رایانش لبه‌ای (Edge Computing) چیست؟

مانند بسیاری از چیزهای زندگی، فناوری به صورت موجی می‌آید. در اوایل دهه 1960، کامپیوترهای بزرگ (mainframe computers) وارد صحنه شدند. این ماشین‌های غول پیکر قرار بود همه چیز را به طور موثر در یک مکان کنترل شده متمرکز کنند.بعد کامپیوترهای شخصی و محاسبات توزیع‌شده در دهه‌های 1980 تا اوایل دهه 2000 با استفاده از اتاق‌های سرور on-premises و بسیاری متخصص فناوری اطلاعات برای مدیریت محیط‌های hyper-localized رایج شد.

پس از آن در سال 2001، مجازی‌سازی روی سرورهای x86 که توسط بنیان‌گذاران VMware کرک شده بودند، اتفاق افتاد، که ظهور محاسبات ابری را که امروزه می‌شناسیم، ممکن کرد. با این حال امواج همچنان ادامه داشت و نوبت به محاسبات لبه‌ای رسید که همزمان با استفاده از ابر، بارهای کاری توزیع شده را فعال می‌کند.

اِج کامپیوتینگ (Edge Computing) چیست؟

محاسبات لبه یک الگوی محاسباتی توزیع‌شده است که محاسبات و ذخیره‌سازی داده‌ها را به مکان‌هایی که برای بهبود زمان پاسخ و صرفه‌جویی در پهنای باند مورد نیاز است، نزدیک‌تر می‌کند. برخلاف معماری‌های رایانش ابری سنتی که پردازش و ذخیره‌سازی را در چند مرکز داده بزرگ متمرکز می‌کنند، محاسبات لبه این عملکردها را در حاشیه شبکه نزدیک منبع داده پراکنده می‌کند. این رویکرد latency یا تاخیر در پردازش داده‌ها را با کاهش مسافتی که باید طی کند به حداقل می‌رساند.

رایانش لبه‌ای به ویژه برای برنامه‌هایی که نیاز به تجزیه و تحلیل و تصمیم گیری در لحظه (real-time) یا نزدیک به زمان واقعی دارند، مانند دستگاه‌های اینترنت اشیاء (IoT)، وسایل نقلیه خودران و فناوری‌های شهرهای هوشمند مفید است. با پردازش داده‌ها به صورت لوکال، محاسبات لبه‌ای حریم خصوصی و امنیت بیشتری را ارائه می‌دهد، زیرا اطلاعات حساس لازم نیست در فواصل طولانی به سرورهای مرکزی ارسال شوند. همانطور که تقاضا برای پردازش و تجزیه و تحلیل فوری داده‌ها افزایش می‌یابد، رایانش لبه به یکی از اجزای حیاتی زیرساخت‌های مدرن فناوری اطلاعات تبدیل می‌شود.

لبه شبکه چیست؟

لبه شبکه به حاشیه یک شبکه اشاره دارد، جایی که شبکه یک شرکت به دنیای خارج، از جمله دستگاه‌ها و منابع محاسباتی محلی که نزدیک به منابع داده قرار دارند، متصل می‌شود. در Edge Computing، لبه شبکه جایی است که داده‌ها قبل از پردازش از طریق حسگرها، دستگاه‌های هوشمند یا سایر نقاط پایانی تولید و جمع‌آوری می‌شوند که می‌تواند محیط های مختلفی را شامل شود، از سایت‌های صنعتی با حسگرهای ماشین آلات گرفته تا مناطق شهری با سیستم‌های مدیریت ترافیک و خانه‌های هوشمند.

مفهوم لبه شبکه (network edge) بسیار مهم است زیرا نشان دهنده خط مقدم در پردازش و تجزیه و تحلیل داده‌ها است و اقدامات فوری را بر اساس داده‌های جمع آوری شده امکان پذیر می‌کند. کسب و کارها و ارائه دهندگان خدمات می‌توانند با قرار دادن منابع محاسباتی در لبه شبکه، تاخیر را به میزان قابل توجهی کاهش دهند، سرعت پردازش داده‌ها را افزایش و کارایی کلی شبکه را بهبود دهند. بنابراین، لبه شبکه به عنوان پلی بین دنیای دیجیتال و فیزیکی عمل می‌نماید، که جریان یکپارچه اطلاعات را امکان پذیر و سیستم های هوشمندتر و پاسخگوتر را در بخش‌های مختلف تسهیل می‌کند.

رایانش لبه‌ای چگونه کار می‌کند؟

محاسبات لبه با غیرمتمرکز کردن پردازش داده، انتقال آن از مراکز داده متمرکز به لبه‌های بیرونی شبکه، نزدیک‌تر به محل تولید داده، کار می‌کند. این تغییر در معماری محاسباتی برای رسیدگی به چالش‌های ناشی از هجوم عظیم داده‌ها از دستگاه‌های IoT، اپلیکیشن‌های تلفن همراه و سایر فناوری‌های دیجیتالی که نیازمند پردازش و زمان پاسخ سریع هستند، طراحی شده است. در ادامه یک نمای کلی ساده از نحوه عملکرد محاسبات لبه آورده شده است:

• تولید داده: فرآیند از لبه شبکه آغاز می‌شود، جایی که سنسورها، گوشی‌های هوشمند، دوربین‌ها یا سایر دستگاه‌های اینترنت اشیا، داده تولید می‌کنند. این دستگاه‌ها اغلب در محیط‌های از راه دور یا توزیع شده قرار دارند و حجم وسیعی از داده‌ها را تولید می‌کنند که باید در زمان واقعی یا تقریبا واقعی پردازش شوند.
• پردازش محلی: به جای ارسال مستقیم همه این داده‌ها به مراکز داده ابری متمرکز، زیرساخت‌های محاسباتی لبه بسیاری از این داده‌ها را به صورت لوکال، در منبع تولید یا نزدیک به آن پردازش می‌کنند. بسته به نیازهای برنامه، این می‌تواند شامل تجزیه و تحلیل داده‌های ساده، فیلتر کردن یا وظایف پردازش پیچیده باشد. دستگاه‌های محاسباتی لبه می‌توانند از پردازنده‌های کوچک و ساده تعبیه‌شده در دستگاه‌های IoT گرفته تا سرورهای edge  قدرتمندتر on-premises، متغیر باشند.
• تصمیم گیری: با پردازش داده‌ها به صورت محلی، محاسبات لبه امکان تصمیم گیری و اقدام فوری را بدون تاخیر قابل توجه می‌دهد. به عنوان مثال، در یک محیط  تولیدی، یک سیستم محاسبات لبه می‌تواند داده‌های حسگرهای ماشین‌آلات را برای شناسایی و رسیدگی به مشکلات عملیاتی قبل از تشدید آن‌ها بدون منتظر ماندن برای ارسال داده‌ها و پردازش در یک مرکز داده دور، فورای تجزیه و تحلیل کند.
• انتقال داده: فقط داده‌های ضروری یا مرتبط  مانند insights، خلاصه‌ها یا هشدارهای تولید شده از پردازش محلی، ممکن است برای تجزیه و تحلیل بیشتر، ذخیره‌سازی طولانی مدت یا global insights به مراکز داده مرکزی یا ابر ارسال شوند. این انتقال انتخابی استفاده از پهنای باند و هزینه‌ها و کانجکشن (congestion) احتمالی شبکه را کاهش می‌دهد.
• یکپارچه‌سازی و اقدام: بینش‌های تولید شده توسط محاسبات لبه را می‌توان در سیستم‌های تجاری گسترده‌تر ادغام یا اقدامات فوری را آغاز کرد، کارایی عملیاتی را افزایش داد، تجارب مشتری را بهبود بخشید و از کنترل زمان واقعی بر عملیات توزیع‌شده پشتیبانی کرد.

در اصل، محاسبات لبه، گردش کار پردازش داده‌ها را دوباره تعریف و بر نزدیکی، بی‌درنگ بودن و کارایی تاکید می‌کند تا نیازهای برنامه‌ها و خدمات دیجیتال مدرن را برآورده کند.

اجزای اصلی رایانش لبه‌ای چیست؟

محاسبات لبه شامل چندین مولفه حیاتی است که با هم کار می‌کنند تا داده‌ها را نزدیکتر به منبع آن پردازش کنند، بنابراین زمان تاخیر و استفاده از پهنای باند را کاهش و در عین حال کارایی و پاسخگویی را افزایش می‌دهند. درک این مولفه‌ها بینشی را در مورد نحوه عملکرد اکوسیستم‌های رایانش لبه‌ای و نحوه استفاده از آنها برای کاربردهای مختلف فراهم می‌کند. در ادامه اجزای اصلی محاسبات لبه آورده شده است:

• دستگاه‌های لبه (Edge Devices): دستگاه‌های فیزیکی در لبه شبکه هستند که داده تولید می‌کنند. آنها می‌توانند هر چیزی باشند، از حسگرهای اینترنت اشیا، گوشی‌های هوشمند و دوربین‌های امنیتی گرفته تا تجهیزات تخصصی‌تر مانند وسایل نقلیه خودران یا ماشین‌های صنعتی. Edge Devices اغلب دارای قابلیت‌های محاسباتی برای انجام وظایف اولیه پردازش داده‌ها به صورت محلی هستند.
• گره‌های لبه یا دروازه‌ها (Edge Nodes/Gateways): به‌عنوان واسطه‌ای بین دستگاه‌های لبه و شبکه یا ابر گسترده‌تر، گره‌های لبه یا دروازه‌ها قدرت پردازش اضافی، تجمیع داده‌ها و تجزیه و تحلیل داده‌های محلی را فراهم می‌کنند. آن‌ها می‌توانند داده‌ها را از دستگاه‌های لبه قبل از ارسال به سرورهای مرکزی فیلتر و پیش پردازش کنند و حجم داده‌های ارسالی را کاهش دهند و اطمینان حاصل کنند که فقط اطلاعات مربوطه ارسال می‌شود.
• مراکز داده لبه (Edge Data Centers): این مراکز داده کوچکتر، لوکال و به دستگاه‌های لبه نزدیک‌تر هستند. مراکز داده لبه وظایف پردازش و ذخیره سازی داده‌های مهم تری را انجام می‌دهند و داده‌ها را از چندین گره لبه یا دروازه‌ها مدیریت می‌کنند. آن‌ها با نزدیک‌تر بودن جغرافیایی به منبع داده، زمان پاسخ‌دهی سریع‌تری نسبت به مراکز داده سنتی و متمرکز ارائه می‌کنند.
• زیرساخت شبکه: لایه اتصال، دستگاه های لبه، گره ها و مراکز داده را به هم پیوند می‌دهد و شامل تجهیزات شبکه سنتی مانند روترها و سوئیچ‌ها و فناوری‌های شبکه مدرن مانند 5G است که برای ارتباطات پرسرعت و با تاخیر کم بسیار مهم است.
• یکپارچه سازی ابری: در حالی که رایانش لبه‌ای،  داده‌ها را به صورت محلی پردازش می‌کند، اغلب با منابع رایانش ابری برای تجزیه و تحلیل بیشتر، پردازش در مقیاس بزرگتر و ذخیره سازی ادغام می‌شود. این مولفه تضمین می‌کند که محاسبات لبه به صورت مجزا وجود ندارد بلکه بخشی از یک فریمورک پردازش داده جامع است.
• نرم‌افزار و برنامه‌های کاربردی: شامل سیستم‌های عامل، نرم‌افزار مدیریت، تجزیه و تحلیل و برنامه‌هایی است که بر روی دستگاه‌های لبه، گره‌ها و مراکز داده اجرا می‌شوند. نرم افزار برای پیکربندی، عملیات و امنیت زیرساخت محاسبات لبه ضروری است و پردازش داده، تصمیم گیری و اجرای وظایف خاص بر اساس داده های تحلیل شده را امکان پذیر می‌کند.
• ویژگی‌های امنیتی: با توجه به ماهیت توزیع شده محاسبات لبه، اجزای امنیتی بسیار مهم هستند که شامل امنیت فیزیکی برای دستگاه‌ها و مراکز داده، اقدامات امنیت سایبری برای حفاظت از داده‌ها و پروتکل‌های ارتباطی امن برای محافظت از انتقال داده در سراسر شبکه است.

این مولفه‌ها با هم، ستون فقرات محاسبات لبه‌ای را تشکیل داده و آن را قادر می‌سازند تا به طور موثر داده‌های نزدیک به منبع خود را پردازش و تجزیه و تحلیل کند، از تصمیم گیری بلادرنگ پشتیبانی کرده و اتکا به مراکز داده مرکزی را کاهش دهد.

مثال‌های رایانش لبه‌ای در دنیای واقعی

نمونه‌های دنیای واقعی از اِج کامپیوتینگ، تاثیر آن را در بخش‌های مختلف نشان داده و نحوه اجرای آن برای افزایش کارایی، بهبود تصمیم‌گیری و حل چالش‌های خاص صنعت را برجسته می‌کند. در این بخش چند نمونه قابل توجه آورده شده است:

1. سیستم‌های هوشمند مدیریت ترافیک: شهرهایی مانند بارسلونا سیستم‌های مدیریت ترافیک هوشمند را پیاده‌سازی کرده‌اند که از محاسبات لبه‌ای برای تجزیه و تحلیل داده‌های دوربین‌های ترافیک و حسگرها در لحظه استفاده نموده که امکان تنظیم فوری علائم و هشدارهای ترافیکی، کاهش ازدحام و بهبود ایمنی جاده را فراهم می‌کند.
2. نظارت بر سکوهای نفتی از راه دور: شرکت‌های نفت و گاز از محاسبات لبه‌ای برای نظارت از راه دور و نگهداری پیش‌بینی سکوهای نفتی در دریا استفاده می‌کنند. با پردازش مستقیم داده‌ها بر روی دکل، آنها می‌توانند ناهنجاری های تجهیزات را زود تشخیص و خطر خرابی و داون‌تایم‎‌های پرهزینه را کاهش دهند.
3. ارتقای تجربه مشتری خرده‌فروشی: غول‌های خرده‌فروشی مانند والمارت(Walmart)، راه‌حل‌های محاسباتی لبه‌ای فروشگاهی را برای بهبود تجربیات مشتری به کار گرفته‌اند. با تجزیه و تحلیل داده‌های دوربین‌ها و حسگرهای موجود در فروشگاه، این سیستم‌ها می‌توانند طرح‌بندی فروشگاه‌ها را بهینه کنند، موجودی را در لحظه مدیریت کرده و تبلیغات شخصی‌سازی شده را به مشتریان هنگام خرید ارائه دهند.
4. پوشیدنی‌های سلامتی و دستگاه‌های ماینتورینگ: در مراقبت‌های بهداشتی، محاسبات لبه‌ای در دستگاه‌های پوشیدنی و تجهیزات نظارت از راه دور برای پردازش داده‌های سلامت روی خود دستگاه یا نزدیک به بیمار استفاده می‌شود که امکان هشدارهای فوری را برای ارائه دهندگان مراقبت‌های سلامت در شرایط بحرانی فراهم می‌کند، مانند تشخیص افتادن در بیماران مسن یا نظارت بر علائم حیاتی برای ناهنجاری‌ها.
5. خودروهای خودران: شرکت‌های صنعت خودرو، مانند تسلا، از محاسبات لبه‌ای در خودروهای خودران استفاده می‌کنند. این وسایل نقلیه حجم وسیعی از داده‌ها را از حسگرها و دوربین‌های داخل هواپیما در لحظه پردازش می‌کنند، که برای تصمیم‌گیری در بخش رانندگی بدون اتکا به مراکز داده راه دور ضروری است.
6. پهپادها و حسگرهای کشاورزی: در کشاورزی، پهپادها و حسگرهای IoT مجهز به قابلیت محاسبات لبه برای نظارت بر سلامت محصول، سطوح رطوبت و حضور آفات استفاده می‌شوند که امکان تصمیم گیری دقیق و به موقع در مورد آبیاری، کوددهی و کنترل آفات را فراهم می‌کند که منجر به شیوه‌های کشاورزی کارآمدتر و پایدارتر می‌شود.
7. تعمیر و نگهداری پیش‌بینی شده: تولیدکنندگان، از جمله زیمنس، از محاسبات لبه‌ای برای پیاده سازی تعمیر و نگهداری پیش بینی شده بر روی ماشین آلات خود استفاده می‌کنند. با تجزیه و تحلیل داده‌های حسگرها بر روی تجهیزات در لحظه، این سیستم‌ها می‌توانند پیش‌بینی کنند که قطعات احتمالا چه زمانی از کار می‌افتند و زمان‌بندی تعمیر و نگهداری را قبل از وقوع خرابی برنامه‌ریزی می‌کنند که به طور قابل توجهی زمان خرابی و هزینه‌های تعمیر و نگهداری را کاهش می‌دهد.
8. شبکه‌های انرژی هوشمند: شرکت‌های انرژی از رایانش لبه‌ای برای ایجاد شبکه‌های انرژی هوشمندتر استفاده می‌کنند. این شبکه‌ها می‌توانند عرضه و تقاضا را در لحظه متعادل نموده، منابع انرژی تجدیدپذیر را به طور کارآمدتر یکپارچه کرده و به طور خودکار برق را در هنگام قطع برق تغییر دهند و کارایی و قابلیت اطمینان انرژی را افزایش دهند.

این مثال‌ها تطبیق پذیری و پتانسیل تحول‌پذیر رایانش لبه‌ای در صنایع را به نمایش می‌گذارند که با فعال کردن سیستم‌های هوشمندتر، پاسخگو و مستقل‌تر، نوآوری و کارایی را به همراه دارد.