آیا پردازش در لبه، رایانش ابری را کنار خواهد زد؟
پردازش در لبه شبکه موبایل، جایگزین یا مکمل رایانش ابری؟
در یک دهه گذشته، اوج‌گیری پردازش ابری (Cloud Computing) را به‌عنوان یک پارادایم نوین در صنعت فناوری اطلاعات نظاره‌گر بودیم. در پردازش ابری، پیچیدگی‌های مرتبط با پردازش و ذخیره‌سازی اطلاعات و پیکربندی شبکه در دل مراکز داده پنهان می‌شود. در واقع، به همین دلیل نام آن را ابر گذاشته‌اند، چراکه ابر می‌تواند موجودی به بزرگی یک هواپیما را نیز در دل خود پنهان سازد! با این حال، چند سالی است که گرایشی جدید مطرح شده و آن قرار دادن کارکردهای پردازش ابری در لبه (Edge) شبکه است.

یک انگیزه برای این رویکرد، تولید انبوه دستگاه‌های لبه شبکه (از جمله روتر وای‌فای و ایستگاه BTS) است. با توجه به توان پردازشی قابل توجه این دستگاه‌ها، می‌توان کارکردهای با پردازش زیاد و حساس به تأخیر را در آن‌ها قرار داد. به این مدل پردازشی، پردازش در لبه شبکه موبایل یا MEC (سرنام Mobile Edge Computing) می‌گویند. سازمان معتبر ETSI که استانداردهای ارتباطات را در اروپا تدوین می‌کند، MEC را بدین صورت تعریف کرده است: فراهم‌سازی قابلیت‌های پردازش ابری در شبکه دسترسی موبایل در نزدیکی کاربران. در یک سیستم MEC، چنانچه در شکل 1 دیده می‌شود، تعدادی دستگاه وجود دارد که بر حسب کاربرد، نوع آن‌ها متغیر است. در کاربرد شبکه اجتماعی، دستگاه‌ها همان گوشی‌های هوشمند هستند و در کاربرد ارتباطات خودرویی، دستگاه‌ها، خودروهای هوشمند و متصل به شبکه هستند. این دستگاه‌ها از طریق کانال بی‌سیم به سرور MEC متصل می‌شوند. این سرور یک مرکز داده کوچک است که در نزدیکی کاربران قرار دارد. سرور MEC نیز از طریق یک گیت‌وی به اینترنت متصل است تا از پردازش ابری به‌عنوان مکمل استفاده کند. در این نوشتار، ابعاد مختلف MEC را بیشتر توضیح می‌دهیم و برخی مسائل مرتبط با آن را مرور خواهیم کرد. قبل از هر چیز، حرکت صنعت به‌سوی پردازش در لبه شبکه موبایل را ریشه‌یابی می‌کنیم.

مطلب پیشنهادی

محاسبات لبه‌ای و سکوهای برتر آن
اینترنت اشیا، محاسبات لبه‌ای و آینده سازمان ها

چه عواملی صنعت را به این نقطه رسانده است؟

اگر از دید اقتصادی به قضیه بنگریم، همواره عرضه و تقاضا بازار و صنعت را به پیش می‌برد. از دید تقاضا، کاربردهای جدیدی در صنعت فناوری اطلاعات مطرح شده است که حساسیت زیادی به تأخیر دارند. در نتیجه نیازمندی‌های جدیدی درخصوص زمان پاسخ پردازش ابری به وجود آمده است. برای مثال، خودروهای خودران باید در کسری از ثانیه جهت حرکت خود را بر اساس موقعیت خود و سایر خودروها مشخص کنند. در واقعیت افزوده (AR)، اطلاعاتی که به صحنه واقعی اضافه می‌شود، لازم است به‌صورت بی‌درنگ بارگذاری شود. با توجه به اینکه مراکز داده در فاصله قابل توجهی نسبت به کاربر قرار دارند (حتی گاهی در یک قاره دیگر هستند)، پیاده‌سازی این کاربردها با دشواری روبه‌رو شده است.
مسئله دیگر اینترنت اشیا است که حجم و سرعت اطلاعات تولید شده از سوی دستگاه‌های هوشمند را افزایش شگرفی داده است. این حجم اطلاعات دیگر قابل پردازش و تحلیل در یک نقطه مرکزی نیست و لازم است حداقل یک پیش‌ پردازش روی آن صورت گیرد. برای مثال، مچ‌بندهای سلامتی که اخیراً رواج یافته‌اند وضعیت جسمانی بیماران را دائم به سرور مستقر در مرکز درمانی ارسال می‌کنند تا در صورت تشخیص وضعیت بحرانی، تیم امداد اعزام شود. اگر یک دستگاه در نزدیکی مچ‌بند کاربر (از جمله گوشی همراه وی) بتواند پیش ‌پردازشی روی اطلاعات انجام دهد تا تنها در زمان مثبت بودن احتمال وضعیت بحرانی، اطلاعات برای بررسی دقیق به مرکز درمانی ارسال شود، در مصرف پهنای باند شبکه و انرژی صرفه‌جویی خواهد شد.
از سوی دیگر، عرضه نیز صنعت را به‌سمت پردازش در لبه شبکه به پیش برده است. یک نمونه، تولید انبوه دستگاه‌های هوشمند برای لبه شبکه است که پیش‌تر ذکر کردیم. بخش قابل توجهی از توان پردازشی این دستگاه‌‌ها معمولاً بدون استفاده باقی می‌ماند، در حالی که می‌تواند برای پردازش‌هایی (نظیر همین مثال مچ‌بند سلامتی یا پردازش تصویر) مفید باشد. در ارتباط با فضای ذخیره‌سازی نیز همین داستان وجود دارد. به عنوان مورد آخر، اگر پیشرفت‌ها در معماری شبکه را نیز نوعی عرضه به شمار آوریم، معماری‌های نوینی همچون مجازی‌سازی کارکردهای شبکه یا NFV (که در شماره 192 ماهنامه شبکه معرفی شده است)، SDN و ICN با فراهم‌آوری قابلیت اجرای کارکردهای پردازش ابری در لبه شبکه، هر یک به‌نوعی مسیر را هموار کرده‌اند. NFV این توانایی را به کاربران و صنایع بخشیده که با ایجاد ماشین‌های مجازی (VM) کارکردهای مختلف را درون یک سخت‌افزار همه‌منظوره تعبیه کنند. ICN آدرس‌دهی مبتنی بر سرویس را به‌جای آدرس‌دهی مبتنی بر میزبان عرضه می‌دارد و SDN نیز با ایجاد یک بستر برای مدیریت قابل‌ برنامه‌ریزی بر اجزای شبکه، نقش خود را ایفا می‌کند. یک طرح MEC باید بتواند از امکانات جدید برای رسیدن به اهداف خود استفاده کند. این اهداف شامل ارائه سرویس‌هایی است که در مدل ابری دشوار یا غیرممکن است. اما MEC چه برتری‌هایی نسبت به پردازش ابری دارد؟ در بخش بعدی به این پرسش پاسخ می‌دهیم.

شکل 1

پردازش در لبه چه برتری (و کاستی) نسبت به پردازش ابری دارد؟

در پردازش ابری برای کاربران موبایل (MCC)، سرورهای قدرتمند در مراکز داده انجام محاسبات را بر عهده دارند. تعداد مراکز داده محدود و گاهی فاصله آن‌ها تا کاربر بسیار زیاد است. این فاصله زیاد، تأخیر در پاسخ‌گویی به وجود می‌آورد. به عنوان مثال، حتی با این فرض که هیچ ترافیکی در شبکه جریان نداشته باشد و هیچ روتر یا سوئیچی در مسیر نباشد، زمان رفت و برگشت یک بسته تا مرکز داده‌ای که در فاصله 1000 کیلومتری قرار دارد، بیش از 3 میلی‌ثانیه خواهد بود (اگر سرعت کانال برابر سرعت نور باشد). 
این میزان نیز برای برخی کاربردهای بی‌درنگ قابل قبول نیست. در نقطه مقابل، در MEC فاصله سرور تا کاربر ناچیز است و بین آن دو تجهیزات دیگری نیز معمولاً قرار ندارد. این نخستین برتری MEC بر MCC است که ارائه سرویس‌های حساس به تأخیر را میسر می‌سازد. نزدیک بودن سرورها به کاربر یک مزیت دیگر هم دارد. با این شیوه، می‌توان سرویس‌های آگاه از موقعیت (context-aware) ارائه کرد. مثلاً در سرویس واقعیت‌ افزوده در یک موزه، ارائه اطلاعات به بازدیدکننده می‌تواند بر اساس مکان فرد انجام شود. اما در MCC، سرورها به این سادگی از مکان و شرایط کاربر خود آگاهی ندارند. مسئله دیگر حفظ حریم شخصی و امنیت کاربران است که مشخصاً در MEC بهتر تأمین می‌شود. درنهایت باید به صرفه اقتصادی اشاره کرد که MEC به‌دلیل پیکربندی ساده‌تر از MCC به صرفه‌تر است. جدول زیر خلاصه‌ای از مقایسه بین MEC و MCC را نشان می‌دهد.
اما آنچه گفته شد، معنایش این است که پردازش ابری کنار گذاشته خواهد شد؟ مسلماً خیر. پردازش ابری با هدف ارائه سرویس‌های پردازش ‌سنگین به کاربران ابداع شده است. مسلماً توان پردازشی پردازنده‌ها در مراکز داده به‌مراتب بیشتر از تجهیزات لبه شبکه است، ضمن اینکه آن‌ها به تعداد زیادی کاربر سرویس می‌دهند که به سرشکن شدن هزینه‌ها منجر می‌شود. به نظر می‌رسد این دو رویکرد بیشتر از اینکه رقیب هم باشند، مکمل هم هستند و نقاط ضعف یکدیگر را می‌پوشانند.

شکل 2

نگاهی به MEC از دید ارتباطی

در پردازش لبه در شبکه موبایل، برای محاسبه تأخیر در ارتباطات نمی‌توان مدل‌های مرسوم در پردازش ابری را استفاده کرد. در MEC، مسئله چالش‌برانگیز ماهیت متغیر کانال بی‌سیم است که روی کیفیت ارتباطات تأثیر زیادی می‌گذارد. به‌عبارتی وضعیت کانال ملاکی مهم برای تصمیم‌گیری درخصوص نحوه و میزان برون‌سپاری پردازش در MEC محسوب می‌شود. برای مثال، ممکن است وضعیت کانال آن‌چنان نامناسب باشد که برون‌سپاری به صرفه نباشد و پردازش مورد نظر روی دستگاه انجام شود.
علاوه بر مورد فوق، کانال بی‌سیم از نوع همه‌پخشی است؛ بنابراین، سیگنال‌های کاربران موجب تداخل روی یکدیگر می‌شود و در نتیجه مدیریت و کنترل تداخل اهمیت پیدا می‌کند. البته مدیریت تداخل یکی از بحث‌های مهم در شبکه‌های بی‌سیم به شمار می‌آید که پژوهش‌های زیادی در زمینه آن انجام شده است. در MEC، بحث مدل‌سازی پردازشی نیز اهمیت دارد و لازم است مدل پردازشی دستگاه‌ها و سرورها به‌درستی طراحی و مسئله مدیریت تداخل به‌صورت مشترک با مسئله پردازش حل شود. به‌منظور تفهیم مسئله، در ادامه یک سناریوی ساده با تنها یک کاربر را بیان می‌کنیم.

یک کاربر را در نظر بگیرید که یک پروسه محاسباتی ساده دارد. این برنامه می‌تواند روی گوشی همراه وی یا سرور MEC اجرا شود. این ساده‌ترین حالت برون‌سپاری است. در حالت‌های پیچیده‌تر می‌توان برنامه را شامل چندین جزء در نظر گرفت که بخشی از آن روی گوشی کاربر و بخشی دیگر روی سرور اجرا شود. در این صورت باید وابستگی بین اجزای مختلف برنامه لحاظ شود.
در سناریوی مذکور اگر هدف کاهش مصرف انرژی باشد، ممکن است وضعیت کانال به‌حدی نامطلوب باشد که پردازش در سرور MEC به‌ صرفه نباشد. به بیان دیگر، پردازش در سرور MEC اگرچه مصرف انرژی پردازنده گوشی همراه را کاهش می‌دهد، اما انرژی لازم برای ارسال اطلاعات به سرور این کاهش را خنثی می‌سازد. نتیجه اینکه حتی در این حالت ساده، تصمیم‌گیری نیاز به یک قاعده مشخص دارد. مشخصاً در حالتی که بیشتر از یک کاربر داریم، به‌جهت وجود تداخل فرکانسی و نیز محدودیت در توان پردازشی سرورهای MEC، شرایط پیچیده‌تر خواهد شد.

چند کاربرد واقعی از MEC

فرض کنید یک دوربین در ورودی یک پارکینگ نصب شده است تا تصاویر دریافتی را به مرکز محاسبات ارسال کند. تشخیص ورود خودرو و خواندن پلاک‌ها بر عهده پردازشگر مرکزی است. با این حال، می‌توان یک پردازشگر ساده در نزدیکی دوربین تعبیه کرد تا ورود خودرو را تشخیص دهد. در این صورت، می‌توان تنها در هنگام تردد خودرو تصاویر را برای تشخیص پلاک به مرکز محاسبات ارسال کرد که در نتیجه از پهنای باند مصرفی شبکه کاسته خواهد شد. شکل 2 سه دوربین را نشان می‌دهد که اطلاعات را به سرور MEC می‌فرستند تا پردازش اولیه روی آن انجام شود. سرور MEC تنها اطلاعات باارزش را به‌صورت ویدئو، کلیپ و عکس به مرکز شبکه می‌فرستد که در مثال ما تصویر خودروهای ورودی خواهد بود. فناوری واقعیت ‌افزوده (AR) به گواه بسیاری از تحلیلگران از گرایش‌های مهم صنعت در سال‌های آتی خواهد بود. در این فناوری، به تصویری که کاربر از دنیای واقعی می‌بیند، اطلاعاتی افزوده می‌شود. بازی پوکمون‌گو یک نمونه جالب و سرگرم‌کننده از این فناوری به حساب می‌آید. برای قرار دادن اطلاعات در کنار تصاویر واقعی، تأخیر بسیار کم لازم است که معماری MEC قادر به برآورده‌سازی این هدف است. چنانچه انتظار می‌رود، برخی کارکردهای ساده نظیر تشخیص مکان کاربر بر عهده سرور MEC قرار می‌گیرد و کارکردهای پیچیده‌تر نظیر انتخاب اطلاعات مناسب برای افزودن به تصویر را پردازش ابری انجام می‌دهد. به عنوان مثال آخر، یک شبکه از خودروهای هوشمند را در نظر بگیرید که به لایه پردازش لبه متصل هستند. خودروها اطلاعات محیطی را به این لایه می‌فرستند و سیگنال‌های کنترلی را دریافت می‌کنند. (شکل 3) لایه پردازش لبه نیز با لایه پردازش ابری در ارتباط است. همانند دو مثال قبلی، وظایف بین پردازش لبه و پردازش ابری تقسیم‌بندی شده است. تعیین مسیر خودروها برای جلوگیری از ازدحام، پردازش سنگینی است و نیاز به اطلاعات ترافیکی یک محدوده وسیع دارد. بنابراین این وظیفه بر عهده پردازش ابری گذاشته می‌شود. اما تشخیص مکان خودروها یا اطلاع‌رسانی به تعدادی خودرو درباره تصادفی که در نزدیکی آن‌ها رخ داده است را پردازش لبه به‌خوبی انجام می‌دهد. 

شکل 3

سخن آخر

پردازش در لبه شبکه موبایل، مکمل پردازش ابری در ارائه سرویس به کاربران موبایل محسوب می‌شود. پردازش در لبه نقاط ضعف پردازش ابری از جمله تأخیر زیاد، هزینه بالا و مسائل امنیت و حریم شخصی را می‌پوشاند. با این حال، برای پیاده‌سازی گسترده این مفهوم لازم است پایه‌های تئوری آن به‌درستی بنا شود تا بهترین نتیجه به دست آید. به این منظور لازم است مدل و جنبه‌های مختلف مسئله واقعی به‌صورت ساده‌تر بررسی شود. یکی از این جنبه‌ها، تأثیر وضعیت شبکه بر نحوه برون‌سپاری کارکردها به لبه شبکه است. این مهم بر عهده پژوهشگران دانشگاهی در سراسر جهان است تا نگاه عمیقی به آن داشته باشند و زمینه را برای رونق این شیوه نوین پردازشی آماده سازند.

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

ایسوس

نظر شما چیست؟