چه زمانی باید برای لبه معماری کرد

زمانی که زمان پول یا امنیت است، یا با قوانین انطباق داده ها روبرو هستید، محاسبات لبه ممکن است بهترین گزینه شما باشد. در اینجا ۵ سناریو وجود دارد که لبه منطقی است.

محاسبات لبه به مکان یابی زیرساخت های جغرافیایی در نزدیکی محل تولید یا مصرف داده ها اشاره دارد. به‌جای فشار دادن این داده‌ها به یک ابر عمومی یا خصوصی برای ذخیره‌سازی و محاسبات، داده‌ها «در لبه» پردازش می‌شوند، با استفاده از زیرساخت‌هایی که می‌توانند سرورهای ساده کالا یا پلتفرم‌های پیچیده مانند AWS for the Edge، Azure Stack Edge یا Google Distributed Cloud.< /p>

محاسبه “در لبه” نیز معنای دومی در اطراف مرزهای بالای عملکرد، قابلیت اطمینان، ایمنی و سایر الزامات عملیاتی و انطباق دارد. برای پشتیبانی از این الزامات لبه، تغییر محاسبات، فضای ذخیره‌سازی و پهنای باند به زیرساخت لبه‌ای می‌تواند مقیاس‌گذاری برنامه‌هایی را فعال کند که اگر برای یک ابر متمرکز طراحی شده باشند، امکان‌پذیر نیستند.

مارک تیل، مدیر عامل Edgevana، می‌گوید: «محاسبات لبه راه جدیدی را برای توسعه روابط عمیق‌تر به رهبر کسب‌وکار ارائه می‌کند. با مشتریان و شرکا و به دست آوردن بینش در زمان واقعی.”

تشخیص زیرساخت‌های بهینه زمانی که تیم‌های توسعه‌دهنده در مراحل اولیه توسعه مفاهیم در مقیاس پایین هستند ممکن است دشوار باشد. اما انتظار بیش از حد برای تشخیص نیاز به زیرساخت های لبه ممکن است تیم ها را مجبور کند تا برنامه های خود را مجدداً معماری کرده و دوباره کار کنند، هزینه های برنامه نویس را افزایش دهند، جدول زمانی را کاهش دهند یا از دستیابی کسب و کار به نتایج هدفمند جلوگیری کنند.

آرول لیوینگستون، معاون مهندسی در OutSystems، موافق است، “همانطور که برنامه ها به طور فزاینده ای مدرن و یکپارچه می شوند، سازمان‌ها باید در مراحل اولیه توسعه، فناوری‌های پیشرفته و یکپارچه‌سازی را در نظر بگیرند تا از چالش‌های عملکردی و امنیتی ناشی از توسعه برنامه‌های کاربردی در سطح سازمانی جلوگیری کنند.”

تیم‌های Devops باید قبل از مدل‌سازی دقیق نیازمندی‌های زیرساخت پلت‌فرم، به دنبال شاخص‌ها باشند. در اینجا پنج دلیل برای در نظر گرفتن لبه وجود دارد.

۱. بهبود عملکرد و ایمنی در تولید

وقتی تأخیر می‌تواند به کارگران آسیب برساند، چند ثانیه در یک طبقه تولید ارزش دارد؟ اگر تولید به مواد گران قیمت نیاز داشته باشد و چند صد میلی‌ثانیه زودتر عیب‌ها را شناسایی کنید، می‌تواند باعث صرفه‌جویی قابل توجهی در هزینه شود؟

Thiele می‌گوید، “در تولید، استفاده موثر از لبه می‌تواند ضایعات را کاهش دهد، کارایی را بهبود بخشد، آسیب‌های حین کار را کاهش دهد و در دسترس بودن تجهیزات را افزایش دهد.”

یک عامل کلیدی که معماران باید در نظر بگیرند، هزینه شکست ناشی از یک تصمیم ناموفق یا تاخیری است. اگر خطرات یا هزینه های قابل توجهی وجود داشته باشد، همانطور که در سیستم های تولیدی، پلت فرم های جراحی یا وسایل نقلیه خودمختار وجود دارد، محاسبات لبه ممکن است عملکرد و قابلیت اطمینان بیشتری را برای برنامه هایی که به ایمنی بیشتری نیاز دارند ارائه دهد.

۲. کاهش تأخیر برای اقدامات بلادرنگ

زمان پاسخ‌دهی زیر ثانیه‌ای یک نیاز اساسی برای اکثر پلتفرم‌های معاملات مالی است، و این عملکرد در حال حاضر در بسیاری از برنامه‌هایی که نیاز به یک چرخش سریع از تشخیص یک مشکل یا فرصت تا پاسخ با یک اقدام یا تصمیم دارند، انتظار می‌رود.

آمیت پاتل، معاون ارشد در راه حل های مشاوره، می گوید: “اگر تصمیم گیری در زمان واقعی مهم است برای کسب و کار شما، پس بهبود سرعت یا کاهش تأخیر بسیار مهم است، به خصوص با همه دستگاه‌های متصلی که سازمان‌ها برای جمع‌آوری داده‌ها از آنها استفاده می‌کنند.»

چالش فن‌آوری ارائه تجارب با تأخیر پایین ثابت زمانی بزرگ‌تر می‌شود که هزاران منبع داده و گره تصمیم وجود داشته باشد. مثال‌ها عبارتند از اتصال هزاران تراکتور و ماشین‌های مزرعه که با یادگیری ماشین (ML) در دستگاه‌های لبه‌ای مستقر شده‌اند یا metaverse یا دیگر تجربیات تجاری به مصرف‌کننده در مقیاس بزرگ را فعال می‌کنند.

پاول دسپات، مدیر ارشد محصول در Akamai می‌گوید:

اگر باید اقدامی در زمان واقعی انجام شود، با محاسبات لبه شروع کنید. . زیرساخت‌های لبه برای هر حجم کاری که نیاز به دسترسی به کاربران نهایی توزیع‌شده جغرافیایی با تأخیر کم، انعطاف‌پذیری و توان عملیاتی بالا دارد، مناسب است، که گستره‌ای را برای رسانه‌های جریانی، بانکداری، تجارت الکترونیک، دستگاه‌های IoT و موارد دیگر اجرا می‌کند. ”

کودی دی آرکلند، مدیر روابط توسعه‌دهنده در LaunchDarkly، می‌گوید شرکت‌های جهانی با مکان‌های اداری متعدد یا از کارهای ترکیبی پشتیبانی می‌کنند. در مقیاس یکی دیگر از موارد استفاده است. او می‌گوید: «ارزش کار نزدیک‌تر به لبه این است که می‌توانید حجم کاری خود را حتی نزدیک‌تر به افرادی که آن‌ها را مصرف می‌کنند توزیع کنید». “اگر برنامه شما به تأخیر یا “زمان رفت و برگشت” به مرکز داده اصلی حساس است، باید زیرساخت لبه را در نظر بگیرید و به این فکر کنید که چه چیزی باید در لبه اجرا شود.”

۳. افزایش قابلیت اطمینان برنامه های کاربردی حیاتی

جف آماده، مدیر عامل محاسبات مقیاس، می‌گوید: «ما بیشترین علاقه را به زیرساخت‌های لبه از صنایعی مانند تولید، خرده‌فروشی و حمل‌ونقل که در آن‌ها از کار افتادگی به سادگی یک گزینه نیست، و نیاز به دسترسی و استفاده از داده‌ها در زمان واقعی به یک عامل متمایزکننده رقابتی تبدیل شده است.”

زمانی که هزینه خرابی بالا، زمان طولانی برای انجام تعمیرات وجود دارد یا زیرساخت متمرکز ناموفق بر چندین عملیات تأثیر می گذارد، زیرساخت لبه را در نظر بگیرید.

Ready دو مثال را به اشتراک می گذارد. یک کشتی باری در وسط اقیانوس را در نظر بگیرید که نمی‌تواند به اتصال ماهواره‌ای متناوب برای راه‌اندازی سیستم‌های حیاتی خود متکی باشد، یا یک فروشگاه مواد غذایی که نیاز به جمع‌آوری داده‌ها از داخل فروشگاه برای ایجاد یک تجربه خرید شخصی‌تر دارد.» اگر یک سیستم متمرکز از کار بیفتد، ممکن است چندین کشتی و مواد غذایی را تحت تأثیر قرار دهد، در حالی که یک زیرساخت لبه بسیار قابل اعتماد می تواند خطر و تأثیر خرابی را کاهش دهد.

۴. پردازش داده های محلی را در مکان های راه دور یا برای پشتیبانی از مقررات فعال کنید

اگر عملکرد، تأخیر و قابلیت اطمینان ملاحظات اصلی طراحی نیستند، ممکن است همچنان بر اساس مقررات مربوط به محل جمع‌آوری و مصرف داده‌ها، زیرساخت لبه مورد نیاز باشد.

یاسر السعید، معاون اینترنت اشیا در AWS، می‌گوید: «زیرساخت لبه برای محلی مهم است. الزامات پردازش داده و اقامت داده ها به عنوان مثال، به نفع شرکت‌هایی است که در کشتی‌هایی که نمی‌توانند داده‌ها را در فضای ابری آپلود کنند، به دلیل اتصال، کار می‌کنند، در صنایع بسیار تنظیم‌شده که داده‌های ساکن در یک منطقه را محدود می‌کنند، یا دارای حجم عظیمی از داده‌ها هستند که نیاز به پردازش محلی دارند، کار می‌کنند. ”

یک سوال اساسی که تیم های توسعه دهنده باید به آن پاسخ دهند این است که داده ها در کجا جمع آوری و مصرف می شوند؟ بخش‌های انطباق باید دستورالعمل‌های نظارتی را در مورد محدودیت‌های داده ارائه کنند، و رهبران عملکردهای عملیاتی باید در مورد محدودیت‌های فیزیکی و جغرافیایی مورد مشورت قرار گیرند.

۵. بهینه سازی هزینه ها، به خصوص پهنای باند در مجموعه داده های عظیم

ساختمان‌های هوشمند با نظارت تصویری، سیستم‌های مدیریت تسهیلات، و سیستم‌های ردیابی انرژی، همگی حجم بالایی از داده‌ها را در ثانیه ثبت می‌کنند. پردازش این داده ها به صورت محلی در ساختمان می تواند بسیار ارزان تر از متمرکز کردن داده ها در فضای ابری باشد.

JB Baker، معاون بازاریابی در ScaleFlux، می‌گوید: «همه صنایع در حال تجربه رشد فزاینده داده‌ها و سازگاری هستند. به پیچیدگی ها نیاز به یک طرز فکر کاملا متفاوت برای استفاده از پتانسیل مجموعه داده های عظیم است. محاسبات لبه بخشی از راه حل است، زیرا محاسبات و ذخیره سازی را به مبدا داده ها نزدیک تر می کند.”

AB Periasamy، مدیر عامل و یکی از بنیانگذاران MinIO، این توصیه را ارائه می دهد: “با ایجاد داده ها در لبه شبکه، چالش‌های مشخصی را در معماری‌های کاربردی و زیرساخت ایجاد می‌کند.» او پیشنهاد می‌کند، «پهنای باند را به‌عنوان بالاترین آیتم هزینه در مدل خود در نظر بگیرید، در حالی که هزینه‌های سرمایه و عملیاتی در لبه‌ها متفاوت عمل می‌کنند.

به‌طور خلاصه، وقتی تیم‌های توسعه‌دهنده برنامه‌هایی را می‌بینند که به برتری در عملکرد، قابلیت اطمینان، تأخیر،  ایمنی، مقررات یا مقیاس نیاز دارند، مدل‌سازی یک زیرساخت لبه در اوایل فرآیند توسعه می‌تواند به معماری‌های هوشمندتر اشاره کند.