رشد انفجاری و افزایش قدرت محاسباتی دستگاه‌های اینترنت اشیا (IoT) منجر به تولید حجم بی‌سابقه‌ای از داده‌ها شده است. داده‌هایی که روزبه‌روز به‌دلیل افزایش اتصال تعداد دستگاه‌های تلفن همراه به شبکه‌های 5G در حال گسترش هستند.
در گذشته، رایانش ابری و هوش مصنوعی در راستای خودکارسازی و تسریع نوآوری از طریق ایجاد بینش‌های عملی از داده‌ها وعده‌های بزرگی می‌دادند. اما امروزه مقیاس و پیچیدگی بی‌سابقه داده‌های تولیدشده توسط دستگاه‌های متصل، از توان شبکه و زیرساخت‌ها فراتر رفته است.
ارسال تمام داده‌های تولیدشده توسط دستگاه‌ها به یک مرکز داده مرکزی یا به فضای ابری، مشکلاتی در پهنای باند و تاخیر ایجاد می‌کند. محاسبات لبه (Edge computing) برای رفع این مشکل، یک راه‌حل کارآمدتر ارائه می‌دهد؛ داده‌ها نزدیک به جایی که ایجاد شده‌اند، پردازش و تحلیل می‌شوند. در این مقاله قصد داریم نگاه دقیق‌تری به محاسبات لبه بیندازیم و ضرورت این تکنولوژی را در دنیای پر از داده امروز بیان کنیم.
محاسبات لبه چیست؟
محاسبات لبه (Edge computing) فرایندی است که ذخیره‌سازی اطلاعات و توانایی‌های محاسباتی را به دستگاه‌هایی که اطلاعات را تولید می‌کنند و کاربرانی که آن‌ها را مصرف می‌کنند، نزدیک‌تر می‌کند. به بیان دیگر، محاسبات لبه را یک چارچوب محاسباتی توزیع‌شده می‌دانند که برنامه‌های کاربردی سازمانی را در نزدیکی منابع داده مانند دستگاه‌های اینترنت اشیا (IoT) یا سرورهای لبه محلی قرار می‌دهد.
به‌طور سنتی، برنامه‌ها داده‌ها را برای پردازش از دستگاه‌های هوشمندی مانند حسگرها و تلفن‌های هوشمند به یک مرکز داده مرکزی ارسال می‌کنند. اما پیچیدگی و مقیاس بی‌سابقه داده‌ها در دنیای امروز، از توانایی‌های شبکه بسیار فراتر رفته است.
با انتقال توانایی‌های پردازشی به دستگاه‌ها و کاربران نزدیک‌تر، سیستم‌های محاسبات لبه‌ای عملکرد برنامه‌ها را به‌طور قابل‌توجهی بهبود می‌بخشند، نیاز به پهنای باند را کاهش می‌دهند و بینش‌های سریع‌تری به‌صورت بلادرنگ ارائه می‌کنند.
مطالعه بیشتر: محاسبات ابری چیست و چه کاربری دارد؟
تفاوت محاسبات لبه و رایانش ابری
اصلی‌ترین تفاوت محاسبات لبه و محاسبات ابری در محل اجرای بارهای کاری است. محاسبات لبه‌ای بارهای کاری را در لبه شبکه، یعنی نزدیک‌تر به دستگاه‌ها و کاربران نهایی اجرا می‌کنند؛ درحالی‌که پردازش ابری یک اصطلاح گسترده است که شامل اجرای انواع بارهای کاری در مراکز داده یک ارائه‌دهنده خدمات ابری می‌شود.
بااین‌حال، باید توجه داشت که ارائه‌دهندگان خدمات ابری نیز سرویس‌های رایانش لبه ارائه می‌دهند.
درک بهتر محاسبات لبه با مثال
یک ساختمان را در نظر بگیرید که با ده‌ها دوربین ویدیویی IoT با کیفیت بالا ایمن شده است. این دوربین‌ها ساده هستند و فقط یک سیگنال ویدیویی خام را تولید کرده و به‌صورت مداوم آن را به یک سرور ابری ارسال می‌کنند. در سرور ابری، خروجی ویدیویی تمامی دوربین‌ها از طریق یک برنامه تشخیص حرکت پردازش می‌شود تا اطمینان حاصل شود که تنها کلیپ‌هایی که شامل فعالیت هستند، در پایگاه داده سرور ذخیره می‌شوند.
در چنین شرایطی، فشار دائمی و قابل‌توجه بر زیرساخت اینترنت ساختمان وارد می‌شود؛ زیرا برای انتقال حجم بالایی از ویدیوها پهنای باند قابل توجهی نیاز است. علاوه‌بر این، بار سنگینی بر سرور ابری وارد می‌شود که باید به‌طور همزمان تمامی این ویدیوها را پردازش کند.
حال تصور کنید که محاسبات مربوط به حسگر حرکت به شبکه لبه منتقل شده است. اگر هر دوربین از کامپیوتر داخلی خود برای اجرای برنامه تشخیص حرکت استفاده کند و فقط در صورت لزوم فیلم را به سرور ابری بفرستد، این کار باعث کاهش قابل توجهی در استفاده از پهنای باند می‌شود؛ زیرا بخش عمده‌ای از فیلم‌های دوربین هرگز نیاز به ارسال به سرور ابری نخواهند داشت.
علاوه‌بر این، سرور ابری اکنون فقط مسئول ذخیره‌سازی فیلم‌های مهم است؛ این بدان معناست که سرور می‌تواند با تعداد بیشتری از دوربین‌ها ارتباط برقرار کند، بدون اینکه بار اضافی بر آن وارد شود. این همان چیزی است که به آن محاسبات لبه می‌گویند. برای آشنایی بیشتر در ادامه چندین نمونه واقعی از استفاده شرکت‌های مختلف از محاسبات لبه را آورده‌ایم:
- گروه فولکس‌واگن: فولکس‌واگن، یکی از بزرگ‌ترین گروه‌های خودروسازی جهان، از محاسبات لبه در اینترنت اشیاء (IoT)، یادگیری ماشینی و برای پشتیبانی از ابر صنعتی خود استفاده می‌کند. این سیستم داده‌های بیش از 120 کارخانه تولیدی را به هم متصل می‌کند تا کارایی، زمان فعالیت تأسیسات، انعطاف‌پذیری تولید و استانداردهای کیفیت خودروها را بهبود بخشد.
- Hulu: پلتفرم پخش ویدیوی Hulu از شبکه لبه بهره می‌گیرد تا مشتریان حتی در زمان‌های ترافیک بالا نیز به بهترین شکل ممکن محتوا دریافت کنند. Hulu یک سرویس اشتراکی ویدئو هنگام درخواست (VoD) آمریکایی است که به Hulu LLC، یک سرمایه‌گذاری مشترک با شرکت والت دیزنی، 21st Century Fox، Comcast و Time Warner تعلق دارد.
- Riot Games: این شرکت که بازی‌های مشهوری مانند League of Legends و VALORANT را توسعه و پشتیبانی می‌کند، از سرویس‌های رایانش لبه برای کاهش تاخیر (latency) بین 10 تا 20 میلی‌ثانیه بهره می‌برد تا تجربه بازی‌ها را منصفانه‌تر کند و امکان بازی بدون نقص را برای بازیکنان فراهم آورد.
برای آشنایی با کاربردهای پردازش ابری، خواندن مثال هایی از رایانش ابری به شما کمک می‌کند.
چرا محاسبات لبه‌ای مهم است؟
محاسبات لبه به دلیل افزایش کارایی در جمع‌آوری و تحلیل داده‌های خام، محبوبیت بیشتری پیدا کرده است. امروزه سازمان‌ها بیش از هر زمان دیگری نیاز به دسترسی فوری به داده‌های خود دارند تا تصمیمات آگاهانه‌تری درباره بهره‌وری عملیاتی و عملکرد تجاری خود بگیرند. رایانش لبه‌ای، در صورت استفاده صحیح، می‌تواند به سازمان‌ها کمک کند تا ایمنی و عملکرد را بهبود دهند، فرایندها را خودکار کنند و تجربه کاربری را ارتقاء دهند.
در ادامه برخی از مزایای محاسبات لبه‌ای آورده شده است:
1. کاهش تاخیر و افزایش سرعت
در بسیاری از صنایع، فناوری نیازمند انتقال تقریبا آنی داده‌ها است. به‌عنوان مثال، درصورتی‌که یک ماشین رباتیک در خط تولید دچار مشکل شود و ادامه کار آن ناایمن باشد، باید در سریع‌ترین زمان ممکن این اطلاعات را دریافت کند تا بتواند متوقف شود. رایانش لبه با انتقال فرایندها به لبه و مکانی نزدیک به دستگاه‌ها و کاربران، این تاخیر را به‌شدت کاهش می‌دهد.
2. بهبود امنیت داده‌ها
با محاسبات لبه، بیشتر داده‌ها به‌صورت محلی پردازش و ذخیره می‌شوند. در این فرایند، هرگونه اطلاعاتی که نیاز به ارسال به مرکز داده داشته باشد، می‌تواند قبل از انتقال رمزگذاری شود. سازمان‌ها همچنین از محاسبات لبه‌ای برای رعایت قوانین حاکمیت داده‌ها، مانند مقررات عمومی حفاظت از داده‌ها (GDPR)، استفاده می‌کنند تا داده‌های حساس را نزدیک به منبع خود نگه دارند.
3. افزایش بهره‌وری
سازمان‌ها با واکنش سریع‌تر به اطلاعات، بهره‌وری عملیاتی و کارکنان خود را بهبود می‌بخشند. با تحلیل داده‌های جمع‌آوری‌شده در منبع، سازمان‌ها می‌توانند بخش‌هایی از تأسیسات، زیرساخت‌ها یا تجهیزات خود را که عملکرد مناسبی ندارند، بهبود بخشند. رایانش لبه می‌تواند با ابزارهای هوش مصنوعی و یادگیری ماشین ترکیب شود تا بینش‌هایی را برای افزایش بهره‌وری کارکنان و سازمان‌ها ارائه دهد.
4. جمع‌آوری داده‌ها از راه دور
جمع‌آوری داده‌ها از مکان‌هایی با اتصال و پهنای باند ضعیف، چالش‌برانگیز است. سازمان‌ها می‌توانند با ایجاد قابلیت‌های پردازش و ذخیره‌سازی داده‌ها در لبه شبکه، داده‌ها را از میدان‌های نفتی دورافتاده، مناطق صنعتی و کشتی‌های دریایی جمع‌آوری و منتقل کنند.
5. کاهش هزینه‌ها
ارسال حجم زیادی از داده‌ها از محل تولید به مراکز داده متمرکز پرهزینه است، زیرا نیاز به پهنای باند بیشتری دارد. مدل محاسبات لبه‌ای این امکان را برایتان فراهم می‌کند تا حجم داده‌های ارسالی از سایت‌ها به مراکز داده را کاهش دهید؛ زیرا کاربران نهایی فقط داده‌های ضروری را ارسال می‌کنند. بسته به میزان داده‌ای که کسب‌وکار شما ارسال و پردازش می‌کند، رایانش لبه‌ای می‌تواند به‌طور قابل‌توجهی هزینه‌های عملیاتی را کاهش دهد.
6. عملکرد قابل‌اعتماد
محاسبات لبه‌ای اغلب در مناطق دورافتاده که اتصال اینترنتی ضعیفی دارند، به کار می‌رود. با ایجاد یک محیط محاسبات لبه‌ای، سازمان‌ها اطمینان حاصل می‌کنند که عملیات‌های آن‌ها به‌طور قابل‌اعتمادی داده‌ها را پردازش، تحلیل و ذخیره می‌کنند. این موضوع به‌طور چشمگیری احتمال مواجهه با وقفه‌های عملیاتی ناشی از اختلالات شبکه یا اتصال را کاهش می‌دهد.
کدام صنایع از رایانش لبه‌ای استفاده می‌کنند؟
سرعت بالا و تاخیر کم در انتقال داده‌ها، همراه با سهولت نصب دستگاه‌های لبه، باعث شده است محاسبات لبه‌ای به‌طور گسترده‌ای در صنایع مختلف مورد استفاده قرار گیرند. از جمله صنایعی که تکنولوژی رایانش لبه در آن‌ها کاربردی است، به موارد زیر می‌توان اشاره کرد:
صنعت تولید
گسترش دستگاه‌های اینترنت اشیا (IoT) مانند حسگرها و دروازه‌ها (Gateways)، محاسبات لبه‌ای را در صنعت تولید رواج داده است. تولیدکنندگان از این فناوری برای خودکارسازی فرایندها، جمع‌آوری داده‌ها در محل، بهبود بهره‌وری تولید و ارتباط سریع بین ماشین‌ها استفاده می‌کنند.
وسایل نقلیه خودران
وسایل نقلیه خودران مانند ماشین‌های بدون راننده به چندین حسگر اینترنت اشیا مجهز هستند که هر ثانیه مقدار زیادی داده جمع‌آوری می‌کنند. این وسایل برای پاسخگویی و واکنش فوری به پردازش بلادرنگ داده‌ها نیاز دارند و برای تصمیم‌گیری لحظه‌ای نمی‌توانند به سرورهای راه دور متکی باشند.
همچنین، ماشین‌های خودران برای تبادل اطلاعاتی مانند وضعیت آب‌وهوایی، ترافیک، تصادفات یا حوادث به‌جای ارسال داده‌ها به یک سرور راه دور، به‌صورت مستقیم با یکدیگر ارتباط برقرار می‌کنند. رایانش لبه‌ای برای اطمینان از ایمنی و توانایی وسایل نقلیه خودران در درک دقیق شرایط جاده‌ای بسیار حیاتی است.
صنعت انرژی
شرکت‌های انرژی از محاسبات لبه‌ای برای جمع‌آوری و ذخیره‌سازی داده‌ها در سکوهای نفتی، میدان‌های گازی، توربین‌های بادی و مزارع خورشیدی استفاده می‌کنند. این شرکت‌ها از هوش مصنوعی لبه‌ای برای شناسایی خطرات، بهینه‌سازی عملیات و بازرسی خطوط لوله (Pipelines) خود بهره می‌برند. محاسبات لبه‌ای به بهبود کارایی عملیاتی، ایمنی کارگران و پیش‌بینی زمان انجام تعمیرات کمک می‌کند.
بخش بهداشت و درمان
دستگاه‌های لبه‌ای می‌توانند بر عملکردهای حیاتی بیمار مانند دما و سطح قند خون نظارت و کنترل داشته باشند. محاسبات لبه‌ای به بخش بهداشت و درمان اجازه می‌دهد ضمن بهبود حفاظت از حریم شخصی، داده‌های بیماران را به‌صورت محلی ذخیره کنند. همچنین، مراکز درمانی حجم داده‌های ارسالی به مکان‌های مرکزی را کاهش داده و خطر از دست رفتن داده‌ها را کمتر می‌کنند.
کاربرد رایانش لبه ای چیست؟
علاوه‌بر صنایعی که در بالا ذکر کردیم، محاسبات لبه‌ای می‌تواند در طیف گسترده‌ای از برنامه‌ها، محصولات و خدمات به کار گرفته شود. چند نمونه از این موارد عبارت‌اند از:
- نظارت بر سیستم‌های امنیتی: نظارت بر سیستم‌های امنیتی که می‌توانند در محل یا لبه شبکه پردازش شوند، باعث واکنش سریع‌تر سیستم‌ها در برابر تهدید یا خطر می‌شوند.
- دستگاه‌های اینترنت اشیا (IoT): دستگاه‌های هوشمندی که به اینترنت متصل هستند، از اجرای کدها به‌صورت محلی (در خود دستگاه) به‌جای ارسال داده به ابر، بهره می‌برند. محاسبات لبه در اینترنت اشیا باعث بهبود تعاملات کاربران و کاهش تاخیر می‌شود.
- کشینگ مؤثرتر: با اجرای کدها روی شبکه توزیع محتوا (CDN) در لبه، یک برنامه کاربردی می‌تواند نحوه ذخیره‌سازی یا کشینگ محتوا را برای ارائه کارآمدتر محتوا به کاربران سفارشی کند.
- کنفرانس‌های ویدیویی: ویدیوهای زنده تعاملی پهنای باند زیادی مصرف می‌کنند؛ با انتقال پردازش‌های پشتیبان به نزدیکی منبع ویدیو، می‌توان تأخیر و لگ را کاهش داد و کیفیت بهتری را برای کاربران فراهم کرد.
محاسبات لبه چگونه کار می‌کند؟
محاسبات لبه‌ای با نزدیک‌تر کردن پردازش و ذخیره‌سازی داده به تولیدکنندگان و مصرف‌کنندگان داده‌ها کار می‌کند. استقرارهای لبه (Edge deployments) بسته به موارد استفاده می‌تواند متفاوت باشد، اما به دو دسته کلی تقسیم می‌شود:
تقاضاهای بالادستی (Upstream applications)
تقاضاهای بالادستی بر جمع‌آوری داده از حسگرهای هوشمند و دستگاه‌های دیگر تمرکز دارند و سپس آن داده‌ها را برای پردازش بیشتر به مراکز داده ارسال می‌کنند. داده‌های جمع‌آوری‌شده به سه دسته اصلی تقسیم می‌شوند:
- داده‌های اضافی یا نامربوط: مانند داده‌های دمای اتاق که هر ۵ دقیقه توسط یک حسگر اندازه‌گیری می‌شود.
- داده‌های مفید با الزامات ذخیره‌سازی طولانی‌مدت: مانند میانگین دما طی چند ساعت.
- داده‌های مفید با تأثیرات کوتاه‌مدت: مانند مقادیر دمایی که کمتر از حد مشخصی هستند و موجب روشن شدن بخاری می‌شوند.
محاسبات لبه‌ای در تقاضاهای بالادستی بر تشخیص بین این سه نوع داده تمرکز دارد و فقط اطلاعات حیاتی را به مرکز داده ارسال می‌کند. استراتژی‌های لبه شامل موارد زیر می‌شوند:
- مرکز داده محلی: شرکت‌ها فضای ذخیره‌سازی، سرورها و تجهیزات لبه‌ای دیگر را در نزدیکی منبع داده نصب می‌کنند. برای مثال، یک شرکت انرژی ممکن است چند رک سرور و یک شبکه محلی (LAN) راه دور را درون یک توربین بادی نصب کند تا داده‌های تولیدی آن را جمع‌آوری و پردازش کند.
- ظرفیت پردازشی در دستگاه‌های اینترنت اشیا (IoT): شرکت از حسگرهایی با ظرفیت محاسباتی کافی برای پردازش داده با استفاده از قوانین فیلترینگ از پیش تعریف شده قبل از انتقال استفاده می‌کند.
- سرورهای منطقه‌ای لبه: یک شرکت از خدمات ابری برای پردازش داده‌های چندین حسگر مختلف در یک منطقه استفاده می‌کند. ارائه‌دهندگان خدمات ابری می‌توانند این خدمات را بومی‌سازی کنند تا پردازش روی سرورهای لبه محلی در منطقه مورد نیاز شرکت انجام شود.
تقاضاهای پایین‌دستی (Downstream applications)
تقاضاهای پایین‌دستی بر تحویل داده به کاربران نهایی تمرکز دارند؛ از جمله پخش زنده ویدئو در رسانه‌ها، بازی‌های آنلاین یا پخش ویدئوهای واقعیت مجازی. محاسبات لبه‌ای برای تقاضاهای پایین‌دستی بر کاهش تأخیر شبکه متمرکز است تا کاربران تجربه لحظه‌ای از رویدادها داشته باشند. مثال‌هایی از این نوع شامل موارد زیر هستند:
- کشینگ (Caching): یک شرکت با راه‌اندازی شبکه توزیع محتوا (CDN) محتوا را روی سرورهای لبه‌ای که به‌طور جغرافیایی نزدیک‌تر به کاربران هستند، ذخیره می‌کند و بنابراین محتوا سریع‌تر به کاربران می‌رسد. برای آشنایی بیشتر با عملکرد کشینگ، مقاله CDN چیست را مطالعه کنید.
- خدمات لبه‌ای ابری: شما می‌توانید از خدمات پردازش ابری برای اجرای بخش‌های حساس به تأخیر برنامه خود به‌صورت محلی و در نزدیکی نقطه پایانی (Endpoint) و منابع در یک منطقه خاص جغرافیایی استفاده کنید.
- محاسبات لبه موبایل: یک شرکت از زیرساخت‌های محاسبات لبه موبایل مانند شبکه‌های 5G و خدمات رایانش ابری موبایل مبتنی‌بر 5G برای توسعه، استقرار و مقیاس‌بندی برنامه‌های کاربردی با تأخیر بسیار کم استفاده می‌کند.
چالش‌های استفاده از رایانش لبه چیست؟
یکی از چالش‌های استفاده از محاسبات لبه این است که این تکنولوژی می‌تواند بردارهای حمله را افزایش دهد. با اضافه شدن دستگاه‌های هوشمند بیشتر مانند سرورهای لبه و دستگاه‌های اینترنت اشیا که کامپیوترهای قدرتمند داخلی دارند، فرصت‌های جدیدی برای مهاجمان فراهم می‌شود تا این دستگاه‌ها را مورد حمله قرار دهند.
عیب دیگر محاسبات لبه این است که نیاز به سخت‌افزار محلی بیشتری دارد. به‌عنوان مثال، یک دوربین اینترنت اشیا علاوه‌بر اینکه به یک کامپیوتر داخلی برای ارسال داده‌های ویدیویی خام به سرور نیاز دارد، برای اجرای الگوریتم‌های پیچیده‌ای مانند تشخیص حرکت، به یک کامپیوتر پیشرفته‌تر با قدرت پردازشی بالاتر نیازمند است. بااین‌حال، کاهش هزینه‌های سخت‌افزاری باعث شده است که ساخت دستگاه‌های هوشمندتر ارزان‌تر شود.
سرویس‌دهی سریع‌تر به مخاطبان آنلاین با شبکه توزیع محتوا (CDN)
در این مقاله به بررسی محاسبات لبه پرداختیم و کاربردها، مزایا، چالش‌ها و نحوه عملکرد آن را بررسی کردیم. در فرایند ذخیره‌سازی (Caching) در شبکه توزیع محتوا از محاسبات لبه استفاده می‌شود. به‌طوری‌که محتوای وب‌سایت از نزدیک‌ترین سرور به کاربر ارسال می‌شود و این امر با کاهش تاخیر، افزایش سرعت و بهبود عملکرد وب‌سایت یا برنامه کاربردی شما همراه است.
شبکه توزیع محتوا ابر دراک با سرویس جلوگیری از حملات DDoS و پشتیبانی همزمان از IPv6 و IPv4، به بهبود امنیت، ارتقای عملکرد و همچنین پاسخ‌دهی گسترده‌تر کمک می‌کند. برای اطلاع از هزینه‌های شبکه توزیع محتوا وارد صفحه قیمت CDN شوید یا برای کسب اطلاعات بیشتر با شماره تلفن 02191014197 تماس بگیرید.
منابع: AWS | IBM | Cloudflare
