stringtranslate.com

Периферийные вычисления

Edge computing — это распределенная вычислительная модель, которая приближает вычисления и хранение данных к источникам данных. В более широком смысле, это относится к любой конструкции, которая физически приближает вычисления к пользователю, чтобы сократить задержку по сравнению с тем, когда приложение работает в централизованном центре обработки данных . [1]

Термин начал использоваться в 1990-х годах для описания сетей доставки контента — они использовались для доставки веб-сайтов и видеоконтента с серверов, расположенных рядом с пользователями. [2] В начале 2000-х годов эти системы расширили свою сферу применения, включив в нее другие приложения, [3] что привело к появлению первых сервисов периферийных вычислений. [4] Эти сервисы могли выполнять такие функции, как поиск дилеров, управление корзинами покупок, сбор данных в реальном времени и размещение рекламы.

Интернет вещей (IoT), где устройства подключены к Интернету, часто связывают с периферийными вычислениями. Однако важно понимать, что периферийные вычисления и IoT — это не одно и то же. [5]

Инфраструктура периферийных вычислений

Определение

Периферийные вычисления включают запуск компьютерных программ, которые быстро отвечают близко к месту отправки запросов . Карим Араби во время основного доклада IEEE DAC 2014 [6] и позднее на семинаре MIT MTL в 2015 году описал периферийные вычисления как вычисления, которые происходят вне облака , на периферии сети, особенно для приложений, требующих немедленной обработки данных. [7] В отличие от центров обработки данных , периферийные вычислительные среды не всегда имеют климат-контроль, несмотря на то, что требуют значительной вычислительной мощности. [8]

Периферийные вычисления часто приравниваются к туманным вычислениям , особенно в небольших установках. [9] Однако в более крупных развертываниях, таких как умные города , туманные вычисления служат отдельным слоем между периферийными вычислениями и облачными вычислениями, причем каждый слой имеет свои собственные обязанности. [10] [11]

В отчете «Состояние периферии» объясняется, что периферийные вычисления фокусируются на серверах, расположенных близко к конечным пользователям. [12] Алекс Резник, председатель комитета по стандартам ETSI MEC ISG, определяет «периферию» в широком смысле как все, что не является традиционным центром обработки данных. [13]

В облачных играх периферийные узлы, известные как «геймлеты», обычно находятся в пределах одного или двух сетевых переходов от клиента, что обеспечивает быстрое время отклика для игр в реальном времени. [14]

Периферийные вычисления могут использовать технологию виртуализации для упрощения развертывания и управления различными приложениями на периферийных серверах. [15]

Концепция

Ожидается, что к 2025 году объем данных в мире вырастет на 61 процент и составит 175 зеттабайт . [16] По данным исследовательской компании Gartner, около 10 процентов данных, генерируемых предприятиями, создаются и обрабатываются за пределами традиционного централизованного центра обработки данных или облака. К 2025 году компания прогнозирует, что этот показатель достигнет 75 процентов. [17] Увеличение количества устройств IoT на периферии сети приводит к созданию огромного объема данных — хранение и использование всех этих данных в облачных центрах обработки данных предъявляет к сети жесткие требования к пропускной способности. [18] Несмотря на усовершенствования в сетевых технологиях, центры обработки данных не могут гарантировать приемлемую скорость передачи данных и время отклика, что часто является критически важным требованием для многих приложений. [19] Кроме того, устройства на периферии постоянно потребляют данные, поступающие из облака, что вынуждает компании децентрализовать хранение данных и предоставление услуг, используя физическую близость к конечному пользователю.

Аналогичным образом, цель периферийных вычислений — переместить вычисления из центров обработки данных к периферии сети, используя интеллектуальные объекты , мобильные телефоны или сетевые шлюзы для выполнения задач и предоставления услуг от имени облака. [20] Перемещая сервисы на периферию, можно обеспечить кэширование контента , доставку услуг, постоянное хранение данных и управление IoT, что приводит к улучшению времени отклика и скорости передачи данных. В то же время распределение логики по различным сетевым узлам приводит к новым проблемам и вызовам. [21]

Конфиденциальность и безопасность

Распределенная природа этой парадигмы вносит сдвиг в схемы безопасности, используемые в облачных вычислениях . В периферийных вычислениях данные могут перемещаться между различными распределенными узлами, подключенными через Интернет , и, таким образом, требуют специальных механизмов шифрования, независимых от облака. Периферийные узлы также могут быть устройствами с ограниченными ресурсами, что ограничивает выбор с точки зрения методов безопасности. Более того, требуется переход от централизованной инфраструктуры сверху вниз к децентрализованной модели доверия. [22] С другой стороны, сохраняя и обрабатывая данные на периферии, можно повысить конфиденциальность, минимизируя передачу конфиденциальной информации в облако. Кроме того, право собственности на собранные данные переходит от поставщиков услуг к конечным пользователям. [23]

Масштабируемость

Масштабируемость в распределенной сети должна сталкиваться с различными проблемами. Во-первых, она должна учитывать неоднородность устройств, имеющих различные ограничения производительности и энергопотребления, высокодинамичное состояние и надежность соединений по сравнению с более надежной инфраструктурой облачных центров обработки данных. Более того, требования безопасности могут вносить дополнительную задержку в связь между узлами, что может замедлить процесс масштабирования. [19]

Современная технология планирования может повысить эффективность использования периферийных ресурсов и масштабировать периферийный сервер, назначая минимальные периферийные ресурсы каждой выгруженной задаче. [24]

Надежность

Управление отказоустойчивостью имеет решающее значение для поддержания работоспособности сервиса. Если один узел выходит из строя и становится недоступным, пользователи все равно должны иметь возможность доступа к сервису без перебоев. Более того, периферийные вычислительные системы должны обеспечивать действия по восстановлению после сбоя и оповещать пользователя об инциденте. Для этой цели каждое устройство должно поддерживать топологию сети всей распределенной системы, чтобы обнаружение ошибок и восстановление стали легко применимыми. Другими факторами, которые могут влиять на этот аспект, являются используемые технологии подключения, которые могут обеспечивать различные уровни надежности, и точность данных, полученных на периферии, которые могут быть ненадежными из-за определенных условий среды. [19] Например, периферийное вычислительное устройство, такое как голосовой помощник , может продолжать предоставлять услуги локальным пользователям даже во время сбоев в работе облачного сервиса или интернета. [23]

Скорость

Периферийные вычисления приближают аналитические вычислительные ресурсы к конечным пользователям и, следовательно, могут повысить скорость реагирования и пропускную способность приложений. Хорошо спроектированная периферийная платформа значительно превзойдет традиционную облачную систему. Некоторые приложения полагаются на короткое время отклика, что делает периферийные вычисления значительно более осуществимым вариантом, чем облачные вычисления. Примеры варьируются от IoT до автономного вождения, [25] всего, что касается здоровья или безопасности человека/общественности, [26] или включает человеческое восприятие, такое как распознавание лиц, на выполнение которого человеку обычно требуется от 370 до 620 мс. [27] Периферийные вычисления, скорее всего, смогут имитировать ту же скорость восприятия , что и люди, что полезно в таких приложениях, как дополненная реальность, где гарнитура должна предпочтительно распознавать, кто является человеком, в то же время, что и его владелец.

Эффективность

Благодаря близости аналитических ресурсов к конечным пользователям, сложные аналитические инструменты и инструменты искусственного интеллекта могут работать на периферии системы. Такое размещение на периферии помогает повысить эффективность работы и отвечает за многие преимущества системы.

Кроме того, использование периферийных вычислений в качестве промежуточного этапа между клиентскими устройствами и более широким Интернетом приводит к экономии эффективности, что можно продемонстрировать в следующем примере: клиентскому устройству требуется вычислительно интенсивная обработка видеофайлов, которая должна выполняться на внешних серверах. При использовании серверов, расположенных в локальной периферийной сети, для выполнения этих вычислений видеофайлы необходимо передавать только в локальной сети. Избегание передачи через Интернет приводит к значительной экономии полосы пропускания и, следовательно, повышает эффективность. [27] Другим примером является распознавание голоса . Если распознавание выполняется локально, можно отправлять распознанный текст в облако, а не аудиозаписи, что значительно сокращает объем требуемой полосы пропускания. [23]

Приложения

Службы периферийных приложений сокращают объемы данных, которые необходимо переместить, соответствующий трафик и расстояние, которое должны пройти данные. Это обеспечивает меньшую задержку и снижает затраты на передачу. Выгрузка вычислений для приложений реального времени, таких как алгоритмы распознавания лиц, показала значительное улучшение времени отклика, как было продемонстрировано в ранних исследованиях. [28] Дальнейшие исследования показали, что использование ресурсоемких машин, называемых облачными вычислениями или микроцентрами обработки данных рядом с мобильными пользователями, которые предлагают услуги, обычно находящиеся в облаке, обеспечивает улучшение времени выполнения, когда некоторые задачи выгружаются на периферийный узел. [29] С другой стороны, выгрузка каждой задачи может привести к замедлению из-за времени передачи между устройством и узлами, поэтому в зависимости от рабочей нагрузки можно определить оптимальную конфигурацию.

Система электросетей на основе Интернета вещей обеспечивает передачу электроэнергии и данных для мониторинга и управления электросетью [30] , что делает управление энергопотреблением более эффективным.

Другие известные приложения включают подключенные автомобили , автономные автомобили , [31] умные города , [32] Индустрию 4.0 , домашнюю автоматизацию [33] и спутниковые системы. [34] Зарождающаяся область периферийного искусственного интеллекта (периферийный ИИ) реализует искусственный интеллект в периферийной вычислительной среде, на устройстве или вблизи того места, где собираются данные. [35]

Смотрите также

Ссылки

  1. ^ Gartner. "Gartner Trend Insights report 2018" (PDF) . Gartner . Архивировано (PDF) из оригинала 2020-12-18 . Получено 2021-05-26 .
  2. ^ "Глобально распределенная доставка контента, J. ​​Dilley, B. Maggs, J. Parikh, H. Prokop, R. Sitaraman и B. Weihl, IEEE Internet Computing, том 6, выпуск 5, ноябрь 2002 г." (PDF) . Архивировано (PDF) из оригинала 2017-08-09 . Получено 2019-10-25 .
  3. ^ Nygren., E.; Sitaraman RK; Sun, J. (2010). "The Akamai network: A platform for high-performance internet applications" (PDF) . ACM SIGOPS Operating Systems Review . 44 (3): 2–19. doi :10.1145/1842733.1842736. S2CID  207181702. Архивировано (PDF) из оригинала 13 сентября 2012 г. . Получено 19 ноября 2012 г. . См. раздел 6.2: Distributing Applications to the Edge
  4. ^ Дэвис, А.; Парих, Дж.; Вайль, В. (2004). "Edgecomputing: Extensioning enterprise applications to the edge of the internet". Труды 13-й международной конференции World Wide Web по альтернативным докладам и постерам - WWW Alt. '04 . стр. 180. doi :10.1145/1013367.1013397. ISBN 1581139128. S2CID  578337.
  5. ^ Gartner. «Стратегическая дорожная карта для периферийных вычислений на 2021 год». www.gartner.com . Архивировано из оригинала 2021-03-30 . Получено 2021-07-11 .
  6. ^ "IEEE DAC 2014 Keynote: Mobile Computing Opportunities, Challenges and Technology Drivers". Архивировано из оригинала 2020-07-30 . Получено 2019-03-25 .
  7. ^ Семинар MIT MTL: тенденции, возможности и проблемы, определяющие архитектуру и дизайн мобильных вычислений и устройств Интернета вещей следующего поколения
  8. ^ Кенн Энтони Мендоса. «Super Micro Computer представляет новые системы для периферийных вычислений». Supermicro .
  9. ^ "Что такое туманные и граничные вычисления?". Capgemini Worldwide . 2017-03-02 . Получено 2021-07-06 .
  10. ^ Dolui, Koustabh; Datta, Soumya Kanti (июнь 2017 г.). «Сравнение реализаций периферийных вычислений: туманные вычисления, облачные вычисления и мобильные периферийные вычисления». Глобальный саммит Интернета вещей 2017 г. (GIoTS) . стр. 1–6. doi :10.1109/GIOTS.2017.8016213. ISBN 978-1-5090-5873-0. S2CID  11600169.
  11. ^ "Разница между периферийными вычислениями и туманными вычислениями". GeeksforGeeks . 2021-11-27 . Получено 2022-09-11 .
  12. ^ "Отчет о данных на периферии". Seagate Technology .
  13. ^ Резник, Алекс (2018-05-14). "Что такое Edge?". ETSI - Блог ETSI - etsi.org . Получено 2019-02-19 . Что такое 'Edge'? Лучшее, что я могу сказать, это: это все, что не является 'облаком центра обработки данных'.
  14. ^ Ананд, Б.; Эдвин, А. Дж. Хао (январь 2014 г.). «Gamelets — многопользовательские мобильные игры с распределенными микрооблаками». 2014 г. Седьмая международная конференция по мобильным вычислениям и повсеместному сетевому взаимодействию (ICMU) . стр. 14–20. doi :10.1109/ICMU.2014.6799051. ISBN 978-1-4799-2231-4. S2CID  10374389.
  15. ^ "Виртуализация периферии управляет потоком данных, но может быть сложной | TechTarget". IT Operations . Получено 2022-12-13 .
  16. ^ Патрицио, Энди (2018-12-03). "IDC: Ожидается 175 зеттабайт данных во всем мире к 2025 году". Network World . Получено 2021-07-09 .
  17. ^ «Что мы делаем и как мы сюда попали». Gartner . Получено 21.12.2021 .
  18. ^ Ивкович, Йован (2016-07-11). Методы и процедуры ускорения операций и запросов в больших системах баз данных и хранилищах данных (системы больших данных) (PDF) . Национальный репозиторий диссертаций в Сербии (докторская диссертация) (на сербском и американском английском).
  19. ^ abc Ши, Вейсонг; Цао, Цзе; Чжан, Цюань; Ли, Юхуэйцзы; Сюй, Ланьюй (октябрь 2016 г.). «Периферийные вычисления: видение и проблемы». Журнал IEEE Интернета вещей . 3 (5): 637–646. дои : 10.1109/JIOT.2016.2579198. S2CID  4237186.
  20. ^ Меренда, Массимо; Поркаро, Карло; Иеро, Деметрио (29 апреля 2020 г.). «Edge Machine Learning для устройств Интернета вещей с поддержкой ИИ: обзор». Датчики . 20 (9): 2533. Bibcode : 2020Senso..20.2533M. doi : 10.3390/s20092533 . PMC 7273223. PMID  32365645 . 
  21. ^ "Управление IoT" . Получено 2020-04-08 .
  22. ^ Гарсиа Лопес, Педро; Монтрезор, Альберто; Эпема, Дик; Датта, Анвитаман; Хигасино, Теруо; Ямнитчи, Адриана; Барселлос, Мариньо; Фельбер, Паскаль; Ривьер, Этьен (30 сентября 2015 г.). «Периферийные вычисления». Обзор компьютерных коммуникаций ACM SIGCOMM . 45 (5): 37–42. дои : 10.1145/2831347.2831354 . hdl : 11572/114780 .
  23. ^ abc 3 Преимущества периферийных вычислений. Арон Брэнд. Medium.com. 20 сентября 2019 г.
  24. ^ Бабар, Мохаммад; Сохаил Хан, Мухаммад (июль 2021 г.). «ScalEdge: фреймворк для масштабируемых периферийных вычислений в интеллектуальных системах на основе Интернета вещей». Международный журнал распределенных сенсорных сетей . 17 (7): 155014772110353. doi : 10.1177/15501477211035332 . ISSN  1550-1477. S2CID  236917011.
  25. ^ Лю, С.; Лю, Л.; Тан, Б. Ву; Ван, Дж.; Ши, В. (2019). «Периферийные вычисления для автономного вождения: возможности и проблемы». Труды IEEE . 107 (8): 1697–1716. doi :10.1109/JPROC.2019.2915983. S2CID  198311944. Архивировано из оригинала 26.05.2021 . Получено 26.05.2021 .
  26. ^ Yu, W.; et al. (2018). «Обзор периферийных вычислений для Интернета вещей». IEEE Access, т. 6, стр. 6900-6919 . arXiv : 2104.01776 . doi :10.1109/JIOT.2021.3072611. S2CID  233025108. Архивировано из оригинала 26.05.2021 . Получено 26.05.2021 .
  27. ^ ab Satyanarayanan, Mahadev (январь 2017 г.). «Возникновение периферийных вычислений». Computer . 50 (1): 30–39. doi :10.1109/MC.2017.9. ISSN  1558-0814. S2CID  12563598.
  28. ^ Yi, S.; Hao, Z.; Qin, Z.; Li, Q. (ноябрь 2015 г.). «Туманные вычисления: платформа и приложения». Третий семинар IEEE 2015 г. по актуальным темам в веб-системах и технологиях (HotWeb) . стр. 73–78. doi :10.1109/HotWeb.2015.22. ISBN 978-1-4673-9688-2. S2CID  6753944.
  29. ^ Verbelen, Tim; Simoens, Pieter; De Turck, Filip; Dhoedt, Bart (2012). "Cloudlets". Труды третьего семинара ACM по облачным вычислениям и услугам для мобильных устройств . ACM. стр. 29–36. doi :10.1145/2307849.2307858. hdl : 1854/LU-2984272 . ISBN 9781450313193. S2CID  3249347 . Получено 4 июля 2019 г. .
  30. ^ Минь, Куи Нгуен; Нгуен, Ван-Хау; Куй, Ву Кхан; Нгок, Ле Ань; Чехри, Абделла; Чон, Квангиль (2022). «Периферийные вычисления для интеллектуальных сетей с поддержкой Интернета вещей: будущее энергетики». Энергии . 15 (17): 6140. doi : 10.3390/en15176140 . ISSN  1996-1073.
  31. ^ Пришло время подумать о вещах, выходящих за рамки облачных вычислений Опубликовано wired.com Получено 10 апреля 2019 г.
  32. ^ Талеб, Тарик; Датта, Санни; Ксентини, Адлен; Икбал, Муддесар; Флинк, Ханну (март 2017 г.). «Потенциал мобильных периферийных вычислений в создании умных городов». Журнал IEEE Communications . 55 (3): 38–43. doi :10.1109/MCOM.2017.1600249CM. S2CID  11163718. Получено 5 июля 2019 г.
  33. ^ Чакраборти, Т.; Датта, СК (ноябрь 2017 г.). «Домашняя автоматизация с использованием периферийных вычислений и Интернета вещей». Международный симпозиум IEEE по потребительской электронике (ISCE) 2017 г. стр. 47–49. doi :10.1109/ISCE.2017.8355544. ISBN 978-1-5386-2189-9. S2CID  19156163.
  34. ^ Размер приза: как периферийные вычисления в космосе будут способствовать созданию ценности? Опубликовано Via Satellite, получено 18 августа 2023 г.
  35. ^ «Что такое Edge AI?». www.redhat.com . Получено 25.10.2023 .