Из Википедии, свободной энциклопедии
Перейти к навигации Перейти к поиску

Граничные вычисления - это парадигма распределенных вычислений, которая приближает вычисления и хранение данных к месту, где это необходимо, чтобы улучшить время отклика и сэкономить полосу пропускания . [1]

Истоки периферийных вычислений лежат в сетях доставки контента, которые были созданы в конце 1990-х годов 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], что привело к появлению первых коммерческих пограничных вычислительных служб [4] , в которых размещались такие приложения, как поиск дилеров, тележки для покупок, в режиме реального времени. агрегаторы данных и механизмы вставки рекламы. [3]

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

Инфраструктура периферийных вычислений

Определение [ править ]

Одно из определений граничных вычислений - это компьютерная программа любого типа, которая обеспечивает низкую задержку ближе к запросам . Карим Араби в ключевой заметке IEEE DAC 2014 [5], а затем в приглашенном выступлении на семинаре MIT MTL в 2015 году [6] определил периферийные вычисления в широком смысле как все вычисления вне облака, происходящие на границе сети, а точнее, в приложения, в которых требуется обработка данных в реальном времени. По его определению, облачные вычисления работают с большими данными, тогда как периферийные вычисления работают с «мгновенными данными», то есть данными в реальном времени, генерируемыми датчиками или пользователями.

Согласно отчету The State of the Edge , периферийные вычисления концентрируются на серверах «в непосредственной близости от сети последней мили». [ необходима цитата ] Алекс Резник, председатель комитета по стандартам ETSI MEC ISG, вольно определяет термин: «все, что не является традиционным центром обработки данных, может быть для кого-то« преимуществом »». [7]

Краевые узлы , используемые для игры потокового известны как gamelets , [8] , которые, как правило , один или два хмель далеко от клиента. [9] Пер Ананд и Эдвин говорят, что «граничный узел в основном находится на расстоянии одного или двух переходов от мобильного клиента, чтобы соответствовать ограничениям времени отклика для игр в реальном времени в контексте облачных игр ». [9]

Концепция [ править ]

Увеличение количества устройств IoT на границе сети приводит к появлению огромного количества данных, которые необходимо вычислять в центрах обработки данных, что приводит к предельному увеличению требований к пропускной способности сети. [10] Несмотря на усовершенствования сетевых технологий, центры обработки данных не могут гарантировать приемлемую скорость 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.

Аналогичным образом цель периферийных вычислений - переместить вычисления от центров обработки данных к границе сети, используя интеллектуальные объекты , мобильные телефоны или сетевые шлюзы для выполнения задач и предоставления услуг от имени облака. [12] Перемещая сервисы на периферию, можно обеспечить кэширование контента , доставку сервисов, хранение и управление IoT, что приведет к увеличению времени отклика и скорости передачи. В то же время распределение логики по разным узлам сети создает новые проблемы и проблемы.

Конфиденциальность и безопасность [ править ]

Распределенный характер этой парадигмы вносит сдвиг в схемы безопасности, используемые в облачных вычислениях . В граничных вычислениях данные могут перемещаться между различными распределенными узлами, подключенными через Интернет, и, следовательно, требуют специальных механизмов шифрования, независимых от 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 [ править ]

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 надежной 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 [ править ]

Управление отказоустойчивостью 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 по восстановлению после сбоя и предупреждать пользователя об инциденте. С этой целью каждое устройство должно поддерживать топологию сети всей распределенной системы, так что обнаружение ошибок и восстановление становятся легко применимыми. Другими факторами, которые могут влиять на этот аспект, являются используемые технологии подключения, которые могут обеспечивать разные уровни надежности, и точность данных, производимых на границе, которые могут быть ненадежными из-за определенных условий окружающей среды. [11]

Скорость [ править ]

Граничные вычисления приближают аналитические вычислительные ресурсы к конечным пользователям и, следовательно, помогают увеличить 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 [ править ]

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 граничных 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, выполняемая на внешних серверах. Используя серверы, расположенные в локальной пограничной сети, для выполнения этих вычислений, видеофайлы необходимо передавать только в локальной сети. Отказ от передачи через Интернет приводит к значительной экономии полосы пропускания и, следовательно, к повышению эффективности. [14]

Приложения [ править ]

Службы пограничных приложений сокращают объемы данных, которые необходимо переместить, связанный с этим трафик и расстояние, которое должны пройти данные. Это обеспечивает меньшую задержку и снижает затраты на передачу. Выгрузка вычислений для приложений реального времени, таких как алгоритмы распознавания лиц, показала значительное улучшение времени отклика, как показали первые исследования. [15] Дальнейшие исследования показали, что использование ресурсоемких машин, называемых облачками, рядом с мобильными пользователями, которые предлагают услуги, обычно присутствующие в облаке, обеспечивает 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 как потоковая передача пикселей . [8]

Другие известные приложения включают подключенные автомобили , автономные автомобили , [17] умные города , [18] Промышленность 4,0 (смарт - индустрии) и домашней автоматизации системы. [19]

См. Также [ править ]

  • Облачко
  • Сеть доставки контента
  • Пограничное устройство
  • Толстый клиент
  • Туманные вычисления
  • Гетерогенные вычисления
  • Индустрия 4.0
  • Мобильные периферийные вычисления
  • Персональный компьютер
  • Бессерверная архитектура
  • Повсеместные вычисления

Ссылки [ править ]

  1. ↑ Гамильтон, Эрик (27 декабря 2018 г.). «Что такое пограничные вычисления: объяснение границ сети» . cloudwards.net . Проверено 14 мая 2019 .
  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» (PDF) . Архивировано (PDF) из оригинала на 2017-08-09 . Проверено 25 октября 2019 .
  3. ^ a b Nygren., E .; Ситараман РК; Солнце, Дж. (2010). «Сеть Akamai: платформа для высокопроизводительных Интернет-приложений» (PDF) . Обзор операционных систем ACM SIGOPS . 44 (3): 2–19. DOI : 10.1145 / 1842733.1842736 . S2CID 207181702 . Архивировано 13 сентября 2012 года (PDF) . Проверено 19 ноября 2012 года . 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 по всемирной паутине . DOI : 10.1145 / 1013367.1013397 . S2CID 578337 . 
  5. ^ IEEE DAC 2014 Основные: Мобильные вычислительные возможности, вызовы и технологии Драйверы
  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 . Проверено 19 февраля 2019 .
  8. ^ a b «CloudHide: методы сокрытия задержки для облачных игр с тонкими клиентами» . ResearchGate . Проверено 12 апреля 2019 .
  9. ^ а б Ананд, Б .; Эдвин, Эй Джей Хао (январь 2014 г.). «Gamelets - многопользовательские мобильные игры с распределенными микрооблаками». 2014 Седьмая международная конференция по мобильным вычислениям и повсеместным сетям (ICMU) : 14–20. DOI : 10.1109 / ICMU.2014.6799051 . ISBN 978-1-4799-2231-4. S2CID  10374389 .
  10. ^ Ивкович, Йован (2016-07-11). «[Сербский] Методы и процедуры для ускорения операций и запросов в больших системах баз данных и хранилищах данных (системы больших данных)» . Hgpu.org .
  11. ^ a b c Ши, Вэйсонг; Цао, Цзе; Чжан, Цюань; Ли, Юхуизи; Сюй, Ланьюй (октябрь 2016 г.). «Пограничные вычисления: видение и проблемы». Журнал IEEE «Интернет вещей» . 3 (5): 637–646. DOI : 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. DOI : 10,3390 / s20092533 . PMC 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. DOI : 10.1145 / 2831347.2831354 .
  14. ^ a b Сатьянараянан, Махадев (январь 2017 г.). «Появление пограничных вычислений» . Компьютер . 50 (1): 30–39. DOI : 10,1109 / MC.2017.9 . ISSN 1558-0814 . 
  15. ^ Yi, S .; Hao, Z .; Цинь, З .; Ли, К. (ноябрь 2015 г.). «Туманные вычисления: платформа и приложения». Третий семинар IEEE по актуальным вопросам веб-систем и технологий, 2015 г. (HotWeb) : 73–78. DOI : 10.1109 / HotWeb.2015.22 . ISBN 978-1-4673-9688-2. S2CID  6753944 .
  16. ^ Вербелен, Тим; Симоенс, Питер; Де Турк, Филип; Dhoedt, Барт (2012). «Облако: Облако для мобильных пользователей» . Материалы третьего семинара ACM по мобильным облачным вычислениям и сервисам . ACM: 29–36. DOI : 10.1145 / 2307849.2307858 . hdl : 1854 / LU-2984272 . S2CID 3249347 . Дата обращения 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.). «Возможности мобильных периферийных вычислений в повышении интеллекта городов» . Журнал IEEE Communications . 55 (3): 38–43. DOI : 10.1109 / MCOM.2017.1600249CM . S2CID 11163718 . Дата обращения 5 июля 2019 . 
  19. ^ Чакраборти, Т .; Датта, СК (ноябрь 2017 г.). «Домашняя автоматизация с использованием периферийных вычислений и Интернета вещей». IEEE International Symposium on Consumer Electronics (ISCE) 2017 : 47–49. DOI : 10.1109 / ISCE.2017.8355544 . ISBN 978-1-5386-2189-9. S2CID  19156163 .