محاسبات لبه‌ای و سکوهای برتر آن

بر اساس پیش‌بینی شرکت پژوهشی گارتنر، در سال 2020 بیشتر از 20 میلیارد دستگاه متصل به اینترنت خواهیم داشت. با در نظر گرفتن جمعیت جهان، سهم هر شخص تقریباً سه دستگاه است. نوع اطلاعاتی که این دستگاه‌ها در هر ثانیه تولید می‌کنند فراتر از تصور است. امروزه فضاهای ذخیره‌سازی بزرگی بر پایه زیرساخت‌های ابری و در مقیاس سازمانی نیاز هستند. اپلیکیشن‌هایی مانند تحلیل داده نیز به‌صورت هاست ابری هستند. (شکل 1)

شکل 1 - اینترنت اشیا؛ دنیایی که در آن همه‌ اجزا به‌هم متصل شده‌اند.

مطلب پیشنهادی

فارستر به‌ابعاد استفاده از IoT در زندگی بشر می‌پردازد

اینترنت اشیا با این روش‌ها، ارزش کسب‌وکارها را چندبرابر می‌کند

دو ویژگی باید در داده‌ها وجود داشته باشد تا در سال‌های آتی نیازمندی‌های مدل‌های پردازشی مختلف آشکار شود:

• حجم اطلاعات تولید شده توسط هزاران حسگر در یک شبکه سازمانی بسیار زیاد باشد.
• نوع داده‌های ورودی تحلیلی که توسط این حسگرها جمع‌آوری می‌شوند نیازمند تأخیر کمتری در مقایسه با پاسخ سیستم‌های ابری باشند.
این دو مورد مخترعان حوزه فناوری اطلاعات را به‌سمت ایده محاسبات لبه‌ای (edge computing) کشاند. منظور از edge جایی است که دستگاه‌ها و حسگرها به‌جای سرورهای ابری با یک لایه میان‌افزار ارتباط برقرار می‌کنند. این لایه میان‌افزار که شامل منبع محاسباتی است می‌تواند با سرعتی فوق‌العاده اطلاعات را پردازش کند و پاسخ را به دستگاه بازگرداند. همچنین، به آن‌ها اجازه می‌دهد عملکردها را هوشمندانه دنبال کنند. این سرعت در تحلیل داده و انتقال بازخورد چیزی است که ستون اینترنت اشیا را تشکیل می‌دهد. مدل‌های محاسبات لبه‌ای مزایای دیگری نیز فراهم می‌کنند:
• کمک بسیاری به اپلیکیشن‌های صنعتی می‌شود که نیاز به تصمیم‌گیری بر اساس داده‌های تولید شده دارند. 
• هزینه کمتر در ذات ذخیره‌سازی و مدل‌های محاسباتی ابری وجود دارد، زیرا از درگاه‌هایی استفاده می‌کند که می‌تواند به سازمان‌ها با شبکه‌های محدودیت‌دار کمک کند.
• از آنجا که مدل‌های محاسبات لبه‌ای مستقل هستند، اگر یک دستگاه برای مدتی از کار بیفتد، عملیات متوقف نمی‌شود.
محاسبات لبه‌ای جایگزین محاسبات ابری (cloud computing) نشده است، بلکه این دو در کنار یکدیگر کار می‌کنند؛edge  بار کاری‌ را مدیریت می‌کند که نیازمند کمترین تأخیر است و ابر مرکز قدرتمند محاسباتی و ذخیر‌سازی است. به هر حال، تحلیل‌های فعلی و آینده‌ نزدیک به مدل‌های محاسبات لبه‌ای بستگی دارد.

Azure Stream 

در حال حاضر، کمپانی‌های تولیدکننده‌ای در رابطه با تحلیل بی‌درنگ وجود دارند که یکی از آن‌ها Azure Stream  مایکروسافت است. این سکو بدین جهت به وجود آمده است که پردازش‌های موازی پیچیده را مدیریت کند که اپلیکیشن‌های اینترنت اشیا نیازمند آن هستند. جریان آژور به کمک چیزی شبیه به SQL به وجود آمده است که شامل حمایت منطقی است، به این معنا که این سکو قابلیت یادگیری ماشینی و پیش‌بینی تحلیل‌ها را دارد. البته نباید انتظار غیرمعقولی مانند کباب کردن گوشت یا درست کردن املت را از آن داشت! (شکل 2)
Azure Stream را می‌توان با دیگر خدمات آژور یکپارچه کرد تا بتوان پردازش‌های سنگین و تحلیل داده‌های پیچیده را انجام داد. این سکو با قابلیت‌های پیشرفته اشکال‌زدایی و کنترل وظایف رابط کاربری خوبی دارد. جریان آژور به‌صورت تعاملی گزارش‌ها را آماده می‌کند، قابلیت شخصی‌سازی دارد و قابل گسترش است.

شکل 2 - سکوی Azure Stream

مطلب پیشنهادی

واکاوی یک نظریه

عمر کلاود به‌سر رسید؛ مزایای انتقال پردازش از مرکز به لبه‌ها برای کسب‌وکارها

IBM Watson

IBM Watson را هم نمی‌توان جزء پیشروان این صنعت قرار نداد. این فریم‌ورک تحلیل اینترنت اشیا ساخته شده است تا تحلیل‌های شناختی انجام دهد و دانش زیادی برای استفاده‌های تجاری کسب کند. این فریم‌ورک بر اساس Apache Edgent (یک نوع مدل برنامه‌نویسی) ساخته شده است و مدل‌های محاسبات لبه‌ای را برای پردازش داده‌ها، تحلیل‌ها و یادگیری ماشینی یاری می‌کند. 
این سکو کمک می‌کند تا سازمان‌ها بتوانند کنترل کامل داده‌ها و کنترل بین محسابات لبه‌ای و دستگاه‌های هسته‌ محاسبات ابری را در اختیار داشته باشند. پس با این نوع کنترل، سازمان‌ها مشخص می‌کنند چه نوع داده‌هایی در edge و چه نوع داده‌های در ابر پردازش شود. بدین ترتیب، سکوی IBM Watson در اینترنت اشیا این توانایی را دارد که مزایای پردازش بی‌درنگ در مواقع ضروری را فراهم کند. اما آیا می‌تواند فیلم «تبدیل‌شوندگان 6» را نیز همانند نسخه‌های قبلی این مجموعه بسازد؟ احتیاجی به این کار نیست. زیرا مایکل بی (کارگردان این مجموعه) این کار را انجام خواهد داد و موضوع بحث ما متفاوت است! 

جریان‌سازی به‌هم ‌پیوسته سیسکو (Cisco Connected Streaming)

این ابداع سیسکو سرعت زیادی در جریان‌سازی داده و تحلیل‌ها دارد و با سکوهایی که تمرکز خود را بر اینترنت اشیا گذاشته‌اند ترکیب می‌شود تا محاسبات لبه‌ای قدرت بیشتری پیدا کند. سکوی سیسکو می‌تواند داده‌ها را از چندین منبع (حسگرها و دستگاه‌های مختلف) استریم و اطلاعات حیاتی را از درون آن‌ها استخراج کند. همچنین، اختیارات و گزینه‌های متنوعی را برای سازمان‌هایی فراهم می‌کند که معماری خود را بر اساس آن پی‌ریزی می‌کنند. (شکل 3)

شکل 3 - جریان‌سازی به‌هم ‌پیوسته سیسکو

مطلب پیشنهادی

تکامل یادگیری ماشین سامانه‌های کنترل هوشمند ترافیک شبکه را پدید می‌آورد

شبکه‌هایی که یاد می‌گیرند!

این سکو با قابلیت‌هایی که برای اداره کردن داده‌های بی‌درنگ دارد و با سرعت فراگیری دانش توسط منابع مختلف، یک نیروی قوی در بازار تحلیل داده‌ محاسبات لبه‌ای به حساب می‌آید. سیسکو این سکو را برای یکپارچگی در تحلیل داده‌های فعلی و معماری‌های ابری وارد بازار کرده است.

تحلیل لبه‌ای اوراکل (Oracle Edge Analytics)

سکوی اوراکل قدرت دریافت داده‌های بی‌درنگ و سرعت پردازش داده‌ها را ترکیب می‌کند و یک سکو ارائه می‌دهد که می‌تواند از عهده بار کاری زیاد در زمانی کم برآید. این سکو به طور ویژه برای دستگاه‌هایی مناسب است که در جایی تعبیه می‌شوند و می‌توانند داده‌ها را از منابع مختلف دریافت و پردازش کنند. سپس بازخورد آن را به محل مشخص شده ارسال می‌کنند و بدین ترتیب باعث عملکرد مستقل حسگرها و دستگاه‌ها می‌شوند. برای سازمان‌هایی که دنبال پیاده‌سازی چندین اپلیکیشن پردازشی هستند، این سکو بسیار امن است به شرطی که سرمایه‌گذاری خوبی داشته باشند.

ابزار تحلیلی اینتل 

اینتل در بازار تحلیل داده‌ها در محاسبات لبه‌ای عقب نمانده و کارهایی برای آماده‌سازی اینترنت اشیا انجام داده است. سکوی اینتل هزینه چندانی ندارد و مناسب سازمان‌هایی است که قصد دارند قبل از صرف سرمایه و زمان، محاسبات لبه‌ای را تست کنند. این سکو از  Apache Hadoop برای capture کردن داده‌ها و از ماژول‌های نرم‌افزاری پایه‌ای برای تحلیل بزرگ داده سازمان‌ها استفاده می‌کند. (شکل 4)

شکل 4 - تحلیل لبه‌ای اینتل

مطلب پیشنهادی

کلاود، AI، IoT و تجارب غوطه‌وری مهم‌ترین ترندهای جهان در سال 2018 خواهند بود

10 موج برتر فناوری در سال 2018، برای آن‌ها که به کار و زندگی خود اهمیت می‌دهند

این سکو قابلیت یادگیری ماشینی و نیز پردازش گرافیکی انتها به انتها را فراهم می‌کند که دانش بصری ایجاد می‌کند و در کنار تصمیم‌گیری‌ها مفید واقع می‌شود. معماری ماژولار این سکو، آن را مناسب تحلیل‌های موجود و معماری ابری کرده است.

سخن آخر

سازمان‌هایی که از داده، اطلاعات استخراج می‌کنند به محاسبات لبه‌ای نیاز دارند که بتوانند در آینده تجزیه و تحلیل‌ها را انجام دهند. این کار باعث می‌شود تا تغییراتی که توسط اینترنت اشیا صورت می‌پذیرد را با آغوش باز بپذیرند و روش تأثیرگذاری داده‌ها بر تصمیم‌گیری را تغییر دهند.