Периферийные вычисления - Edge computing

Периферийные вычисления это распределенных вычислений парадигма, которая приносит вычисление и хранилище данных ближе к месту, где это необходимо, чтобы сократить время отклика и сэкономить полосу пропускания.[1]

Истоки периферийных вычислений лежат в сети доставки контента которые были созданы в конце 1990-х для обслуживания веб-контента и видеоконтента с пограничных серверов, которые были развернуты рядом с пользователями.[2] В начале 2000-х эти сети эволюционировали для размещения приложений и компонентов приложений на пограничных серверах,[3] в результате появились первые коммерческие услуги периферийных вычислений[4] на котором размещались такие приложения, как поиск дилеров, тележки для покупок, агрегаторы данных в реальном времени и механизмы вставки рекламы.[3]

Современные периферийные вычисления значительно расширяют этот подход за счет виртуализация технология, которая упрощает развертывание и запуск более широкого спектра приложений на пограничных серверах.

Инфраструктура периферийных вычислений

Определение

Одно из определений граничных вычислений - это любой тип компьютерная программа что обеспечивает низкую задержку ближе к просьбам. Карим Араби, в ключевой заметке IEEE DAC 2014 [5] а затем в приглашенном докладе на семинаре MTL MIT в 2015 г. [6] Определил периферийные вычисления в широком смысле, как все вычисления вне облака, происходящие на краю сети, и более конкретно в приложениях, где требуется обработка данных в реальном времени. По его определению, облачные вычисления действует на большое количество данных тогда как периферийные вычисления работают с «мгновенными данными», то есть данными в реальном времени, генерируемыми датчиками или пользователями.

В соответствии с Состояние края Согласно отчету, периферийные вычисления концентрируются на серверах «в непосредственной близости от сети последней мили».[нужна цитата ] Алекс Резник, председатель ETSI Комитет по стандартам MEC ISG дает общее определение этому термину: «все, что не является традиционным центром обработки данных, может быть для кого-то« преимуществом »».[7]

Пограничные узлы, используемые для потоковой передачи игр, известны как гамлеты,[8] которые обычно находятся на расстоянии одного или двух прыжков от клиента.[9] Пер Ананд и Эдвин говорят, что «граничный узел в основном находится на расстоянии одного или двух прыжков от мобильного клиента, чтобы соответствовать ограничениям времени отклика для игр в реальном времени» в облачные игры контекст.[9]

Концепция

Увеличение Интернет вещей устройства на краю сети производят огромное количество данных, которые нужно вычислить на дата-центры, доводя требования к пропускной способности сети до предела.[10] Несмотря на улучшения сеть технологии, центры обработки данных не могут гарантировать приемлемые скорости передачи и время отклика, что может быть критическим требованием для многих приложений.[11] Кроме того, периферийные устройства постоянно потребляют данные, поступающие из облака, что вынуждает компании создавать сети доставки контента для децентрализации предоставления данных и услуг, используя физическую близость к конечному пользователю.

Точно так же цель Edge Computing - переместить вычисления от центров обработки данных к краю сети, используя умные объекты, мобильные телефоны или же сетевые шлюзы для выполнения задач и предоставления услуг от имени облака.[12] Перемещая Сервисы до края можно подавать контент кеширование, доставка услуг, место хранения и управление IoT, что приводит к увеличению времени отклика и скорости передачи данных. В то же время распределение логики по разным узлам сети создает новые проблемы и проблемы.

Конфиденциальность и безопасность

Распределенный характер этой парадигмы вносит изменения в схемы безопасности, используемые в облачные вычисления. Следует не только зашифровывать данные, но и использовать другой механизм шифрования, поскольку данные могут передаваться между различными распределенными узлами, подключенными через Интернет прежде чем в конечном итоге достигнет облака. Граничные узлы также могут быть устройствами с ограниченными ресурсами, что ограничивает выбор с точки зрения методов безопасности. Более того, требуется переход от централизованной нисходящей инфраструктуры к децентрализованной модели доверия.[13]С другой стороны, сохраняя данные на периферии, можно передать право собственности на собранные данные от поставщиков услуг конечным пользователям.

Масштабируемость

Масштабируемость в распределенной сети должна сталкиваться с разными проблемами. Во-первых, он должен учитывать неоднородность устройств, имеющих разные ограничения производительности и энергии, высокодинамичное состояние и надежность соединений по сравнению с более устойчивой инфраструктурой облачных центров обработки данных. Более того, требования безопасности могут вносить дополнительную задержку в обмен данными между узлами, что может замедлить процесс масштабирования.[11]

Надежность

Управление отработка отказов имеет решающее значение для поддержания работоспособности службы. Если один узел выходит из строя и становится недоступным, пользователи по-прежнему должны иметь доступ к службе без перерывов. Более того, пограничные вычислительные системы должны обеспечивать действия для восстановления после сбоя и оповещения пользователя об инциденте. С этой целью каждое устройство должно поддерживать топология сети всей распределенной системы, так что обнаружение ошибок и восстановление становятся легко применимыми. Другими факторами, которые могут влиять на этот аспект, являются используемая технология подключения, которая может обеспечивать разные уровни надежности, и точность данных, производимых на границе, которая может быть ненадежной из-за определенных условий окружающей среды.[11]

Скорость

Граничные вычисления приближают аналитические вычислительные ресурсы к конечным пользователям и, следовательно, помогают ускорить скорость связи. Хорошо спроектированная пограничная платформа значительно превзойдет традиционную облачную систему. Некоторые приложения полагаются на короткое время отклика, что делает периферийные вычисления значительно более осуществимым вариантом, чем облачные вычисления. Примерами являются приложения, связанные с человеческим восприятием, такие как распознавание лиц, выполнение которых обычно занимает от 370 до 620 мсек.[14] Пограничные 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, кем является человек одновременно с тем, кто его носит.

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 снижению эффективности, что можно продемонстрировать в следующем примере: клиентскому устройству требуется интенсивная вычислительная обработка видеофайлов, которая должна выполняться на внешних серверах. Используя серверы, расположенные в локальной пограничной 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.[14]

Приложения

Службы пограничных приложений сокращают объемы данных, которые необходимо переместить, связанный с этим трафик и расстояние, на которое данные должны перемещаться. Это обеспечивает меньшую задержку и снижает затраты на передачу. Выгрузка вычислений для приложений реального времени, таких как алгоритмы распознавания лиц, показали значительное улучшение времени отклика, как показали первые исследования.[15] Дальнейшие исследования показали, что использование ресурсоемких машин вызывает тучи близкие мобильные пользователи, которые предлагают услуги, которые обычно находятся в облаке, обеспечили сокращение времени выполнения, когда некоторые задачи выгружаются на граничный узел.[16] С другой стороны, разгрузка каждой задачи может привести к замедлению из-за времени передачи между устройством и узлами, поэтому в зависимости от рабочей нагрузки может быть определена оптимальная конфигурация.

Другое использование архитектуры - облачные игры, где некоторые аспекты игры могут выполняться в облаке, в то время как визуализированное видео передается легким клиентам, работающим на таких устройствах, как мобильные телефоны, очки виртуальной реальности и т. Д. Этот тип потоковой передачи также известен в качестве потоковая передача пикселей.[8]

Другие известные приложения включают подключенные автомобили, автономные автомобили,[17] умные города,[18] Индустрия 4.0 (умная промышленность) и Домашняя автоматизация системы.[19]

Смотрите также

Рекомендации

  1. ^ Гамильтон, Эрик (27 декабря 2018 г.). «Что такое пограничные вычисления: объяснение границ сети». cloudwards.net. Получено 2019-05-14.
  2. ^ «Глобально распределенная доставка контента, Дж. Дилли, Б. Мэггс, Дж. Парих, Х. Прокоп, Р. Ситараман и Б. Вейл, IEEE Internet Computing, том 6, выпуск 5, ноябрь 2002 г.» (PDF). В архиве (PDF) из оригинала на 2017-08-09. Получено 2019-10-25.
  3. ^ а б Nygren., E .; Ситараман Р. К .; Солнце, 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. В архиве (PDF) из оригинала 13 сентября 2012 г.. Получено 19 ноября, 2012. См. Раздел 6.2 «Распространение приложений на периферию».
  4. ^ Дэвис, А .; Parikh, J .; Weihl, W. (2004). «EdgeComputing: расширение корпоративных приложений до границ Интернета». 13-я Международная конференция World Wide Web. Дои:10.1145/1013367.1013397. S2CID  578337.
  5. ^ Основной доклад IEEE DAC 2014: возможности, проблемы и технологические драйверы мобильных вычислений
  6. ^ Семинар MIT MTL: тенденции, возможности и проблемы, определяющие архитектуру и дизайн мобильных вычислений и устройств Интернета вещей следующего поколения
  7. ^ "ETSI - Блог ETSI - Что такое Edge?". etsi.org. Получено 2019-02-19.
  8. ^ а б «CloudHide: к методам сокрытия задержки для облачных игр с тонкими клиентами». ResearchGate. Получено 2019-04-12.
  9. ^ а б Ананд, Б .; Эдвин, А. Дж. Хао (январь 2014 г.). «Gamelets - многопользовательские мобильные игры с распределенными микрооблаками». 2014 Седьмая международная конференция по мобильным вычислениям и повсеместным сетям (ICMU): 14–20. Дои:10.1109 / ICMU.2014.6799051. ISBN  978-1-4799-2231-4. S2CID  10374389.
  10. ^ Ивкович, Йован (11.07.2016). «[Сербский] Методы и процедуры для ускорения операций и запросов в больших системах баз данных и хранилищах данных (системы больших данных)». Hgpu.org.
  11. ^ а б c Ши, Вэйсонг; Цао, Цзе; Чжан, Цюань; Ли, Юхуизи; Сюй, Ланью (октябрь 2016 г.). «Пограничные вычисления: видение и проблемы». Журнал IEEE Internet of Things. 3 (5): 637–646. Дои:10.1109 / JIOT.2016.2579198. S2CID  4237186.
  12. ^ Меренда, Массимо; Поркаро, Карло; Иеро, Деметрио (29 апреля 2020 г.). «Пограничное машинное обучение для устройств Интернета вещей с поддержкой искусственного интеллекта: обзор». Датчики. 20 (9): 2533. Дои:10,3390 / с20092533. ЧВК  7273223. PMID  32365645.
  13. ^ Гарсия Лопес, Педро; Монтрезор, Альберто; Эпема, Дик; Датта, Анвитаман; Хигасино, Теруо; Ямнитчи, Адриана; Барселлос, Мариньо; Фельбер, Паскаль; Ривьер, Этьен (30 сентября 2015 г.). «Edge-ориентированные вычисления». Обзор компьютерных коммуникаций ACM SIGCOMM. 45 (5): 37–42. Дои:10.1145/2831347.2831354.
  14. ^ а б Сатьянараянан, Махадев (январь 2017 г.). «Появление пограничных вычислений». Компьютер. 50 (1): 30–39. Дои:10.1109 / MC.2017.9. ISSN  1558-0814.
  15. ^ Yi, S .; Hao, Z .; Qin, Z .; Ли, К. (ноябрь 2015 г.). «Туманные вычисления: платформа и приложения». 2015 Третий семинар IEEE по актуальным темам в веб-системах и технологиях (HotWeb): 73–78. Дои:10.1109 / HotWeb.2015.22. ISBN  978-1-4673-9688-2. S2CID  6753944.
  16. ^ Вербелен, Тим; Симоенс, Питер; Де Турк, Филип; Дхоэдт, Барт (2012). "Cloudlets: Облако для мобильных пользователей". Материалы третьего семинара ACM по мобильным облачным вычислениям и сервисам. ACM: 29–36. Дои:10.1145/2307849.2307858. S2CID  3249347. Получено 4 июля 2019.
  17. ^ Пришло время думать не только об облачных вычислениях Опубликовано wired.com, получено 10 апреля 2019 г.,
  18. ^ Талеб, Тарик; Датта, Санни; Ксентини, Адлен; Икбал, Муддесар; Флинк, Ханну (март 2017 г.). «Потенциал мобильных периферийных вычислений в повышении интеллекта городов». Журнал IEEE Communications. 55 (3): 38–43. Дои:10.1109 / MCOM.2017.1600249CM. S2CID  11163718. Получено 5 июля 2019.
  19. ^ Чакраборти, Т .; Датта, С. К. (ноябрь 2017 г.). «Домашняя автоматизация с использованием периферийных вычислений и Интернета вещей». 2017 Международный симпозиум IEEE по бытовой электронике (ISCE): 47–49. Дои:10.1109 / ISCE.2017.8355544. ISBN  978-1-5386-2189-9. S2CID  19156163.