محاسبات لبه نشان دهنده یک الگوی محاسباتی توزیع شده است که قابلیت های پردازش و ذخیره داده را به منابع داده نزدیک تر می کند. به طور گستردهتر، این رویکرد معماری، محاسبات را از نظر فیزیکی نزدیکتر به کاربر قرار میدهد، و هدف آن کاهش تأخیر در مقایسه با برنامههای کاربردی در یک مرکز داده متمرکز است.
این مفهوم در دهه 1990 ظهور کرد، و در ابتدا شبکههای تحویل محتوا (CDN) را مشخص میکرد که برای توزیع محتوای وب و ویدیو از کاربران از نظر جغرافیایی نزدیک به سرورهای نزدیک طراحی شده بودند. در اوایل دهه 2000، این سیستمها برای تطبیق طیف وسیعتری از برنامهها تکامل یافتند و در نتیجه خدمات محاسباتی لبهای بنیادی را ایجاد کردند. این سرویسها عملکردهایی از جمله مکان فروشنده، مدیریت سبد خرید، تجمیع دادهها در زمان واقعی، و قرار دادن تبلیغات هدفمند را تسهیل میکردند.
تعریف
محاسبات لبه مستلزم اجرای برنامه های محاسباتی طراحی شده برای ارائه پاسخ های سریع در نزدیکی نقطه درخواست است. کریم عربی، در سخنرانی اصلی IEEE DAC در سال 2014 و سمینار متعاقب آن MIT MTL در سال 2015، محاسبات لبه را به عنوان فعالیت محاسباتی انجام شده در خارج از زیرساخت ابر سنتی، به ویژه در حاشیه شبکه، به ویژه برای برنامههایی که به پردازش دادههای آنی نیاز دارند، توصیف کرد. پیاده سازی ها با این وجود، در استقرار گستردهای مانند زیرساختهای شهر هوشمند، محاسبات مه بهعنوان یک لایه واسط گسسته که بین لبه و محاسبات ابری قرار گرفته است، عمل میکند و هر لایه دارای مسئولیتهای تخصصی است.
گزارش «وضعیت لبه» بیان میکند که محاسبات لبه عمدتاً شامل موقعیت سرورهای نزدیک به سرور است. الکس رزنیک، رئیس کمیته استانداردهای ETSI MEC ISG، تعریف گستردهای از «لبه» به عنوان هر منبع محاسباتی موجود در خارج از یک مرکز داده معمولی ارائه میکند.
در محیطهای بازی ابری، گرههای لبه، که بهعنوان «بازیها» تعیین میشوند، معمولاً در یک یا دو شبکه با ضمانت حداقل زمان واقعی از سوی مشتری قرار میگیرند. تجربیات.
محاسبات لبه میتواند از فناوریهای مجازیسازی برای سادهسازی استقرار و مدیریت برنامههای کاربردی متنوع در سرورهای لبه استفاده کند.
مفهوم
پیشبینیها از سال 2018 نشان داد که حجم دادههای جهانی تا 61 درصد افزایش مییابد و تا سال 2025 به 175 زتابایت میرسد. شرکت تحقیقاتی گارتنر گزارش داد که تقریباً 10 درصد از دادههای تولید شده توسط شرکت در حال حاضر فراتر از مراکز داده متمرکز مرسوم یا زیرساختهای ابری ایجاد و پردازش میشوند. گارتنر پیش بینی می کند که این نسبت تا سال 2025 به 75 درصد افزایش یابد. تکثیر دستگاه های IoT در حاشیه شبکه حجم عظیمی از داده ها را تولید می کند و ذخیره و استفاده از این داده ها در مراکز داده ابری فشار قابل توجهی بر ظرفیت های پهنای باند شبکه وارد می کند. علیرغم پیشرفتهای فناوری شبکه، مراکز داده متمرکز اغلب برای اطمینان از نرخهای انتقال و زمان پاسخ قابل قبول، که اغلب پیش نیازهای حیاتی برای برنامههای متعدد هستند، تلاش میکنند. علاوه بر این، دستگاههای لبه بهطور مداوم دادههایی را که از فضای ابری سرچشمه میگیرد، مصرف میکنند، و سازمانها را مجبور میکنند تا ذخیرهسازی دادهها و ارائه خدمات را با بهرهبرداری از نزدیکی فیزیکی به کاربر نهایی، غیرمتمرکز کنند.
به طور مشابه، محاسبات لبه با هدف جابهجایی فرآیندهای محاسباتی از مراکز داده متمرکز به شبکه یا اشیاء پیرامونی شبکه، اجراهای هوشمند، تجهیز تلفن همراه به اهرمها انجام میشود. و خدمات را از طرف ابر ارائه دهید. این جابجایی سرویسها به لبه، ذخیرهسازی محتوا، تحویل سریع خدمات، ذخیرهسازی دائمی دادهها و مدیریت کارآمد اینترنت اشیا را تسهیل میکند و در نتیجه زمان پاسخدهی و نرخ انتقال را بهبود میبخشد. به طور همزمان، توزیع منطق محاسباتی در گرههای شبکه متفاوت، پیچیدگیها و چالشهای جدیدی را ارائه میکند.
حریم خصوصی و امنیت
معماری توزیع شده ذاتی این پارادایم نیازمند ارزیابی مجدد چارچوب های امنیتی است که به طور سنتی در رایانش ابری استفاده می شود. در محاسبات لبهای، دادهها از گرههای توزیعشده مختلفی که از طریق اینترنت به هم متصل هستند عبور میکنند، در نتیجه مکانیسمهای رمزگذاری تخصصی متمایز از مکانیزمهایی که معمولاً توسط ابر مدیریت میشوند، الزامی میشوند. این روش به طور همزمان تأخیر را به حداقل می رساند، مصرف پهنای باند را کاهش می دهد و پاسخگویی بلادرنگ را برای برنامه ها افزایش می دهد. علاوه بر این، گرههای لبه اغلب میتوانند دستگاههایی با محدودیت منابع باشند، که گزینههای موجود برای پروتکلهای امنیتی را محدود میکند. علاوه بر این، گذار از یک زیرساخت متمرکز و سلسله مراتبی به یک مدل اعتماد غیرمتمرکز ضروری می شود. برعکس، حفظ و پردازش داده ها در لبه می تواند حریم خصوصی را با کاهش انتقال اطلاعات حساس به ابر افزایش دهد. علاوه بر این، مالکیت داده ها از ارائه دهندگان خدمات به کاربران نهایی منتقل می شود.
مقیاس پذیری
مقیاسپذیری در یک شبکه توزیع شده چندین چالش را به همراه دارد. در ابتدا، باید ناهمگونی ذاتی دستگاهها را که با قابلیتهای عملکردی متنوع و محدودیتهای انرژی، محیط عملیاتی بسیار پویا، و غیرقابل اعتماد بودن نسبی اتصالات نسبت به زیرساختهای قویتر موجود در مراکز داده ابری مشخص میشود، در نظر بگیرد. علاوه بر این، پروتکلهای امنیتی سختگیرانه میتوانند تأخیر ارتباطی بیشتری را بین گرهها ایجاد کنند و به طور بالقوه فرآیند مقیاسپذیری را مختل کنند.
روشهای زمانبندی پیشرفته میتوانند استفاده مؤثر از منابع لبه را افزایش داده و مقیاس سرورهای لبه را از طریق تخصیص حداقل منابع محاسباتی بارگذاریشده به هر وظیفه خارج از کار، تسهیل کنند.
قابلیت اطمینان
مدیریت Failover موثر برای اطمینان از در دسترس بودن سرویس مستمر بسیار مهم است. اگر یک گره منفرد غیرقابل استفاده یا غیرقابل دسترسی شود، کاربران باید دسترسی بدون وقفه به سرویس را حفظ کنند. علاوه بر این، معماریهای محاسباتی لبه برای پیادهسازی مکانیسمهایی برای بازیابی خرابی و آگاه کردن کاربران از چنین حوادثی مورد نیاز هستند. در نتیجه، هر دستگاه در سیستم توزیع شده باید یک نمایش به روز از توپولوژی شبکه را حفظ کند، در نتیجه فرآیندهای تشخیص خطا و بازیابی کارآمد را تسهیل می کند. عوامل تعیینکننده دیگری که بر قابلیت اطمینان تأثیر میگذارند عبارتند از فناوریهای اتصال به کار گرفته شده، که درجات مختلفی از استحکام را ارائه میدهند، و پتانسیل نادرستی دادهها در لبه، که اغلب به عوامل محیطی خاص نسبت داده میشود. به عنوان مثال، یک دستگاه محاسباتی لبه، مانند دستیار صوتی، میتواند ارائه خدمات به کاربران محلی را حتی در میان اختلالات سرویس ابری یا نقص اتصال به اینترنت حفظ کند.
سرعت
محاسبات لبه به صورت استراتژیک، منابع تحلیلی و محاسباتی را در مجاورت کاربران نهایی قرار می دهد و در نتیجه پاسخگویی برنامه و توان عملیاتی کلی را افزایش می دهد. انتظار میرود که یک پلتفرم لبهای با مهندسی بهینه عملکرد برتر را در مقایسه با سیستمهای مبتنی بر ابر معمولی نشان دهد. برخی از برنامههای کاربردی نیاز به حداقل تأخیر در پاسخ دارند، که محاسبات لبه را به یک راهحل قابل توجهتر نسبت به رایانش ابری تبدیل میکند. کاربردهای گویا از اینترنت اشیا (IoT) و رانندگی مستقل تا سیستمهایی که برای سلامتی، انسان یا امنیت عمومی حیاتی هستند، و همچنین آنهایی که شامل ادراک انسان میشوند، مانند تشخیص چهره، کاری که معمولاً توسط انسان در 370-620 میلیثانیه انجام میشود، را شامل میشود. محاسبات لبه تمایل بیشتری برای تقلید از سرعت ادراک انسان از خود نشان می دهد، این قابلیت به ویژه در برنامه هایی مانند واقعیت افزوده مفید است، جایی که هدست به طور ایده آل افراد را همزمان با تشخیص خود کاربر شناسایی می کند.
کارایی
نزدیک بودن منابع تحلیلی به کاربران نهایی، استقرار ابزارهای پیچیده تحلیلی و هوش مصنوعی را مستقیماً در لبه سیستم امکان پذیر می کند. این قرارگیری لبه استراتژیک به افزایش بهره وری عملیاتی کمک می کند و مزایای سیستمی متعددی را به همراه دارد. در معماری های هوش مصنوعی توزیع شده در لبه، فشرده سازی داده ها به تدریج به عنوان یک جزء اساسی طراحی برای کاهش محدودیت های پهنای باند ناشی از انتقال مدل های قابل توجه و جریان های داده حسگر با وضوح بالا مورد تایید قرار می گیرد.
علاوه بر این، استقرار محاسبات لبه به عنوان یک لایه میانی بین دستگاه های سرویس گیرنده و اینترنت گسترده تر، بهره وری قابل توجهی را به همراه دارد، همانطور که در مثال بعدی نشان داده شده است: سناریویی را در نظر بگیرید که در آن یک دستگاه مشتری نیاز به پردازش فشرده محاسباتی فایل های ویدئویی دارد که به طور سنتی بر روی سرورهای خارجی اجرا می شود. با استفاده از سرورهای واقع در یک شبکه لبه محلی برای این محاسبات، فایل های ویدئویی منحصراً در محدوده شبکه محلی منتقل می شوند. این دور زدن انتقال اینترنت منجر به حفظ پهنای باند قابل توجه و در نتیجه افزایش کارایی عملیاتی می شود. به طور مشابه، در برنامههای تشخیص صدا، پردازش محلی انتقال متن شناسایی شده به ابر را به جای ضبطهای صوتی خام امکانپذیر میسازد و در نتیجه پهنای باند مورد نیاز را بهطور چشمگیری کاهش میدهد.
برنامه ها
سرویسهای برنامه Edge حجم دادههای مورد نیاز انتقال را کاهش میدهند، در نتیجه ترافیک شبکه و دادههای فاصله فیزیکی را کاهش میدهند. این رویکرد تاخیر کمتری را به همراه دارد و هزینه های انتقال را کاهش می دهد. تحقیقات اولیه نشان داده است که بارگذاری محاسباتی برای برنامههای بلادرنگ، مانند الگوریتمهای تشخیص چهره، بهطور قابلتوجهی زمان پاسخ را افزایش میدهد. بررسیهای بعدی نشان داد که استقرار ماشینهای غنی از منابع، که کلودلتها یا مراکز داده میکرو نامیده میشوند، در مجاورت کاربران تلفن همراه - که خدماتی که معمولاً با رایانش ابری مرتبط هستند ارائه میدهند - کارایی اجرا را هنگامی که وظایف خاصی در گره لبه بارگذاری میشوند، بهبود میبخشد. برعکس، تخلیه هر وظیفه ممکن است منجر به کاهش عملکرد شود که به تاخیرهای انتقال داده بین دستگاه ها و گره ها نسبت داده می شود. در نتیجه، پیکربندی بهینه را میتوان بر اساس نیازهای بار کاری خاص تعیین کرد.
یک سیستم شبکه برق مبتنی بر اینترنت اشیا، ارتباط دو طرفه پارامترهای الکتریکی و دادهها را برای نظارت و کنترل جامع زیرساختهای برق تسهیل میکند، در نتیجه کارایی مدیریت انرژی را افزایش میدهد.
برنامههای برجسته شامل سیستمهای رانندگی خودکار زیرساختها، سیستمهای هوشمند رانندگی شهری نیز میشوند. ابتکارات، اتوماسیون خانگی، سیستم های موشکی، سیستم های ماهواره ای و چارچوب هایی مانند MediaPipe. دامنه رو به رشد هوش مصنوعی لبه (همچنین به عنوان هوش مصنوعی لبه، هوش لبه، "هوش مصنوعی محلی" یا "هوش مصنوعی روی دستگاه" نیز شناخته میشود) قابلیتهای هوش مصنوعی را مستقیماً در یک محیط محاسباتی لبه، چه در خود دستگاه یا در نزدیکی منبع داده، یکپارچه میکند.