محاسبات لبه‌ای (Edge Computing) چیست؟

محاسبات لبه‌ای (Edge Computing) چیست؟

محاسبات لبه‌ای (Edge Computing) چیست؟

محاسبات لبه‌ای فرآیند نزدیک کردن قابلیت‌های ذخیره‌سازی اطلاعات و محاسباتی به دستگاه‌هایی است که آن اطلاعات را تولید می‌کنند و کاربرانی که آن را مصرف می‌کنند. به طور سنتی، برنامه‌ها داده‌ها را از دستگاه‌های هوشمند مانند حسگرها و تلفن‌های هوشمند به یک مرکز داده مرکزی برای پردازش منتقل می‌کردند. با این حال، پیچیدگی و مقیاس بی‌سابقه داده‌ها از قابلیت‌های شبکه پیشی گرفته است. با انتقال قابلیت‌های پردازشی به کاربران و دستگاه‌ها، سیستم‌های محاسبات لبه‌ای به طور قابل توجهی عملکرد برنامه را بهبود می‌بخشند، نیازهای پهنای باند را کاهش می‌دهند و بینش‌های سریع‌تر و بی‌درنگ ارائه می‌دهند.

چرا محاسبات لبه‌ای مهم است؟

محاسبات لبه‌ای به دلیل اینکه به شرکت‌ها اجازه می‌دهد داده‌های خام خود را به طور کارآمدتر جمع‌آوری و تجزیه و تحلیل کنند، محبوب‌تر می‌شود. سازمان‌ها بیش از هر زمان دیگری به دسترسی فوری به داده‌های خود برای تصمیم‌گیری آگاهانه در مورد کارایی عملیاتی و عملکردهای تجاری خود نیاز دارند. در صورت استفاده صحیح، محاسبات لبه‌ای پتانسیل کمک به سازمان‌ها در بهبود ایمنی و عملکرد، خودکارسازی فرآیندها و بهبود تجربه کاربر را دارد.

در اینجا برخی از مزایای محاسبات لبه‌ای آورده شده است:

  • کاهش تأخیر/افزایش سرعت:
    • در بسیاری از صنایع، فناوری انتقال تقریباً فوری داده را می‌طلبد. به عنوان مثال، یک قطعه ماشین‌آلات روباتیک در یک کارخانه را در نظر بگیرید. اگر یک حادثه تولید، کارکرد آن روبات را ناامن کند، باید در اسرع وقت اطلاعات را دریافت کند تا بتواند خاموش شود.
  • بهبود امنیت داده:
    • با محاسبات لبه‌ای، اکثر داده‌ها به صورت محلی پردازش و ذخیره می‌شوند. هر اطلاعاتی که نیاز به ارسال به مرکز داده دارد، می‌تواند قبل از انتقال رمزگذاری شود. شرکت‌ها همچنین از محاسبات لبه‌ای برای رعایت قوانین حاکمیت داده، مانند مقررات عمومی حفاظت از داده‌ها (GDPR)، با نگهداری هرگونه داده حساس در نزدیکی منبع، استفاده می‌کنند.
  • افزایش بهره‌وری:
    • شرکت‌ها با پاسخگویی سریع‌تر به اطلاعات، بهره‌وری عملیاتی و کارکنان را بهبود می‌بخشند. با تجزیه و تحلیل داده‌های جمع‌آوری شده در منبع، سازمان‌ها می‌توانند زمینه‌های تأسیسات، زیرساخت‌ها یا تجهیزات خود را که عملکرد ضعیفی دارند، بهبود بخشند. محاسبات لبه‌ای را می‌توان با ابزارهای هوش مصنوعی و یادگیری ماشین ترکیب کرد تا هوش تجاری و بینش‌هایی را به دست آورد که به کارکنان و شرکت‌ها کمک می‌کند تا بهره‌وری بیشتری داشته باشند.
  • جمع‌آوری داده از راه دور:
    • جمع‌آوری داده‌ها از مکان‌هایی با اتصال و پهنای باند غیرقابل اعتماد چالش‌برانگیز است. ایجاد قابلیت‌های محاسباتی و ذخیره‌سازی داده در لبه شبکه به شرکت‌ها کمک می‌کند تا داده‌ها را از میدان‌های نفتی دوردست، مناطق صنعتی و کشتی‌های دریایی جمع‌آوری و انتقال دهند.
  • کاهش هزینه‌ها:
    • ارسال مقادیر زیادی داده از مبدأ به مراکز داده متمرکز پرهزینه است زیرا به پهنای باند بیشتری نیاز دارد. مدل محاسبات لبه‌ای به شما امکان می‌دهد میزان داده‌های ارسالی از سایت‌ها به مراکز داده را کاهش دهید زیرا کاربران نهایی فقط داده‌های حیاتی را ارسال می‌کنند. بسته به میزان داده‌ای که کسب و کار شما ارسال و پردازش می‌کند، این امر می‌تواند به طور قابل توجهی در هزینه‌های عملیاتی صرفه‌جویی کند.
  • عملکرد قابل اعتماد:
    • محاسبات لبه‌ای اغلب در مناطق دورافتاده‌ای انجام می‌شود که اتصال به اینترنت در آنجا کم است. با راه‌اندازی یک محیط محاسبات لبه‌ای، شرکت‌ها اطمینان حاصل می‌کنند که عملیات آنها به طور قابل اعتماد داده‌ها را پردازش، تجزیه و تحلیل و ذخیره می‌کند. این امر به طور قابل توجهی احتمال ابتلا به خرابی عملیاتی ناشی از اختلال در شبکه یا اتصال را کاهش می‌دهد.

کدام صنایع از محاسبات لبه‌ای استفاده می‌کنند؟

سرعت بالا و تأخیر کم انتقال داده، همراه با سهولت نسبی نصب دستگاه‌های لبه‌ای، باعث شده است که محاسبات لبه‌ای به طور گسترده در صنایع مختلف مورد استفاده قرار گیرد. در اینجا چند نمونه آورده شده است:

  • تولید:
    • گسترش دستگاه‌های اینترنت اشیا (IoT) مانند حسگرها و دروازه‌ها، سیستم‌های محاسبات لبه‌ای را در صنعت تولید رایج کرده است. تولیدکنندگان از راه حل‌های محاسبات لبه‌ای برای فعال کردن اتوماسیون، جمع‌آوری داده‌ها در محل، بهبود کارایی تولید و امکان ارتباط سریع ماشین به ماشین استفاده می‌کنند.
  • وسایل نقلیه خودران:
    • وسایل نقلیه خودران مانند خودروهای خودران به چندین حسگر اینترنت اشیا مجهز شده‌اند که هر ثانیه مقادیر زیادی داده را جمع‌آوری می‌کنند. آنها برای پاسخ فوری به پردازش داده در زمان واقعی نیاز دارند و نمی‌توانند برای تصمیم‌گیری‌های چند ثانیه‌ای به یک سرور راه دور تکیه کنند.
    • علاوه بر این، وسایل نقلیه خودران در صورت ارتباط با یکدیگر، به جای ارسال داده‌های مربوط به شرایط آب و هوایی، ترافیک، تصادفات یا انحرافات به یک سرور راه دور، کارآمدتر عمل می‌کنند. محاسبات لبه‌ای یک فناوری حیاتی برای اطمینان از ایمنی و توانایی آنها در قضاوت دقیق در مورد شرایط جاده است.
  • انرژی:
    • شرکت‌های انرژی از محاسبات لبه‌ای برای جمع‌آوری و ذخیره داده‌ها در سکوهای نفتی، میدان‌های گازی، توربین‌های بادی و مزارع خورشیدی استفاده می‌کنند. اپراتورهای سکو معمولاً هوش مصنوعی لبه‌ای را برای شناسایی خطرات و بهینه‌سازی و بازرسی خطوط لوله خود مستقر می‌کنند. محاسبات لبه‌ای به صنعت کمک می‌کند تا کارایی عملیاتی را بهبود بخشد، کارگران خود را ایمن نگه دارد و زمان انجام کارهای تعمیر و نگهداری را پیش‌بینی کند.
  • مراقبت‌های بهداشتی:
    • دستگاه‌های لبه‌ای عملکردهای حیاتی بیمار مانند دما و سطح قند خون را کنترل می‌کنند. محاسبات لبه‌ای به بخش مراقبت‌های بهداشتی اجازه می‌دهد تا این داده‌های بیمار را به صورت محلی ذخیره کند و حفاظت از حریم خصوصی را بهبود بخشد. مراکز پزشکی همچنین حجم داده‌ای را که به مکان‌های مرکزی ارسال می‌کنند کاهش می‌دهند و خطر از دست دادن داده‌ها را کاهش می‌دهند.

محاسبات لبه‌ای چگونه کار می‌کند؟

محاسبات لبه‌ای با نزدیک کردن محاسبات و ذخیره‌سازی به تولیدکنندگان و مصرف‌کنندگان داده کار می‌کند. استقرارهای لبه‌ای برای موارد استفاده مختلف متفاوت است، اما می‌توان آنها را به دو دسته کلی تقسیم کرد.

برنامه‌های کاربردی بالادستی (Upstream):

  • برنامه‌های کاربردی بالادستی جمع‌آوری داده‌ها از حسگرهای هوشمند و سایر دستگاه‌ها و سپس انتقال آن به مراکز داده برای پردازش بیشتر را در اولویت قرار می‌دهند. داده‌های جمع‌آوری شده به سه دسته اصلی تقسیم می‌شوند:
  • داده‌های زائد یا نامربوط، مانند داده‌های دمای اتاق که یک حسگر هر ۵ دقیقه یکبار اندازه‌گیری می‌کند.
  • داده‌های مفید با الزامات ذخیره‌سازی طولانی‌مدت، مانند میانگین دما در چند ساعت.
  • داده‌های مفید با پیامدهای کوتاه‌مدت، مانند مقادیر دمای اتاق که زیر آن بخاری باید روشن شود.
  • محاسبات لبه‌ای در موارد استفاده بالادستی بر تمایز بین این سه نوع منبع داده تمرکز دارد و سپس فقط اطلاعات حیاتی را به مرکز داده منتقل می‌کند. استراتژی‌های لبه‌ای می‌تواند شامل نمونه‌های زیر باشد.

مرکز داده محلی در محل:

شرکت‌ها ذخیره‌سازی، سرورها و سایر دستگاه‌های لبه‌ای را در کنار منبع داده قرار می‌دهند. به عنوان مثال، یک شرکت انرژی ممکن است چند رک سرور و یک LAN راه دور را در یک توربین بادی برای جمع‌آوری و پردازش داده‌های تولید شده توسط آن نصب کند.

ظرفیت محاسباتی در دستگاه‌های اینترنت اشیا (IoT):

این شرکت از حسگرهایی با ظرفیت محاسباتی کافی برای پردازش داده‌ها با استفاده از قوانین فیلتر از پیش تعیین شده قبل از انتقال استفاده می‌کند.

سرورهای لبه‌ای منطقه‌ای:

یک شرکت از خدمات ابری برای پردازش داده‌ها از چندین حسگر مختلف در یک منطقه واحد استفاده می‌کند. ارائه‌دهندگان ابری

می‌توانند خدمات ابری را محلی‌سازی کنند تا محاسبات در سرورهای لبه‌ای محلی در منطقه مورد نیاز شرکت انجام شود.

برنامه‌های کاربردی پایین‌دستی (Downstream):

برنامه‌های کاربردی پایین‌دستی تحویل داده به کاربران نهایی را در اولویت قرار می‌دهند. نمونه‌هایی از این دست شامل پخش زنده ویدئو در رسانه‌ها و سرگرمی، بازی‌های آنلاین یا فیدهای ویدئویی واقعیت مجازی است. محاسبات لبه‌ای برای موارد استفاده پایین‌دستی بر کاهش تأخیر شبکه تمرکز دارد تا کاربران رویدادها را همانطور که اتفاق می‌افتند تجربه کنند. در اینجا چند نمونه از محاسبات لبه‌ای پایین‌دستی آورده شده است.

ذخیره‌سازی موقت (Caching):

یک شرکت یک شبکه تحویل محتوا (CDN) راه‌اندازی می‌کند که محتوا را در سرورهای لبه‌ای از نظر جغرافیایی نزدیک‌تر به کاربران ذخیره می‌کند، بنابراین بسیار سریع‌تر به رایانه‌های آنها می‌رسد.

خدمات لبه‌ای ابری:

می‌توانید از یک سرویس محاسبات ابری برای اجرای بخش‌های حساس به تأخیر برنامه خود به صورت محلی در نقاط پایانی و منابع در یک جغرافیای خاص استفاده کنید.

محاسبات لبه‌ای موبایل:

یک شرکت از زیرساخت محاسبات لبه‌ای موبایل مانند شبکه‌های 5G و خدمات محاسبات ابری موبایل مبتنی بر 5G برای توسعه، استقرار و مقیاس‌بندی برنامه‌های کاربردی با تأخیر بسیار کم استفاده می‌کند.

تفاوت بین محاسبات لبه‌ای و محاسبات ابری چیست؟

محاسبات لبه‌ای اجرای بارهای کاری در لبه است، یعنی نزدیک‌تر به دستگاه‌ها و کاربران نهایی. از طرف دیگر، محاسبات ابری یک اصطلاح کلی است که شامل اجرای انواع بارهای کاری در مرکز داده یک ارائه‌دهنده خدمات ابری می‌شود.با این حال، توجه به این نکته مهم است که ارائه‌دهندگان خدمات ابری نیز خدمات محاسبات لبه‌ای را ارائه می‌دهند

 

رمزنگاری (Cryptography) چیست؟
شبیه‌سازی مونت کارلو (Monte Carlo Simulation) چیست؟

دیدگاهتان را بنویسید

سبد خرید
علاقه‌مندی‌ها
مشاهدات اخیر
دسته بندی ها