Граничные вычисления

При использовании граничных вычислений приложения, данные и сервисы перемещаются от центральных узлов (центров обработки данных) на периферию сети^[1]. Ключевая особенность заключается в том, что основные операции происходят на «границе» сети — в её периферийной части. К таким операциям относятся сбор, агрегирование, предварительная обработка и анализ данных^[2]. Вычисления осуществляются именно там, где данные возникают и собираются^[3].

Цель заключается в частичной и более эффективной локальной обработке потоков данных (например, прямо на конечном устройстве или внутри производственного цеха), что снижает нагрузку на основной центр обработки данных^[1]. Географическая удалённость центров от источника данных приводит к задержкам при передаче, что мешает быстрой реакции; для передачи с задержкой менее миллисекунды центр обработки данных должен находиться не далее 100 километров от места возникновения данных^[4]. Перемещая место обработки ближе к источнику данных, можно значительно сократить задержки отклика^[5]. Одновременно возможно отфильтровывать и агрегировать только те данные, которые действительно необходимы для дальнейшей обработки в центральном дата-центре^[6], что позволяет эффективнее использовать полосу пропускания. Концепция граничных вычислений возникла в связи с быстрым ростом объёма данных, обрабатываемых в решениях Интернета вещей (IoT)^[3]. Для многих IoT-приложений с высокими требованиями к задержкам невозможно отправлять все данные в центр обработки для анализа^[2]. Предварительная фильтрация и местная обработка близ источника данных позволяют решать задачи экономии полосы пропускания и реакции в реальном времени — ключевые вызовы IoT.

Этот подход особенно эффективен при использовании устройств, не имеющих постоянного подключения к сети, таких как контроллеры, ноутбуки, смартфоны, планшетные компьютеры и сенсоры. Граничные вычисления включают в себя множество технологий: сенсорные сети, мобильный сбор данных, мобильный анализ сигнатур, Peer-to-Peer- и ad-hoc-сети. Для туманных вычислений (англ. Fog Computing) акцент делается не на конечных устройствах, а на приближении облачных ресурсов к приложениям (децентрализация)^[7].

Задержки, вызванные физическим расстоянием между местом производства и дата-центром, особенно негативно сказываются на бизнес- и производственных процессах в промышленности^[9]. Уже в 2014 году директор подразделения Internet of Things компании Cisco Гвидо Журе отметил: «Мы теряем время и полосу пропускания, если все данные IoT устройств мы отправляем в облако, а затем возвращаем ответы обратно в сеть»^[10].

Согласно исследованию International Data Corporation (IDC) 2018 года, доля данных реального времени к 2025 году достигнет 30 % от общего объёма обрабатываемых данных^[11]. С ростом IoT увеличивается не только объём генерируемых данных, но и потребность в их обработке в реальном времени^[1] Следовательно, значение граничных вычислений растёт вместе с долей «живых» (real-time) данных. Опрос Vertiv (2019) показал: 53 % пользователей граничных вычислений прогнозировали рост числа edge-платформ в среднем на 226 % к 2025 году.^[12]. Изначально задача edge computing заключалась преимущественно в сокращении физического расстояния до центров обработки (и соответственно — расходов на передачу данных)^[13], однако стремительный рост IoT и появление новых приложений, жёстко завязанных на реальное время, делают граничные вычисления всё более необходимыми и востребованными^[3].

Масштаб роста данных иллюстрирует пример: за 30 минут полёта одна турбина самолёта генерирует до 10 Тбайт данных (что примерно соответствует 5000 часам видео в HD-качестве), требующих немедленной локальной обработки^[10]. По данным Gartner, в 2020 году в мире было подключено около 20,4 млрд устройств IoT^[14]. Большую роль граничные вычисления играют в промышленной автоматизации (англ. Industrie 4.0), включая преобразование традиционных программируемых контроллеров (ПЛК) в edge-контроллеры.

Edge-контроллер — разновидность пограммируемого логического контроллера, в которой процессоры располагаются ближе к сенсору, что обеспечивает быструю фильтрацию и анализ данных. Работая в качестве локального контроллера, такое устройство снижает поток данных в дата-центры. Основное отличие edge-контроллера от классического ПЛК — гораздо большая вычислительная мощность благодаря современным многоядерным процессорам.

Туманные вычисления (англ. Fog Computing) — разновидность edge computing, в которой данные предварительно фильтруются по значимости и через внешние узлы и шлюзы поступают на сервер^[1] Ключевое отличие от классических граничных вычислений — наличие дополнительного промежуточного слоя (англ. Fog Layer).^[16].

Главное преимущество граничных вычислений — возможность сбора и обработки данных в реальном времени. Для компаний, предлагающих критичные приложения с низкой задержкой, этот фактор становится определяющим^[3] Благодаря локальной фильтрации и обработке данных уменьшается нагрузка на внешние каналы и хранилища, что немедленно отражается на снижении расходов компаний по ширине канала, объёму данных и отведённому облачному пространству.^[3]

Для организаций, работающих в местах с низкой пропускной способностью или нестабильным интернетом (например, в сельской местности), возможность обрабатывать основную часть данных локально критична.^[6]. Однако преимущества облака (например, модели искусственного интеллекта, разработанные и обученные в облаке) также можно реализовать локально после передачи и подготовки модели^[17].

Локальная обработка данных обеспечивает также контроль над конфиденциальной информацией, не покидающей локальную сеть компании. Это важно для защиты коммерческих и чувствительных данных^[3] а также для соблюдения требований локального законодательства (например, GDPR и национальные финансовые регламенты), которые не допускают хранение данных на зарубежных серверах.^[6][10],

Преимущества граничных вычислений:

• Минимизация задержек
• Снижение времени реагирования
• Ускорение передачи и обработки данных в облаке
• Ограничение задержек и сбоев в обслуживании
• Поддержка сервисов/мониторинга в реальном времени
• Обход ограничений пропускной способности
• Уменьшение сетевых расходов
• Улучшенный контроль над конфиденциальными данными
• Масштабируемость

Несмотря на ключевые плюсы, граничные вычисления обладают и рядом вызовов.

Хотя данными можно управлять локально, перенос критической информации на периферию делает безопасность дополнительной проблемой. В традиционных ЦОД/облачных решениях контроль за высоким стандартом безопасности централизован и регулярные обновления гарантируют уровень защиты. При децентрализации ответственность ложится на оператора системы, и нужно осознавать риски IoT-устройств^[3]

Для использования преимуществ граничных вычислений все узлы (т. е. устройства) должны быть доступны и защищены от технических сбоев и злоупотреблений.^[10] Надёжность инфраструктуры также должна быть обеспечена вне зависимости от состояния соединения с центральным ЦОД/облаком,^[3] включая автоматическую синхронизацию накопленных данных при восстановлении связи.^[18].

Дополнительный барьер — ресурсоёмкость начальной настройки подобных систем^[18] и нехватка квалифицированных кадров^[12]. После развёртывания системы требуется местный штат для поддержки, а поскольку точек больше, чем в централизованной архитектуре, число специалистов должно быть выше^[12]

Основные недостатки и вызовы граничных вычислений:

• Необходимость обеспечивать безопасность данных
• Гарантированная надёжность даже при обрывах связи
• Необходимость постоянной доступности конечных устройств
• Сложность первичного внедрения
• Дефицит специалистов
• Непредсказуемая потребность в вычислительных/хранилищных ресурсах

Сферы использования граничных вычислений весьма разнообразны. Особенно перспективны они в промышленности: в логистике (например, управление автопарком, автоматизация складских комплексов),^[19]. производстве (диагностика и прогнозное обслуживание оборудования, цифровые двойники)^[2], оптимизации фабрик и автоматизации зданий^[14].

Но и вне промышленности существуют сценарии, где критичны возможности обработки данных в реальном времени: автономное вождение, дополненная реальность и проекты умных городов^[3] Для автономных машин жизненно важно выполнение всех вычислений на борту, без постоянного соединения с центром и с минимальной задержкой — иначе возможны аварийные ситуации.^[9]. При этом автономный автомобиль должен обрабатывать информацию о своей среде и обмениваться ею с другими объектами — он становится полноценным edge-устройством^[10] В дополненной реальности («слияние реального и цифрового мира»^[4].), например, наложение цифровых данных на изображение через AR-очки требует обработки и отображения доп. информации с минимальной задержкой, чтобы она следовала за быстрыми движениями пользователя^[4]. Интеллектуальное регулирование дорожного движения по видеоаналитике также является примером использования edge computing в умных городах^[10] Умные светофоры могут адаптироваться к транспортному потоку или приближению транспорта экстренных служб, формируя приоритетные «зелёные волны»; анализ и реакция производятся локально, без отправки данных в центральный дата-центр.

Граничные вычисления уже активно реализуются на практике.

Один из повседневных примеров — распознавание лица в современных смартфонах для разблокировки устройства.^[3] Без граничных вычислений данные пришлось бы отправлять в облако и ждать ответа; теперь же алгоритм работает локально, позволяя разблокировать устройство даже без доступа к интернету.

Пример из области умных городов — проект автономного транспорта в Ульме (Германия) команд с участием Bosch и Университета Ульма.^[20]. Особое внимание уделялось обработке информации, поступающей от сенсоров дорожной инфраструктуры, вблизи сложных перекрёстков^[21]. В пилотной установке использовались видеокамеры и лидара на уличных фонарях для получения комплексной оценки обстановки, передачи информации об укрытых пешеходах и других опасностях непосредственно на тестовое транспортное средство. Обработка потока данных осуществлялась на edge-серверах мобильной сети^[21]. Далее результаты объединялись с данными сенсоров автомобиля и карт для создания локальной модели ситуации на дороге^[21].

В промышленности граничные вычисления применяются, например, в Azure IoT Edge от Microsoft для предиктивного обслуживания оборудования компании Schneider Electric^[22].^[23] Система позволяет выявлять сбои насосных станций и остановить их до возникновения повреждений, снижая риск поломок и ущерба окружающей среде^[23].

Аналогичный случай приводит компания General Electric: для оценки остаточного ресурса компонентов турбогенераторов в тяжёлых условиях используются edge-технологии и сенсорные данные^[18].

В сельском хозяйстве проект Microsoft FarmBeats демонстрирует применение граничных вычислений для мониторинга посевов: дроны фиксируют состояние полей, сенсоры измеряют влагу и температуру почвы, а машинное обучение выявляет заболевания, вредителей и другие угрозы для урожайности^[24].^[22] Цель — повышение урожайности и снижение затрат.