Туманные вычисления

В 2011 году возникла необходимость дополнить облачные вычисления туманными для обработки больших объёмов данных и множества IoT-устройств в приложениях с требованием низких задержек и работы в реальном времени^[7]. Туманные вычисления, или периферийные вычисления, предназначены для распределённой обработки, при которой множество периферийных устройств подключаются к облаку. Термин «туман» (англ. fog) подчёркивает сходство технологии с облачными вычислениями, но с более тесной привязкой к устройствам IoT, то есть «ближе к земле»^[8]. Многие из таких устройств генерируют большие массивы необработанных данных (например, с датчиков), и вместо передачи этих объёмов на серверы для обработки предлагается максимально обрабатывать данные сразу на самом устройстве или рядом с ним. Это сокращает нагрузку на каналы связи и снижает требования к пропускной способности. Обработка данных непосредственно на устройстве также приводит к минимизации задержек между вводом и откликом. Аналогичные подходы применялись и до появления облачных архитектур, например, использование специализированных процессоров для быстрого преобразования Фурье с целью уменьшения задержки и снижения нагрузки на основной процессор.

Туманные вычисления оперируют плоскостью управления и плоскостью данных. Например, на плоскости данных вычисления могут выполняться ближе к краю сети, а не только в серверных центрах обработки данных. По сравнению с облачными вычислениями, туманные вычисления делают акцент на близость к конечному пользователю и его задачам (операционная эффективность, политика безопасности^[9], использование ресурсов), плотное географическое распределение, контекстную осведомленность, сокращение задержек и оптимизацию трафика для повышения качества сервисов, а также для построения отказоустойчивых систем и применения в умных домах и системах помогающей среды^[10].^[11][12][13]

Современная гибридная облачно-периферийная архитектура (Cloud-to-Edge-to-Thing или Edge-Fog-Cloud) представляет собой распределённую многоуровневую модель, выстраивающую иерархию обработки данных для снижения задержек и сетевой нагрузки^[14][15]. Система делится на три взаимодействующих функциональных слоя:

• Уровень периферии (Edge / IoT Layer): включает конечные устройства (датчики, камеры, смартфоны) и граничные шлюзы. Здесь происходит сбор сырых данных, их базовая обработка и принятие мгновенных решений по критичным ко времени задачам^[14][15][16].
• Уровень тумана (Fog Layer): промежуточный слой, состоящий из локальных узлов. Он координирует работу граничных устройств, агрегирует информацию, отфильтровывает незначимые данные и выполняет углублённую аналитику в реальном времени с применением алгоритмов машинного обучения^[14][16].
• Уровень облака (Cloud Layer): обладает максимальными вычислительными мощностями и отвечает за ресурсоёмкие задачи (долгосрочное хранение, глобальная аналитика, прогнозирование и обучение сложных моделей)^[14][15].

В рамках этой иерархии периферия собирает данные и реагирует на экстренные события, туман оптимизирует локальные процессы, а облако анализирует долгосрочные тренды^[14]. В качестве аппаратных решений для туманных узлов используются промышленные маршрутизаторы, умные шлюзы, одноплатные компьютеры и промышленные ПК, базовые станции 5G, а также микро-серверы и небольшие кластеры^[14][17].

Термин «туманные вычисления» был впервые предложен компанией Cisco в 2012 году^[18]. 19 ноября 2015 года компании Cisco Systems, ARM Holdings, Dell, Intel, Microsoft и Принстонский университет основали OpenFog Consortium для поддержки и развития туманных вычислений^[19]. Старшим управляющим консорциума стал Хелдер Антунес из Cisco, а первым президентом — Дж. Феддерс, главный стратег IoT из Intel^[20]. 31 января 2019 года OpenFog Consortium объединился с Industrial Internet Consortium (ныне Industry IoT Consortium)^[21][22].

Облачные и туманные вычисления предоставляют пользователям хранение, приложения и данные. Отличие туманных вычислений — их географическая близость к пользователю и более широкое распределение по территории^[23].

Облачные вычисления — это использование сети удалённых серверов в Интернете для хранения, управления и обработки данных вместо локального сервера или персонального компьютера^[24].

Туманные вычисления (фоггинг, периферийные вычисления) обеспечивают работу вычислительных, хранилищных и сетевых сервисов между конечными устройствами и центрами обработки данных облака.

В марте 2018 года Национальный институт стандартов и технологий США (NIST) опубликовал определение туманных вычислений в специальной публикации NIST SP 500-325 Fog Computing Conceptual Model, согласно которому туманные вычисления — это горизонтальная, физическая или виртуальная парадигма ресурсов, размещённых между умными конечными устройствами и традиционными облачными центрами данных^[8]. Подобная парадигма поддерживает изолированные по вертикали и чувствительные к задержкам приложения, предоставляя распределённые вычисления, хранение данных и сетевую связность. В теоретической модели узлы туманных вычислений располагаются физически и функционально между периферией и центральным облаком^[25]. Терминология туманных вычислений до конца не определена, а также нет чёткого различия с периферийными вычислениями.

Согласно стандарту IEEE (включая версию IEEE 1934-2021), туманные вычисления официально определяются как системная горизонтальная архитектура, которая распределяет ресурсы и сервисы вычислений, хранения, управления и сетевого взаимодействия в любом месте континуума «от облака к вещам» (cloud-to-things continuum)^[26][27].

IEEE приняла стандарты туманных вычислений, разработанные OpenFog Consortium, включая действующий стандарт IEEE 1934-2018^[32]. Также действует стандарт IEEE 1935-2023, определяющий управление и оркестрацию систем Edge/Fog, включая процедуры управления платформами и жизненным циклом приложений^[33].

Туманные вычисления поддерживают концепцию Интернета вещей, когда значительная часть используемых человеком устройств будет соединена между собой. Примеры применений: смартфоны, носимые медицинские устройства, подключённые автомобили и технологии дополненной реальности, такие как Google Glass^[34].^[35][36][37] IoT-устройства часто имеют ограниченные вычислительные возможности и оперативную память, необходимых для криптографических операций, поэтому узлы туманных вычислений могут брать на себя эти задачи, обеспечивая безопасность IoT-устройств^[38].

SPAWAR (командование космических и военно-морских систем США) разрабатывает и тестирует масштабируемую защищённую сеть изолированной передачи сообщений (Disruption Tolerant Mesh Network) для защиты военных активов. Приложения автоматизированного управления, работающие на узлах сети, принимают управление при потере соединения с Интернетом. Среди сценариев использования — управление роем интеллектуальных дронов в Интернете вещей^[39].

Мельбурнский университет в рамках проекта FogBus 2 решает задачи сбора и обработки данных с камер, ЭКГ-устройств, ноутбуков, смартфонов и IoT-устройств, используя инфраструктуру Oracle Cloud и подход туманных/периферийных вычислений для анализа в реальном времени^[40].

ISO/IEC 20248 определяет способ обмена и проверки данных объектов, идентифицированных с помощью периферийных вычислений и автоматических средств идентификации (штрихкодов и/или RFID-меток): эти данные могут быть считаны, интерпретированы и обеспечивать взаимодействие в «тумане» и на «периферии», даже если метка сместилась^[41].

Туманные вычисления играют ключевую роль в реализации концепции Индустрии 4.0, предоставляя децентрализованный подход к обработке информации вблизи устройств промышленного интернета вещей (IIoT)^[42][43]. Это обеспечивает локальную обработку и анализ данных на периферии сети, хранение и кэширование данных на локальных узлах, взаимодействие между разнородным оборудованием, поддержку цифровых двойников, локальную защиту данных и динамическое распределение вычислительной нагрузки^[44].

В автономном транспорте и системах V2X туманные узлы обеспечивают обнаружение препятствий и планирование маршрута с низкой задержкой^[45], предотвращение столкновений и интеллектуальное управление трафиком. Сами транспортные средства могут выступать в роли мобильных туманных узлов (mRSU), объединяя простаивающие вычислительные мощности для локальной обработки данных^[46].

В умных городах туманные вычисления применяются для управления энергосетями (Smart Grid), включая балансировку нагрузки и локальное прогнозирование перегрузок, а также для обеспечения общественной безопасности через интеллектуальное видеонаблюдение с локальной обработкой видеопотоков и интеграцию сетей экстренного реагирования^[47][48].

В сфере здравоохранения технология используется для агрегации данных с носимых устройств мониторинга, в системах телемедицины для удалённого мониторинга пациентов и в умных машинах скорой помощи для обеспечения доступа к данным в реальном времени на догоспитальном этапе^[49].

Туманные вычисления признаются критически важной технологией для будущих сетей 6G, в частности для услуг телеприсутствия. Их использование позволяет значительно снизить задержки при передаче данных и повысить стабильность сети, что необходимо для мгновенной обработки больших объёмов информации в реальном времени^[50][51].

В рамках туманных вычислений интеграция с искусственным интеллектом и машинным обучением позволяет выполнять локальную аналитику, снижать задержки и оптимизировать работу сетей. Использование ИИ обеспечивает анализ рабочих нагрузок узлов в реальном времени, обнаружение сетевых аномалий и киберугроз, а также динамическое управление энергопотреблением. Методы машинного обучения применяются для предварительной обработки данных, локальной видеоаналитики и фильтрации избыточных данных, что экономит трафик при взаимодействии с облаком^[52].

Локальный ИИ-инференс используется для мониторинга производственных машин, автоматизированного контроля качества и предиктивного обслуживания на основе данных с датчиков^[53]. Кроме того, алгоритмы глубокого обучения с подкреплением помогают в балансировке вычислительной нагрузки и распределении ресурсов между серверами, а методы компьютерного зрения и эволюционные алгоритмы решают задачи локальной диагностики и оптимизации распределения задач в инфраструктуре подключённых автомобилей.

Прогнозы объёма мирового рынка туманных вычислений на 2034—2035 годы от различных аналитических агентств значительно варьируются. По оценкам Global Market Insights, к 2035 году объём рынка может составить 1,8 млрд долларов США при среднегодовом темпе роста (CAGR) 16,4 %^[54]. В то же время Meticulous Research прогнозирует рост до 5,41 млрд долларов (CAGR 28,5 %), а SNS Insider — до 39,68 млрд долларов (CAGR 51,0 %)^[55]. По данным IMARC Group, к 2034 году рынок достигнет 579,2 млн долларов (CAGR 10,16 %)^[56]. Основными драйверами роста рынка туманных вычислений выступают:

• распространение устройств Интернета вещей (IoT) и рост объёмов данных, что требует локальной фильтрации для снижения нагрузки на централизованные облачные системы;
• развёртывание сетей 5G, создающих инфраструктуру с высокой пропускной способностью и сверхнизкой задержкой;
• спрос на обработку данных и аналитику в реальном времени в таких сферах, как промышленный IoT, здравоохранение и производство;
• требования к конфиденциальности, безопасности и суверенитету данных, стимулирующие локальную обработку информации;
• развитие автономных транспортных средств (V2X) и инфраструктуры умных городов, требующих децентрализованных вычислений для быстрого принятия решений;
• перенос искусственного интеллекта на периферию для предиктивного обслуживания и анализа аномалий без обращения к облаку^[57].