قابل توجهی از پهنای باند استفاده می‌کنند. در رایانش مه، پردازش و ذخیره‌سازی داده‌ها به صورت محلی انجام می‌شود و نیاز به انتقال گسترده داده‌ها از طریق شبکه را به حداقل می‌رساند.

5. امنیت

رایانش ابری اغلب به اقدامات امنیتی متمرکز در سطح مرکز داده متکی است. در مقابل، رایانش مه دارای ویژگی‌های امنیتی در هر دو سطح دستگاه و لبه است و معماری امنیتی توزیع‌شده‌تری را ارائه می‌دهد.

6. موارد استفاده

رایانش ابری معمولاً برای برنامه‌هایی استفاده می‌شود که شامل پردازش، ذخیره‌سازی و تجزیه و تحلیل داده در مقیاس بزرگ است. رایانش مه، با تمرکز بر رایانش لبه (Edge Computing)، برای برنامه‌هایی که نیاز به تجزیه و تحلیل داده‌های بلادرنگ، تاخیر کم و عملیات آفلاین دارند، مناسب است.

به طور کلی، در حالی که هدف Fog Computing و Cloud Computing ارائه منابع محاسباتی است، از نظر معماری، مجاورت، مقیاس پذیری، استفاده از پهنای باند، امنیت و موارد استفاده متفاوت هستند.

چهار نوع اصلی‌ رایانش مه

1. Device-level fog computing

رایانش مه در روی سطح دستگاه‌هایی مانند حسگرها، سوئیچ ها، روترها و سایر سخت افزارهای کم مصرف قرار می‌گیرد. در واقع از آن برای جمع آوری داده‌ها از این دستگاه‌ها و ارسال آن به ابر برای تجزیه و تحلیل استفاده می‌شود.

2. Edge-level fog computing

رایانش مه در سطح لبه روی سرورها یا وسایلی که در لبه شبکه وجود دارند، قرار می‌گیرد.  این دستگاه‌ها می‌توانند برای پردازش داده‌های قبل از ارسال به ابر مورد استفاده قرار بگیرند.

3. Gateway-level fog computing

رایانش مه در سطح Gateway روی دستگاه‌های اجرایی قرار می‌گیرند که به عنوان گیت (دروازه) بین لبه و ابر عمل ‌می‌کند. از این دستگاه‌ها می‌توان برای مدیریت ترافیک استفاده کرد و اطمینان حاصل کرد که فقط داده‌های مرتبط به ابر ارسال می‌شوند.

4.Cloud-level fog computing

رایانش مه در سطح ابر روی سرورها یا وسایلی که در فضای ابری قرار دارند اجرا می شود. این دستگاه ها می توانند برای پردازش داده ها قبل از ارسال به کاربران نهایی استفاده شوند.

رایانش مه‌ای در چه مواردی مورد نیاز است؟

کاربردهای بالقوه زیادی برای رایانش مه وجود دارد، از جمله:

• اتومبیل‌های هوشمند جهت جمع‌آوری و پردازش داده‌ها از حسگرها در زمان واقعی، برای فعال کردن ویژگی‌هایی مانند رانندگی خودکار و اطلاعات سرگرمی، مورد استفاده قرار می‌گیرد.
• شهرهای هوشمند، نظارت بر جریان ترافیک، مدیریت حمل و نقل عمومی، بهینه سازی مصرف انرژی، موارد دیگر کاربرد دارد.
• اینترنت اشیا صنعتی، افزایش کارایی و ایمنی در کارخانه‌ها، نیروگاه‌ها، معادن و سایر زیرساخت‌های صنعتی، از دیگر کاربردهای رایانش مه‌ای است.
• سلامت هوشمند، در زمینه‌ی پشتیبانی و نظارت از راه دور بیمار، درمان از راه دور، سایر برنامه‌های مراقبت‌های بهداشتی ازجمله کاربردهایی است که از این فناوری بهره می‌گیرد.
• AR/VR، تجربه‌های واقعیت مجازی و افزوده‌ شده با تاخیر کم با کیفیت بالا از موارد مهمی است که این حوزه رایانش در بر می‌گیرد.

رایانش مه را می‌توان برای پشتیبانی از طیف گسترده‌ای از برنامه‌هایی که نیاز به پردازش داده‌ها در لبه شبکه دارند، مورد استفاده قرار داد. داده های مه در بسیاری از موارد با انتقال منابع محاسباتی و ذخیره سازی به منبع داده، عملکرد را بهبود می‌بخشد و هزینه‌ها را کاهش می‌دهد. به عنوان مثال، خودروهای متصل به این رایانش حجم قابل توجهی از داده‌ها را تولید می‌کنند که باید در زمان واقعی تجزیه و تحلیل شوند تا ویژگی‌های مانند رانندگی خودکار را فعال کنند.

چه کسی از رایانش مه استفاده می‌کند

رایانش مه اغلب توسط کسانی مورد استفاده قرار می‌گیرد که به پاسخ بلادرنگ  مانند انجام فرآیند در سیستم های کنترل صنعتی، نظارت تصویری، یا وسایل نقلیه خودران، نیاز دارند. همچنین می‌توان از آن برای تخلیه وظایف محاسباتی فشرده از سرورهای متمرکز یا ارائه پشتیبان و افزون‌دهی درصورت خرابی شبکه استفاده شود.

اجزای Fog Computing

برخی از اجزای کلیدی رایانش مه ابری شامل موارد زیر است:

دستگاه‌های لبه: دستگاه هایی هستند که در لبه شبکه، نزدیک‌ترین به منبع داده، قرار دارند. دستگاه های لبه شامل حسگرها، PLCها (کنترل کننده های منطقی قابل برنامه ریزی) و مسیریاب های دروازه (gateway) می‌باشند.

پردازش داده‌ها: به جای ارسال به یک مکان مرکزی برای پردازش، به صورت محلی در دستگاه‌های لبه انجام می‌شود. نتیجه بهبود عملکرد و کاهش را به تاخیر می‌اندازد.

ذخیره‌سازی داده‌ها: دستگاه‌های Edge می‌توانند داده‌ها را به‌جای ارسال به یک مکان مرکزی برای ذخیره‌سازی محلی به صورت منطقی عمل کنند. این امر امنیت و حریم خصوصی را بهبود می‌بخشد و همچنین تأخیر را کاهش می‌دهد.

اتصال: رایانش مه مستلزم اتصال با سرعت بالا بین دستگاه‌های Edge و بقیه شبکه است. این امر از طریق سیم یا بی سیم به حاصل می‌شود.

چرا این رایانش برای اینترنت اشیا مفید است؟

اینترنت اشیا (IoT) سیستمی از دستگاه‌ها، حسگرها و اجزای نرم افزاری متصل به هم است که داده‌ها و اطلاعات را به اشتراک می‌گذارند. قدرت اینترنت اشیا از توانایی آن در جمع آوری و تجزیه و تحلیل حجم عظیمی از داده‌ها از منابع مختلف ناشی می‌شود. از این داده‌ها می توان برای بهبود کارایی، بهینه سازی عملیات و تصمیم گیری بهتر استفاده کرد.

رایانش مه در اینترنت اشیا یک مدل محاسباتی غیرمتمرکز است که محاسبات و ذخیره سازی داده‌ها را به لبه شبکه (Network Edge) نزدیک می‌کند. به عبارت دیگر، محاسبات مه، قدرت پردازش و ذخیره داده‌ها را از مزارع سرور (server farms) متمرکز دور کرده و به شبکه‌های محلی که دستگاه‌های IoT در آن قرار دارند، منتقل می‌کند.

مزایا و معایب رایانش مه چیست؟

رایانش مه برای نزدیک نگه داشتن داده‌ها و برنامه‌ها به کاربر و بهبود حریم خصوصی آنها کمک می‌کند. چندین مزیت برای استفاده از معماری رایانش مه وجود دارد:

• کاهش تاخیر: با پردازش داده‌ها در لبه شبکه یا نزدیک به آن، می‌تواند به کاهش تأخیر کمک کند.
• افزایش مقیاس پذیری: رایانش مه می‌تواند به افزایش مقیاس کمک کند زیرا ممکن است منابع بیشتری در لبه شبکه اضافه شود.
• امنیت و حریم خصوصی بهبود یافته: با نزدیک نگه داشتن داده‌ها و برنامه‌ها به کاربر، می‌تواند به بهبود امنیت و حریم خصوصی کمک کند.
• افزایش مقیاس‌پذیری: می‌تواند به افزایش مقیاس پذیری کمک کند زیرا ممکن است منابع بیشتری در لبه‌ی شبکه اضافه شود.

همچنین چندین معایب برای استفاده از معماری رایانش مه وجود دارد، که شامل موارد زیر است.

• منابع محدود: از آنجایی که رایانش مه به دستگاه‌هایی در لبه شبکه متکی است، بنابراین  منابع محدودی در دسترس می‌باشد این می‌تواند بر عملکرد آن تأثیر بگذرد.
• معماری پیچیده: رایانش مه‌ای می تواند به دلیل ماهیت توزیع شده معماری، برای پیاده سازی و مدیریت پیچیده باشد.
• پوشش محدود: از آنجایی که این مفهوم هنوز یک فناوری نسبتا جدید است، ممکن است پوشش محدودی از نظر دستگاه‌ها و مکان‌هایی که از آن پشتیبانی می‌کنند، وجود داشته باشد

Fog Computing در مقابل Edge Computing

رایانش لبه، یک مدل محاسباتی توزیع شده، داده‌ها و برنامه‌های کاربردی را در لبه‌ی شبکه، نزدیک به منبع داده پردازش می‌کند. در مقابل، در مدل سنتی متمرکز رایانش ابری، داده‌ها و برنامه‌ها در یک مکان مرکزی ذخیره می‌شوند و از طریق شبکه قابل دسترسی هستند.

تفاوت اصلی بین رایانش مه و لبه در این است که محاسبات مه خدمات ابری و اتصال را به دستگاه‌های Network Edge گسترش می‌دهد. در مقابل، رایانش لبه، محاسبات و ذخیره سازی داده‌ها را به دستگاه‌های لبه‌ی شبکه نزدیک می‌کند.