Граничные вычисления
Грани́чные вычисле́ния (англ. Edge Computing) — подход к обработке данных, при котором вычисления выполняются не в централизованных облачных сервисах (англ. Cloud Computing), а на периферии сети — так называемой границе (англ. Edge, от англ. «край», «предел»).
Одной из форм граничных вычислений является туманная обработка данных (англ. Fog Computing). Также нередко используются термины «локальное облако» и «клаудлет» (англ. Cloudlet)[1].
Описание
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].
Цели технологии
Задержки, вызванные физическим расстоянием между местом производства и дата-центром, особенно негативно сказываются на бизнес- и производственных процессах в промышленности[8]. 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»[9].
Согласно исследованию International Data Corporation (IDC) 2018 года, доля данных реального времени к 2025 году достигнет 30 % от общего объёма обрабатываемых данных[10]. 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[11]. Изначально задача edge computing заключалась преимущественно в сокращении физического расстояния до центров обработки (и соответственно — расходов на передачу данных)[12], 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[9]. По данным Gartner, в 2020 году в мире было подключено около 20,4 млрд устройств IoT[13]. Большую роль граничные вычисления играют в промышленной автоматизации (англ. Industrie 4.0), включая преобразование традиционных программируемых контроллеров (ПЛК) в edge-контроллеры.
Edge-контроллер
Edge-контроллер — разновидность программируемого 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 (Fog Computing)
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)[14].
Преимущества
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[15].
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][9].
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.
Недостатки
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 (то есть устройства) должны быть доступны и защищены от технических сбоев и злоупотреблений[9]. Надёжность инфраструктуры также должна быть обеспечена вне зависимости от состояния соединения с центральным ЦОД/облаком[3], включая автоматическую синхронизацию накопленных данных при восстановлении связи[16].
Дополнительный барьер — ресурсоёмкость начальной настройки подобных систем[16] и нехватка квалифицированных кадров[11]. После развёртывания системы требуется местный штат для поддержки, а поскольку точек больше, чем в централизованной архитектуре, число специалистов должно быть выше[11].
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 применения
Сферы использования граничных вычислений весьма разнообразны. Особенно перспективны они в промышленности: в логистике (например, управление автопарком, автоматизация складских комплексов)[17]. производстве (диагностика и прогнозное обслуживание оборудования, цифровые двойники)[2], оптимизации фабрик и автоматизации зданий[13].
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[8]. При этом автономный автомобиль должен обрабатывать информацию о своей среде и обмениваться ею с другими объектами — он становится полноценным edge-устройством[9]. 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[9]. 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.
Примеры практического применения
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[18]. Особое внимание уделялось обработке информации, поступающей от сенсоров дорожной инфраструктуры, вблизи сложных перекрёстков[19]. 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[19]. Далее результаты объединялись с данными сенсоров автомобиля и карт для создания локальной модели ситуации на дороге[19].
В промышленности граничные вычисления применяются, например, в Azure IoT Edge от Microsoft для предиктивного обслуживания оборудования компании Schneider Electric[20]. Система позволяет выявлять сбои насосных станций и остановить их до возникновения повреждений, снижая риск поломок и ущерба окружающей среде.
Аналогичный случай приводит компания General Electric: для оценки остаточного ресурса компонентов турбогенераторов в тяжёлых условиях используются edge-технологии и сенсорные данные[16].
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[20][21]. Цель — повышение урожайности и снижение затрат.
Примечания
Ссылки
- White Paper. National Instruments.
- ÖFIT-Trendschau: Edge Computing. Kompetenzzentrum Öffentliche IT.