stringtranslate.com

Периферийные вычисления

Граничные вычисления — это парадигма распределенных вычислений, которая приближает вычисления и хранение данных к источникам данных, поэтому пользователь облачного приложения, скорее всего, будет физически ближе к серверу, чем если бы все серверы находились в одном месте. Это сделано для ускорения работы приложений. [1] В более широком смысле, это относится к любой конструкции, которая физически приближает вычисления к пользователю, чтобы уменьшить задержку по сравнению с тем, когда приложение выполняется в одном центре обработки данных . [2] В крайнем случае это может относиться просто к вычислениям на стороне клиента . [3]

Этот 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. [4] В начале 2000-х годов эти системы расширили сферу своей деятельности и стали размещать другие приложения, [5] что привело к появлению первых услуг периферийных вычислений. [6] Эти сервисы могут выполнять такие функции, как поиск дилеров, управление корзинами покупок, сбор данных в реальном времени и размещение рекламы.

Интернет вещей (IoT), где устройства подключаются к Интернету, часто связан с периферийными вычислениями. Однако важно понимать, что периферийные вычисления и Интернет вещей — это не одно и то же. [7]

Инфраструктура периферийных вычислений

Определение

Периферийные вычисления включают в себя запуск компьютерных программ, которые обеспечивают быстрое реагирование вблизи того места, где делаются запросы . Карим Араби во время основного доклада IEEE DAC 2014 [8] и позднее на семинаре MIT MTL в 2015 году описал периферийные вычисления как вычисления, которые происходят вне облака , на границе сети, особенно для приложений, требующих немедленной обработки данных. [9] В отличие от центров обработки данных , среды периферийных вычислений не всегда имеют климат-контроль, несмотря на то, что требуют значительной вычислительной мощности. [10]

Периферийные вычисления часто приравнивают к туманным вычислениям , особенно в небольших системах. [11] Однако в более крупных проектах, таких как умные города , туманные вычисления служат отдельным слоем между периферийными вычислениями и облачными вычислениями, причем каждый уровень имеет свои собственные обязанности. [12] [13]

В отчете «Состояние периферии» поясняется, что периферийные вычисления ориентированы на серверы, расположенные рядом с конечными пользователями. [14] Алекс Резник, председатель комитета по стандартам ETSI MEC ISG, в общих чертах определяет «периферию» как все, что не является традиционным центром обработки данных. [15]

В облачных играх пограничные 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. [16]

Граничные вычисления могут использовать технологию виртуализации для упрощения развертывания и управления различными приложениями на пограничных серверах. [17]

Концепция

Ожидается, что к 2025 году объем мировых данных вырастет на 61 процент до 175 зеттабайт . [18] По данным исследовательской компании Gartner, около 10 процентов генерируемых предприятиями данных создаются и обрабатываются за пределами традиционного централизованного центра обработки данных или облака. К 2025 году фирма прогнозирует, что этот показатель достигнет 75 процентов. [19] Увеличение числа устройств IoT на границах сети приводит к созданию огромных объемов данных, а хранение и использование всех этих данных в облачных центрах обработки данных доводит требования к пропускной способности сети до предела. [20] Несмотря на совершенствование сетевых технологий, центры обработки данных не могут гарантировать приемлемую скорость передачи данных и время отклика, что часто является критическим требованием для многих приложений. [21] Кроме того, периферийные устройства 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 — перенести вычисления из центров обработки данных к границе сети, используя интеллектуальные объекты , мобильные телефоны или сетевые шлюзы для выполнения задач и предоставления услуг от имени облака. [22] Перемещая сервисы на периферию, можно обеспечить кэширование контента , доставку услуг, постоянное хранение данных и управление Интернетом вещей, что приводит к улучшению времени отклика и скорости передачи. В то же время распределение логики между различными узлами сети создает новые проблемы и проблемы. [23]

Конфиденциальность и безопасность

Распределенная природа этой парадигмы приводит к изменению схем безопасности, используемых в облачных вычислениях . В периферийных вычислениях данные могут перемещаться между различными распределенными узлами, подключенными через Интернет , и поэтому требуются специальные механизмы шифрования, независимые от облака. Граничные узлы также могут быть устройствами с ограниченными ресурсами, что ограничивает выбор методов безопасности. Более того, необходим переход от централизованной нисходящей инфраструктуры к децентрализованной модели доверия. [24] С другой стороны, храня и обрабатывая данные на периферии, можно повысить конфиденциальность за счет минимизации передачи конфиденциальной информации в облако. Более того, право собственности на собранные данные переходит от поставщиков услуг к конечным пользователям. [25]

Масштабируемость

Масштабируемость в распределенной сети сталкивается с различными проблемами. Во-первых, необходимо учитывать неоднородность устройств, имеющих разные ограничения по производительности и энергопотреблению, высокодинамичные условия и надежность соединений по сравнению с более надежной инфраструктурой облачных центров обработки данных. Более того, требования безопасности могут привести к увеличению задержки при обмене данными между узлами, что может замедлить процесс масштабирования. [21]

Современная техника планирования может повысить эффективность использования периферийных ресурсов и масштабировать пограничный сервер, назначая минимальные периферийные ресурсы каждой выгружаемой задаче. [26]

Надежность

Управление аварийными переключениями имеет решающее значение для поддержания работоспособности службы. Если один узел выйдет из строя и станет недоступен, пользователи все равно смогут получить доступ к услуге без перебоев. Более того, периферийные вычислительные системы должны обеспечивать действия по восстановлению после сбоя и предупреждать пользователя об инциденте. С этой целью каждое устройство должно поддерживать сетевую топологию всей распределенной системы, чтобы можно было легко обнаружить ошибки и восстановить их. Другими факторами, которые могут повлиять на этот аспект, являются используемые технологии подключения, которые могут обеспечивать разные уровни надежности, а также точность данных, создаваемых на периферии, которая может быть ненадежной из-за определенных условий окружающей среды. [21] Например, периферийное вычислительное устройство, такое как голосовой помощник , может продолжать предоставлять услуги локальным пользователям даже во время перебоев в работе облачных служб или Интернета. [25]

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 целесообразным вариантом, чем облачные вычисления. Примеры варьируются от Интернета вещей до автономного вождения, [27] всего, что имеет отношение к здоровью или человеческой/общественной безопасности, [28] или к человеческому восприятию, например распознаванию лиц, на выполнение которого у человека обычно уходит 370–620 мс. [29] Периферийные вычисления с большей вероятностью смогут имитировать ту же скорость восприятия , что и люди, что полезно в таких приложениях, как дополненная реальность, где гарнитура предпочтительно должна распознавать человека одновременно с пользователем.

Эффективность

Благодаря близости аналитических ресурсов к конечным пользователям сложные аналитические инструменты и инструменты искусственного интеллекта могут работать на границе системы. Такое размещение на краю помогает повысить эффективность работы и дает системе множество преимуществ.

Кроме того, использование периферийных вычислений в качестве промежуточного этапа между клиентскими устройствами и более широким Интернетом приводит к экономии эффективности, которую можно продемонстрировать в следующем примере: Клиентское устройство требует интенсивной вычислительной обработки видеофайлов, которая должна выполняться на внешних серверах. Благодаря использованию для выполнения этих вычислений серверов, расположенных в локальной пограничной сети, видеофайлы необходимо передавать только по локальной сети. Отказ от передачи через Интернет приводит к значительной экономии полосы пропускания и, следовательно, к повышению эффективности. [29] Другой пример — распознавание голоса . Если распознавание выполняется локально, можно отправлять в облако распознанный текст, а не аудиозаписи, что значительно снижает объем необходимой пропускной способности. [25]

Приложения

Edge application services reduce the volumes of data that must be moved, the consequent traffic, and the distance that data must travel. That provides lower latency and reduces transmission costs. Computation offloading for real-time applications, such as facial recognition algorithms, showed considerable improvements in response times, as demonstrated in early research.[30] Further research showed that using resource-rich machines called cloudlets or micro data centers near mobile users, which offer services typically found in the cloud, provided improvements in execution time when some of the tasks are offloaded to the edge node.[31] On the other hand, offloading every task may result in a slowdown due to transfer times between device and nodes, so depending on the workload, an optimal configuration can be defined.

IoT-based power grid system enables communication of electricity and data to monitor and control the power grid,[32] which makes energy management more efficient.

Another use of the architecture is cloud gaming, where some aspects of a game could run in the cloud, while the rendered video is transferred to lightweight clients running on devices such as mobile phones, VR glasses, etc. This type of streaming is also known as pixel streaming.[33]

Other notable applications include connected cars, autonomous cars,[34] smart cities,[35] Industry 4.0, home automation[36] and satellite systems.[37] The nascent field of edge artificial intelligence (edge AI) implements the artificial intelligence in an edge computing environment, close to where data is collected.[38]

See also

References

  1. ^ Hamilton, Eric (27 December 2018). "What is Edge Computing: The Network Edge Explained". cloudwards.net. Retrieved 2019-05-14.
  2. ^ Gartner. "Gartner Trend Insights report 2018" (PDF). Gartner. Archived (PDF) from the original on 2020-12-18. Retrieved 2021-05-26.
  3. ^ "Edge TPU - Run Inference at the Edge". Google Cloud.
  4. ^ «Глобально распределенная доставка контента, Дж. Дилли, Б. Мэггс, Дж. Парих, Х. Прокоп, Р. Ситараман и Б. Вейл, Интернет-вычисления IEEE, том 6, выпуск 5, ноябрь 2002 г.» ( PDF) . Архивировано (PDF) из оригинала 9 августа 2017 г. Проверено 25 октября 2019 г.
  5. ^ Нигрен, Э.; Ситараман Р.К.; Сан, Дж. (2010). «Сеть Akamai: платформа для высокопроизводительных интернет-приложений» (PDF) . Обзор операционных систем ACM SIGOPS . 44 (3): 2–19. дои : 10.1145/1842733.1842736. S2CID  207181702. Архивировано (PDF) из оригинала 13 сентября 2012 г. . Проверено 19 ноября 2012 г. См. Раздел 6.2: Распространение приложений на периферии.
  6. ^ Дэвис, А.; Парих, Дж.; Вейль, В. (2004). «Периферийные вычисления: распространение корпоративных приложений на границе Интернета». Материалы 13-й международной конференции World Wide Web по альтернативным трек-бумагам и плакатам - WWW Alt. '04 . п. 180. дои : 10.1145/1013367.1013397. ISBN 1581139128. S2CID  578337.
  7. ^ Гартнер. «Стратегическая дорожная карта развития периферийных вычислений на 2021 год». www.gartner.com . Архивировано из оригинала 30 марта 2021 г. Проверено 11 июля 2021 г.
  8. ^ «Основной доклад IEEE DAC 2014: возможности, проблемы и движущие силы технологий мобильных вычислений» . Архивировано из оригинала 30 июля 2020 г. Проверено 25 марта 2019 г.
  9. ^ Семинар MIT MTL: Тенденции, возможности и проблемы, движущие архитектуру и дизайн мобильных вычислений следующего поколения и устройств Интернета вещей
  10. ^ Кенн Энтони Мендоса. «Super Micro Computer представляет новые системы для периферийных вычислений». Супермикро .
  11. ^ «Что такое туманные и периферийные вычисления?». Capgemini по всему миру . 2017-03-02 . Проверено 6 июля 2021 г.
  12. ^ Долуи, Кустабх; Датта, Сумья Канти (июнь 2017 г.). «Сравнение реализаций периферийных вычислений: туманные вычисления, облачные вычисления и мобильные периферийные вычисления». Глобальный саммит Интернета вещей (GIoTS) 2017 . стр. 1–6. дои :10.1109/ГИОТС.2017.8016213. ISBN 978-1-5090-5873-0. S2CID  11600169.
  13. ^ «Разница между периферийными вычислениями и туманными вычислениями» . Гики для Гиков . 2021-11-27 . Проверено 11 сентября 2022 г.
  14. ^ «Данные в отчете Edge» . Технология Сигейт .
  15. ^ Резник, Алекс (14 мая 2018 г.). «Что такое Эдж?». ETSI — Блог ETSI — etsi.org . Проверено 19 февраля 2019 г. Что такое «Эдж»? Лучшее, что я могу сделать, это следующее: это что-то, кроме «облака центра обработки данных».
  16. ^ Ананд, Б.; Эдвин, Эй Джей Хао (январь 2014 г.). «Гамлеты — Многопользовательские мобильные игры с распределенными микрооблаками». 2014 Седьмая Международная конференция по мобильным вычислениям и повсеместным сетям (ICMU) . стр. 14–20. doi : 10.1109/ICMU.2014.6799051. ISBN 978-1-4799-2231-4. S2CID  10374389.
  17. ^ «Периферийная виртуализация справляется с потоком данных, но может быть сложной | TechTarget» . ИТ-операции . Проверено 13 декабря 2022 г.
  18. ^ Патрицио, Энди (3 декабря 2018 г.). «IDC: Ожидайте 175 зеттабайт данных по всему миру к 2025 году». Сетевой мир . Проверено 9 июля 2021 г.
  19. ^ «Что мы делаем и как мы сюда попали» . Гартнер . Проверено 21 декабря 2021 г.
  20. ^ Ивкович, Йован (11 июля 2016 г.). Методы и процедуры ускорения операций и запросов в больших системах баз данных и хранилищах данных (системы больших данных) (PDF) . Национальный репозиторий диссертаций Сербии (докторская диссертация) (на сербском и американском английском).
  21. ^ 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.
  22. ^ Меренда, Массимо; Поркаро, Карло; Иеро, Деметрио (29 апреля 2020 г.). «Периферийное машинное обучение для устройств Интернета вещей с поддержкой искусственного интеллекта: обзор». Датчики . 20 (9): 2533. Бибкод : 2020Senso..20.2533M. дои : 10.3390/s20092533 . ПМЦ 7273223 . ПМИД  32365645. 
  23. ^ «Управление Интернетом вещей» . Проверено 8 апреля 2020 г.
  24. ^ Гарсиа Лопес, Педро; Монтрезор, Альберто; Эпема, Дик; Датта, Анвитаман; Хигасино, Теруо; Ямниччи, 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 .
  25. ^ abc 3 преимущества периферийных вычислений. Арон Брэнд. Medium.com. 20 сентября 2019 г.
  26. ^ Бабар, Мохаммед; Сохаил Хан, Мухаммед (июль 2021 г.). «ScalEdge: платформа для масштабируемых периферийных вычислений в интеллектуальных системах на базе Интернета вещей». Международный журнал распределенных сенсорных сетей . 17 (7): 155014772110353. doi : 10.1177/15501477211035332 . ISSN  1550-1477. S2CID  236917011.
  27. ^ 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. дои : 10.1109/JPROC.2019.2915983. S2CID  198311944. Архивировано из оригинала 26 мая 2021 г. Проверено 26 мая 2021 г.
  28. ^ Ю, В.; и другие. (2018). «Обзор периферийных вычислений для Интернета вещей». Доступ IEEE, том. 6, стр. 6900-6919 . arXiv : 2104.01776 . дои : 10.1109/JIOT.2021.3072611. S2CID  233025108. Архивировано из оригинала 26 мая 2021 г. Проверено 26 мая 2021 г.
  29. ^ аб Сатьянараянан, Махадев (январь 2017 г.). «Появление периферийных вычислений». Компьютер . 50 (1): 30–39. дои : 10.1109/MC.2017.9. ISSN  1558-0814. S2CID  12563598.
  30. ^ Йи, С.; Хао, З.; Цинь, З.; Ли, К. (ноябрь 2015 г.). «Туманные вычисления: платформа и приложения». Третий семинар IEEE 2015 г. по актуальным темам веб-систем и технологий (HotWeb) . стр. 73–78. дои : 10.1109/HotWeb.2015.22. ISBN 978-1-4673-9688-2. S2CID  6753944.
  31. ^ Вербелен, Тим; Симоенс, Питер; Де Турк, Филип; Дходт, Барт (2012). «Облачки». Материалы третьего семинара ACM по мобильным облачным вычислениям и сервисам . АКМ. стр. 29–36. дои : 10.1145/2307849.2307858. hdl : 1854/LU-2984272 . ISBN 9781450313193. S2CID  3249347 . Проверено 4 июля 2019 г.
  32. ^ Минь, Куи Нгуен; Нгуен, Ван-Хау; Куи, 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.
  33. ^ «CloudHide: методы сокрытия задержки для облачных игр на тонких клиентах» . Исследовательские ворота . Проверено 12 апреля 2019 г.
  34. ^ Пришло время думать не только об облачных вычислениях. Опубликовано Wired.com, получено 10 апреля 2019 г.
  35. ^ Талеб, Тарик; Датта, Санни; Ксентини, Адлен; Икбал, Муддесар; Флинк, Ханну (март 2017 г.). «Потенциал мобильных периферийных вычислений сделает города умнее». Журнал коммуникаций IEEE . 55 (3): 38–43. дои : 10.1109/MCOM.2017.1600249CM. S2CID  11163718 . Проверено 5 июля 2019 г.
  36. ^ Чакраборти, Т.; Датта, Словакия (ноябрь 2017 г.). «Домашняя автоматизация с использованием периферийных вычислений и Интернета вещей». Международный симпозиум IEEE по бытовой электронике (ISCE) 2017 . стр. 47–49. дои : 10.1109/ISCE.2017.8355544. ISBN 978-1-5386-2189-9. S2CID  19156163.
  37. ^ Размер премии: как периферийные вычисления в космосе будут способствовать созданию ценности? Опубликовано через спутник, получено 18 августа 2023 г.
  38. ^ «Что такое пограничный ИИ?». www.redhat.com . Проверено 25 октября 2023 г.