محاسبات لبه چیست و چه تفاوت‌هایی با محاسبات ابر و مه دارد؟

مطلب پیشنهادی

ابر لبه (edge cloud) چیست و چه تفاوتی با خدمات ابر سنتی دارد؟

در روش‌های سنتی، داده‌ها باید از طریق اینترنت برای یک مرکز داده متمرکز ارسال شود تا در آن‌جا پردازش شوند و نتیجه برای منبع بازگردانده شود. این روش برای حجم محدود و مشخصی از داده‌ها عملکرد خوبی دارد، اما هنگامی که حجم عظیمی از داده‌ها قرار باشد برای مراکز داده ارسال شود، در آن‌جا پردازش شود و نتیجه برای منبع بازگردانده شود مناسب نیست، زیرا به پهنای باند زیادی نیاز دارد که مقرون‌به‌صرفه نیست. محدودیت‌های پهنای باند، مشکلات تاخیر و قطعی‌های غیرقابل پیش‌بینی شبکه، همگی می‌توانند باعث اختلال در عملکرد ارسال، دریافت و پردازش داده‌ها شوند. کسب‌وکارها برای حل این مشکل به‌سراغ معماری «محاسبات لبه» رفته‌اند. محاسبات لبه یک معماری توزیع‌شده است که در آن داده‌های کاربر در لبه شبکه و تا حد امکان نزدیک به منبع پردازش می‌شود. آمارها نشان می‌دهند که محاسبات لبه در حال تغییر نحوه پردازش اطلاعات هستند و این احتمال وجود دارد که در آینده تغییرات مهمی در حوزه فناوری اطلاعات به‌وجود آورند.

محاسبات لبه چیست؟

محاسبات لبه بخشی از فضای ذخیره‌سازی و منابع محاسباتی را به خارج از مرکز داده متمرکز و نزدیک به منبعی که داده‌ها را تولید می‌کند انتقال می‌دهد. در این حالت به‌جای انتقال داده‌های خام به یک مرکز داده مرکزی برای پردازش و تجزیه‌و‌تحلیل، این کار در مکان یا منبعی انجام می‌شود که داده‌ها را تولید کرده است. این منبع ممکن است یک فروشگاه اینترنتی، یک واحد تولیدی، یک ابزار کاربردی یا یک شهر هوشمند باشد. در معماری فوق، محاسباتی همچون تحلیل اولیه داده‌ها، بررسی احتمال بروز مشکلات در تجهیزات یا نرم‌افزارهای راهبردی انجام شده و نتیجه برای مرکز داده ارسال می‌شود تا بررسی دقیق‌تری انجام شود (شکل 1).

شکل 1

محاسبات لبه چگونه کار می‌کند؟

محاسبات لبه مفهومی است که اشاره به مکان یا منبعی دارد که داده‌هایی را تولید کرده و تجهیزات محاسباتی در آن مکان مستقر شده‌اند. در محاسبات سنتی سازمانی، داده‌ها در تجهیزاتی مثل سرورها ذخیره‌سازی می‌شوند و در ادامه توسط شبکه محلی در اختیار کاربران قرار می‌گیرد. به بیان دقیق‌تر، در روش فوق داده‌ها در زیرساخت‌های سازمانی ذخیره و در همان‌جا پردازش می‌شوند و نتایج پردازش‌ها برای کاربر ارسال می‌شود. معماری فوق مبتنی بر الگوی کلاینت و سرور است که بیشتر برنامه‌های تجاری بر مبنای آن کار می‌کنند. 

با این‌حال، تعداد دستگاه‌های متصل به اینترنت و حجم داده‌هایی که توسط دستگاه‌ها تولید می‌شوند و توسط کسب‌وکارها استفاده می‌شوند، فراتر از ظرفیت زیرساخت‌های مراکز داده سنتی است. گارتنر پیش‌بینی کرد‌ه تا سال 2025، 75 درصد داده‌هایی که شرکت‌ها با آن‌ها تعامل خواهند داشت، خارج از سازمان‌ها تولید می‌شوند. یک مثال ساده در این زمینه، داده‌های تولیدشده در شبکه‌های اجتماعی است که به‌لحاظ تجاری و بازاریابی ارزش زیادی دارند و توسط کاربرانی تولید می‌شوند که عضو شبکه‌های اجتماعی هستند. در سویی دیگر، داده‌های حساس‌به‌زمان وجود دارند که توسط تجهیزاتی مثل دوربین‌های نظارت تصویری ضبط می‌شوند و تصاویر از طریق اینترنت برای اپراتوری که مسئولیت نظارت بر دوربین‌ها را برعهده دارد ارسال می‌شود تا اگر مورد مشکوکی بود اپراتور واکنش لازم را انجام دهد. در این روش نه‌تنها به پهنای باند زیادی برای ارسال داده‌ها نیاز است، بلکه باید اپراتور به‌سرعت به موارد مشکوک واکنش نشان دهد. حال اگر داده‌های تصویری به‌شکل محلی توسط الگوریتم‌های هوشمند تحلیل شده و موارد مشکوک در قالب یک پیام متنی ساده برای اپراتور ارسال شود، به میزان قابل توجهی در پهنای باند صرفه‌جویی انجام می‌شود و زمان پاسخ‌گویی به رخدادها کاهش پیدا می‌کند. در این حالت، فشار مضاعف بر اینترنت یا شبکه‌های گسترده وارد نمی‌شود و با مشکل ازدحام و اختلال روبه‌رو نخواهیم بود. 

همین مسئله باعث شده تا معماران فناوری اطلاعات به‌جای طراحی مراکز داده متمرکز، به‌سراغ طراحی لبه منطقی بروند. به‌طوری‌که منابع ذخیره‌سازی و محاسباتی از مرکز داده به مکانی انتقال داده شود که نزدیک به منبع تولیدکننده داده‌ها است. بد نیست بدانید که محاسبات لبه بر مبنای یک تئوری خیلی ساده شکل گرفته است، اگر نمی‌توانید داده‌ها را به مرکز داده نزدیک کنید، مرکز داده را به داده‌ها نزدیک کنید. 

محاسبات لبه، تجهیزات ذخیره‌سازی و سرورها را در مکانی قرار می‌دهد که داده‌ها در آن قرار دارند. این تجهیزات در رک‌هایی با ابعاد کوچک تا متوسط مستقر می‌شوند تا داده‌ها را جمع‌آوری و پردازش‌ها را به‌شکل محلی انجام دهند. این رک‌ها مجهز به قفل‌های امنیتی پیشرفته و مکانیزم‌های تهویه مطبوعی هستند تا تجهیزات درون رک در معرض دمای شدید، رطوبت، سرقت یا خرابکاری قرار نگیرند. این رک‌های کوچک اغلب برای پردازش‌های رایج و تجزیه‌وتحلیل داده‌های مهم تجاری استفاده می‌شوند و هنگامی که محاسبات را انجام دادند نتایج را برای تجزیه‌وتحلیل نهایی به مرکز داده اصلی ارسال می‌‌کنند. 

این روزها شرکت‌ها و به‌ویژه خرده‌فروشی‌ها روی ایده جالبی در حال کار هستند که ترکیبی از «هوش تجاری» (Business Intelligence) محاسبات لبه است. به‌طور مثال، این امکان وجود دارد تا در فروشگاه‌های بزرگ تصاویر دریافتی از دوربین‌های نظارت تصویری مستقر در فروشگاه‌ها را با داده‌های فروش واقعی ترکیب کرد تا پیشنهادهای جذابی برای خرید یک محصول به مصرف‌کننده ارائه کرد. به بیان دقیق‌تر، اطلاعات مربوط به خرید‌ها و محصولات بازدیدشده را به‌شکل لحظه‌ای پردازش کرد و در ادامه پیشنهادهای جذابی به خریدار بعدی ارائه کرد. رویکردی که آمازون به‌شکل آزمایشی در حال کار روی آن است. 

نمونه کاربردی دیگر، تجزیه‌وتحلیل پیش‌گویانه مبتنی بر لبه است. در روش فوق این امکان وجود دارد تا نظارت و تحلیل دقیقی بر عملکرد تاسیسات و تجهیزات حیاتی مثل تصفیه‌ خانه‌های آب و نیروگاه‌های تامین برق اعمال کرد تا قبل از بروز خرابی مشکلات شناسایی و تجهیزات تعمیر یا تعویض شوند. 

محاسبات لبه، ابر و مه در مقابل یک‌دیگر

محاسبات لبه ارتباط نزدیکی با محاسبات ابری و مه دارند. اگرچه بین این مفاهیم همپوشانی وجود دارد، اما یکسان نیستند و نباید به‌جای یک‌دیگر استفاده شوند. مقایسه مفاهیم و درک تفاوت آن‌ها به استفاده دقیق‌تر از آن‌ها کمک زیادی می‌کند. یکی از ساده‌ترین راه‌ها برای درک تفاوت‌های میان محاسبات لبه، ابر و مه، بررسی نقاط مشترک آن‌ها است. هر سه مفهوم در ارتباط با محاسبات توزیع‌شده هستند و تاکید بر استقرار فیزیکی منابع محاسباتی و ذخیره‌سازی در نزدیکی منابعی دارند که داده‌ها را تولید می‌کنند، اما تفاوت اصلی سه فناوری مذکور در مکانی است که منابع موردنیاز در آن نقاط باید مستقر شوند (شکل 2). 

شکل 2

• لبه (Edge): در محاسبات لبه‌، فرآیند استقرار منابع محاسباتی و ذخیره‌سازی در مکانی انجام می‌شود که داده‌ها را تولید می‌کند. در معماری فوق مکانیزم‌های محاسباتی و ذخیره‌سازی درست در نقطه‌ای مستقر می‌شوند که منبع داده‌ای در آن قرار دارد.  به‌عنوان مثال، یک انکلوژر کوچک با چند سرور و تجهیزات ذخیره‌سازی در بالای توربین بادی نصب می‌شود تا داده‌های تولیدشده توسط حسگرهای متصل به توربین را جمع‌آوری و پردازش کند. مثال کاربردی دیگر در این زمینه، یک ایستگاه راه‌آهن است که نیازمند توان پردازشی و فضای ذخیره‌سازی محلی است تا بتواند داده‌های مربوط به حس‌گر ترافیک ریلی و مسیرها را جمع‌آوری و پردازش کند و نتایج پردازش‌ها را برای ایستگاه بعدی و مرکز داده مرکزی ارسال کند. در این حالت، به‌‌جای ارسال خام اطلاعات هر ایستگاه برای مرکز داده، اطلاعات پردازش‌شده ارسال می‌شوند که تاثیر قابل توجهی بر کاهش مصرف پهنای باند و پردازش سریع‌تر اطلاعات دارند. 
• ابر (Cloud): رایانش ابری به فرآیند استقرار عظیم و مقیاس‌پذیر منابع محاسباتی و ذخیره‌سازی در مکان‌های مختلفی اشاره دارد که به‌لحاظ موقعیت جغرافیایی ممکن است در شهرها یا حتا کشورهای مختلف باشند. امروزه، رایانش ابری به‌عنوان یک جایگزین یا گاهی‌اوقات مکملی برای مراکز داده سنتی توصیف می‌شود. علاوه بر این، ارائه‌دهندگان ابر می‌توانند مجموعه‌ خدمات ازقبل‌آماده‌شده قابل استفاده در کاربردهای مختلفی مثل اینترنت اشیاء را آماده کرده و در اختیار مصرف‌کنندگان قرار دهند. از این‌رو، ابر پلت‌فرم متمرکز کارآمدی برای استقرار اینترنت اشیاء است. در شرایطی که رایانش ابری منابع و خدمات غنی برای تجزیه‌و‌تحلیل‌های پیچیده ارائه می‌دهد، اما بازهم نزدیک‌ترین مرکز ابر ممکن است صدها کیلومتر دورتر از نقطه‌ای باشند که داده‌ها را تولید کرده است و به همین دلیل باید از کانال‌های ارتباطی پرسرعت متکی به اینترنت برای ارسال داده‌ها به ابر استفاده کرد. ابر می‌تواند محاسبات متمرکز را تا حد زیادی به منبع داده نزدیک کند، اما به اندازه رایانش لبه در این زمینه کارآمد نیست. 
• مه (Fog): انتخاب یک معماری کارآمد برای انجام محاسبات و استقرار فضای ذخیره‌سازی به ابر یا لبه محدود نمی‌شود. ابر ممکن است فاصله زیادی با منبع تولید داده‌ها داشته باشد، رایانش لبه ممکن است منابع محدودی داشته باشد یا به‌لحاظ فیزیکی امکان استقرار آن منابع در محل وجود نداشته باشد. برای حل مشکلات فوق، مفهومی که محاسبات مه نام دارد ابداع شد. محاسبات مه یک گام به عقب برمی‌دارد و منابع محاسباتی و ذخیره‌سازی را داخل تجهیزات به‌شکل توکار قرار می‌دهد. 

محیط‌های محاسباتی مه می‌توانند حجم عظیمی از مقادیر خاص‌منظوره‌ای را پردازش کنند که توسط حس‌گرها یا تجهیزات اینترنت اشیایی تولید می‌شوند که ممکن است در مناطق جغرافیایی پهناوری مستقر شده‌ باشند که پردازش آن‌‌ها فراتر از توانایی‌های ذاتی رایانش لبه است. به‌عنوان مثال، می‌توان به ساختمان‌های هوشمند، شهرهای هوشمند یا شبکه‌ای از ابزارهای هوشمند اشاره کرد. شهری هوشمند را در نظر بگیرید که در آن می‌توان از داده‌ها برای ردیابی، تجزیه‌و‌تحلیل و بهینه‌سازی سیستم ناوگان عمومی، خدمات درون و برون شهری و برنامه‌ریزی‌های شهری بلندمدت استفاده کرد. استقرار یک لبه به‌سادگی برای مدیریت چنین بار کاری کافی نیست، بنابراین رایانش مه می‌تواند مجموعه‌ای از گره‌های مه را در محدوده محیطی برای جمع‌آوری، پردازش و تجزیه‌و‌تحلیل داده‌ها تعریف کند. همان‌گونه که ممکن است حدس زده باشید، محاسبات مه و لبه دارای تعاریف و معماری تقریبا یکسانی هستند و به همین دلیل است که گاهی‌اوقات متخصصان فناوری این اصطلاحات را به‌جای یک‌دیگر استفاده می‌کنند، اما همان‌گونه که اشاره کردیم، معماری‌های فوق تفاوت‌هایی با یک‌دیگر دارند. 

مطلب پیشنهادی

نظارت خودکار بر فرآیندها و به حداقل رساندن بارهای کاری

چهار کاربرد مهم و دگرگون کننده محاسبات لبه (Edge Computing) در صنایع مختلف

چرا رایانش لبه مهم است؟

فرآیندهای محاسباتی مختلف به معماری‌های محاسباتی خاص خود نیاز دارند و این‌گونه نیست که یک معماری محاسباتی خاص برای هر کاری مناسب باشد. محاسبات لبه راهکاری برای غلبه بر برخی محدودیت‌های رایانش ابری هستند، به‌طوری که بتوان منابع محاسباتی و ذخیره‌سازی را نزدیک‌ به مکان فیزیکی منبع داده قرار داد تا بتوان پردازش‌ها را به‌شیوه محلی انجام داد. به‌طور کلی، مدل‌های محاسباتی توزیع‌شده با هدف تمرکززدایی ابداع شدند، اما تمرکززدایی چالش‌برانگیز است و به نظارت و کنترل سطح بالایی نیاز دارد. با این‌حال، محاسبات لبه راه‌حلی موثر برای غلبه بر مشکلات نوظهوری هستند که شبکه‌های کامپیوتری با آن‌ها روبه‌رو هستند که یکی از آن‌ها ارسال و دریافت حجم عظیمی از اطلاعات است. با توجه به این‌که ارسال، دریافت و پردازش داده‌ها نیازمند صرف زمان است و برخی برنامه‌ها حساس‌به‌زمان هستند، پردازش اطلاعات به‌شیوه محلی و ارسال نتایج پردازش‌شده برای مراکز داده به پهنای باند و زمان کمتری نیاز دارد. 

یک مثال عینی در این زمینه خودروهای خودران هستند که به سیگنال‌های کنترل ترافیک هوشمند وابسته هستند. ماشین‌ها و کنترل‌های ترافیکی مجبور به تولید، تجزیه‌وتحلیل و تبادل داده‌های بلادرنگ هستند. این حجم عظیم از داده‌هایی که باید تولید و پردازش شوند به یک شبکه سریع و پاسخ‌گو نیاز دارد. محاسبات لبه و مه می‌توانند سه مشکل بزرگ شبکه‌های کامپیوتری یعنی پهنای باند، تاخیر و ازدحام را برطرف کنند.

• پهنای باند (Bandwidth): پهنای باند مقدار داده‌ای است که یک شبکه می‌تواند در طول زمان انتقال دهد و معمولا بر حسب بیت در ثانیه محاسبه می‌شود. شبکه‌ها پهنای باند محدودی دارند و محدودیت‌ها برای ارتباطات بی‌سیم بیشتر است. این بدان معنا است که تعداد دستگاه‌های موجود در یک شبکه می‌توانند مقدار محدودی داده‌ را میان یک‌دیگر یا شبکه‌های دیگر مبادله کنند. اگرچه این امکان وجود دارد تا پهنای باند شبکه را افزایش داد تا دستگاه‌های بیشتری به شبکه افزوده شوند و داده‌های بیشتری انتقال پیدا کنند، اما این راهکار مستلزم صرف هزینه زیاد است و باز هم در آینده محدودیت‌ها خود را نشان خواهند داد. 
• تاخیر (Latency): تاخیر اشاره به زمان مورد نیاز برای ارسال داده بین دو نقطه در شبکه دارد. درست است که شبکه‌های ارتباطی مثل فیبرنوری یا 5G با سرعت بسیار زیادی داده‌ها را انتقال می‌دهند، اما مسافت‌های طولانی، وجود موانع فیزیکی مختلف و ازدحام یا قطعی شبکه می‌تواند فرآیند انتقال داده‌ها را با تاخیر روبه‌رو کند. به‌طوری که فرآیندهای تحلیلی و تصمیم‌گیری با تاخیر روبه‌رو می‌شوند و توانایی سامانه‌ها برای پاسخ‌گویی بلادرنگ کاهش پیدا می‌کند. در موارد حیاتی مثل پزشکی یا خودروهای خودران این موضوع به قیمت جان انسان‌ها تمام می‌شود.
• ازدحام (Congestion): اینترنت شبکه‌ای متشکل از شبکه‌ها است. اگرچه این معماری برای تبادل داده‌های همه‌منظوره و انجام کارهای محاسباتی روزمره مثل تبادل فایل یا استریم‌های ویدئویی عملکرد خوبی دارد، اما هنگامی‌که ده‌ها میلیارد دستگاه به‌شکل همزمان اقدام به ارسال و دریافت داده‌ها کنند، بار ترافیکی سنگینی به اینترنت وارد می‌کنند که مشکل تراکم و ازدحام را به‌وجود می‌آورند. در چنین شرایطی دستگاه‌ها مجبور به ارسال مجدد داده‌ها هستند که تراکم را تشدید می‌کند و ممکن است ارتباط برخی کاربران با اینترنت را به‌طور کامل قطع کند. 

با استقرار سرورها و تجهیزات ذخیره‌سازی در مکانی که داده‌ها را تولید می‌کنند، محاسبات لبه می‌توانند عملکرد دستگاه‌هایی را که روی شبکه‌های محلی کوچک قرار دارند کارآمدتر کار کنند، جایی که پهنای باند به‌طور اختصاصی و بهینه توسط دستگاه‌های تولیدکننده داده‌‌ها استفاده می‌شود که باعث می‌شود تاخیر و تراکم به پایین‌ترین مقدار خود می‌رسد. در این حالت، تجهیزات ذخیره‌سازی محلی داده‌های خام را جمع‌آوری می‌کنند، در حالی که سرورهای محلی می‌توانند تجزیه‌و‌تحلیل‌های ضروری را روی لبه شبکه انجام دهند یا حداقل داده‌ها را پیش‌پردازش کنند تا فقط داده‌های ضروری برای ابر یا مراکز داده ارسال شود. 

مزایای محاسبات لبه چیست؟

رایانش لبه مشکلات مهم زیرساخت‌ها مثل محدودیت‌های پهنای باند، تاخیر بیش‌ازحد و ازدحام شبکه را برطرف می‌کند، اما چند مزیت بالقوه اضافی نیز ارائه می‌کند. این مزایا به‌شرح زیر هستند:

• خودمختاری (Autonomy): هنگامی که ارتباطات غیرقابل اعتماد هستند یا پهنای باند به دلایل مختلف محدود است، محاسبات لبه مفید هستند. سکوهای نفتی، کشتی‌ها، مزارع یا سایر مکان‌های دورافتاده مانند جنگل‌های بارانی یا دشت‌ها از مواردی هستند که محاسبات لبه عملکرد قابل قبولی در آن‌ها دارد. محاسبات لبه کار محاسباتی را در محل و گاهی‌اوقات در خود دستگاه انجام می‌دهد (مثل حس‌گرهای کنترل کیفیت آب نصب‌شده در دستگاه‌های تصفیه آب در روستاهای دورافتاده) و می‌تواند داده‌ها را برای انتقال به یک نقطه مرکزی تنها زمانی که اتصال در دسترس قرار گرفت ذخیره کند. با پردازش داده‌ها به‌صورت محلی، می‌توان مقدار داده‌های ارسالی را کاهش داد، در مصرف پهنای باند صرفه‌جویی کرد یا در زمان کوتاهی اطلاعات مهم را برای مرکز داده ارسال و از آن دریافت کرد. 
• حاکمیت داده‌ها (Data Sovereignty): انتقال حجم عظیمی از داده‌ها تنها یک مشکل فنی نیست. انتقال داده‌ها در نقاط مرزی می‌تواند مشکلات زیادی در ارتباط با امنیت داده‌ها و حریم خصوصی به‌‌وجود آورد. رایانش لبه را می‌توان برای نگه داشتن داده‌ها نزدیک به منبع مورد استفاده قرار داد. رویکرد فوق اجازه می‌دهد داده‌های خام به‌صورت محلی پردازش شوند و هرگونه داده حساس قبل از ارسال برای ابر یا مرکز داده رمزگذاری یا غیرقابل‌خواندن شود تا افراد غیرمجاز نتوانند به تفسیر یا مشاهده آن‌ها بپردازند. 
• امنیت لبه (Edge security): محاسبات لبه راهکار جامعی برای تامین امنیت داده‌ها ارائه می‌دهد. اگرچه ارائه‌دهندگان ابر سرویس‌های تخصصی مخصوص اینترنت اشیاء را ارائه می‌کنند که توانایی تجزیه‌و‌تحلیل پیچیده داده‌ها را دارند، اما شرکت‌ها همچنان نگران امنیت داده‌هایی هستند که از لبه شبکه برای ابر یا مرکز داده ارسال شده و از آن دریافت می‌شوند. با پیاده‌سازی معماری محاسبات در لبه، هر داده‌ای که از شبکه به سمت ابر یا مرکز داده عبور می‌کند رمزگذاری می‌شود. 

کلام آخر

محاسبات لبه با گسترش روزافزون اینترنت اشیاء و داده‌هایی که توسط دستگاه‌های مختلف تولید می‌شوند مورد توجه قرار گرفته‌اند، اما با توجه به این‌که فناوری‌های مرتبط با اینترنت اشیاء هنوز به‌طور کامل فراگیر نشده‌اند و همچنان در مسیر تکامل گام بر می‌دارند، این مسئله بر آینده توسعه محاسبات لبه تاثیرگذار خواهد بود. به‌طور مثال، چند وقتی است که شرکت‌ها راهکار دیگری برای انجام محاسبات به‌شیوه محلی ارائه کرده‌اند که «توسعه مراکز داده میکرو ماژولار» (MMDCs) سرنام Micro Modular Data Centers  نام دارد. MMDC اساسا یک مرکز داده کوچک اما کامل است که می‌تواند در خود منبع تولیدکننده داده‌ها مستقر شود تا فرآیندهای محاسباتی بدون نیاز به رایانش لبه انجام شود. البته راهکار فوق در مراحل ابتدایی قرار دارد و هنوز به‌درستی مشخص نیست که امکان استفاده از آن به‌عنوان جایگزینی برای محاسبات لبه وجود دارد یا خیر.