مرحله بعدی رایانش ابری، قدرت محاسباتی را به کاربران نزدیکتر میکند و راه را برای تجربههای کاربری بهتر و برنامههای کاربردی هوشمندتر هموار میکند.
کسب و کارها همیشه در تلاش هستند تا قابلیت اطمینان و عملکرد نرم افزار خود را برای کاربران بهبود بخشند و در عین حال سعی در کاهش هزینه های خود دارند. یکی از استراتژی هایی که هر دوی این اهداف را به طور همزمان انجام می دهد، محاسبات لبه است.
بر اساس Gartner امروزه فقط ۱۰ درصد از داده ها خارج از مراکز داده سنتی ایجاد و پردازش می شوند. پیشبینی میشود که تا سال ۲۰۲۵ به دلیل گسترش سریع اینترنت اشیا (IoT) و قدرت پردازش بیشتر در دستگاههای جاسازی شده و موبایل، این تعداد به ۷۵ درصد افزایش یابد. مک کینزی بیش از ۱۰۰ مورد استفاده مختلف و پروژههایی را در مورد ۲۰۰ میلیارد دلار ارزش سخت افزاری برای محاسبات لبه ای که طی پنج تا هفت سال آینده ایجاد می شود.
محاسبات لبه چیست؟
وقتی توسعهدهندگان اصطلاح «محاسبات لبه» را میشنوند، بسیاری فکر میکنند که این اصطلاح فقط در مورد برنامههای کاربردی از نوع اینترنت اشیاء کاربرد دارد، اما این لبه برای همه مهندسان نرمافزار مرتبط است. سادهترین راه برای اندیشیدن به محاسبات لبه این است که محاسبات نزدیکترین به مبدأ اطلاعات محاسبهشده است. علاوه بر این، از آنجا که یک “لبه” باید لبه چیزی باشد، لبه معمولاً با توجه به یک هاب مرکزی – به عنوان مثال، یک ابر تعریف می شود. با این تعریف، هر نرم افزاری که در چندین مرکز داده استقرار می یابد، می تواند نوعی محاسبات لبه در نظر گرفته شود، تا زمانی که یک جزء مرکزی وجود داشته باشد.
CDN ها (شبکه های تحویل محتوا) شکل اولیه نرم افزار لبه ای هستند که شرکت ها در ابتدا محتوای ثابت را از مکان های نزدیک به کاربران خود ارائه می دهند. افزایش CDN ها باعث شده است تا کل برنامه شما تا حد امکان نزدیک به کاربران باشد.
مرحله بعدی رایانش ابری، قدرت محاسباتی را حتی نزدیکتر میکند، به این صورت که میتوان بارهای کاری را که قبلاً در مراکز داده اجرا میشد مستقیماً روی دستگاههای کاربر فشار داد و استقرار نرمافزار را در مکانهای لبهای از راه دور به همان اندازه یکپارچه میکند. ابر دو نمونه از این در عمل:
- یادگیری ماشینی. CoreML اپل و TensorFlow Lite Google اجازه میدهند تا مدلهای یادگیری ماشینی ایجاد و در دستگاههای تلفن همراه اجرا شوند، بهجای اینکه برای ویژگیهای مبتنی بر هوش مصنوعی به یک مرکز داده نیاز داشته باشند. این نه تنها تجربه کاربر را بهبود می بخشد، بلکه پهنای باند و هزینه های سخت افزاری را برای شرکت ها کاهش می دهد.
- محاسبات لبههای بدون سرور. Cloudflare Workers و AWS Lambda Edge به توسعهدهندگان اجازه میدهند تا عملکرد را به راحتی به بیش از ۲۵۰ نقطه حضور (PoP) برسانند. این نوع محاسبات لبه بسیاری از گزینههای معماری جدید را برای توسعهدهندگان باز میکند و در عین حال بسیاری از پیچیدگی مربوط به محاسبات لبه را کاهش میدهد.
مزایای محاسبات لبه
مزیت اصلی محاسبات لبه این است که کاربران با نگهداری بیشتر دادههای خود در دستگاه یا در شبکه محلی، تجربه بهتری از نظر قابلیت اطمینان، کاهش تأخیر و حفظ حریم خصوصی بهتر بهدست میآورند.
برای مشاغل، استفاده از محاسبات لبه مزایای متعددی دارد. اول، پتانسیل صرفه جویی در هزینه با بارگیری پردازش به دستگاه های لبه کوچکتر و با استفاده از پهنای باند کمتر هنگام انتقال داده ها به ابر است. همچنین از طریق پلتفرمهای محاسباتی بدون سرور، کنترل دقیقتری بر مصرف منابع به دست میآورید.
محاسبات لبه همچنین میتواند با نگهداشتن دادهها در مکان، پیروی از مقررات امنیتی را آسانتر کند، در حالی که همچنان قادر به ارائه همه ویژگیهای مورد انتظار از نرمافزار مبتنی بر ابر مدرن است. حتی برای محصولات مصرفی، انتقال ویژگیهای بیشتر مستقیماً به دستگاه کاربر میتواند با جذب مشتریانی که به حفظ حریم خصوصی علاقهمند هستند و میخواهند دادههای آنها را داشته باشند، یک مزیت برای یک کسبوکار در نظر گرفته شود.
داده ها در لبه
یکی از چالشهای مربوط به محاسبات لبه، ایجاد تعادل مناسب بین داشتن بینش کامل از برنامه شما با حفظ دادههای با جزئیات بالا در مقابل هزینه انتقال و ذخیره آن دادهها در فضای ابری است. با این حال، محاسبات لبه می تواند با ارائه بهترین هر دو جهان به توسعه دهندگان، به حل این مشکل کمک کند. در لبه، می توانید داده های دانه بندی بیشتری را که برای نظارت بر نرم افزار یا سخت افزار برای مشکلات احتمالی عملیاتی مورد نیاز است، ذخیره کنید. سپس میتوان آن دادهها را به مجموعه دادهای با چگالی کمتر نمونه برداری کرد و از لبه به ابر منتقل کرد تا شرکت در کل برای تجزیه و تحلیل سطح بالا از آن استفاده کند.
بسیاری از شرکتها راهحلهای سفارشی برای مدیریت و چرخه عمر دادههای خود ساختهاند تا آنها را از لبه شبکه خود به فروشگاه داده ابری خود برسانند. یکی از راههای سادهسازی این فرآیند استفاده از راهحلهایی مانند تکثیر دادههای لبه InfluxDB است. ، که استفاده از داده های خود را در لبه برای جمع آوری و نظارت بر دادههای سری زمانی و در فضای ابری برای تجزیه و تحلیل بلندمدت .
InfluxDB بسیاری از چالشهای مرتبط با محاسبات لبه را برطرف میکند، از جمله نگرانی در مورد اتصال شبکه از دست رفته، سیستمهای یکپارچهسازی و بسیاری از موارد لبه دیگر مرتبط با محاسبات لبه. با انتزاع این مشکلات، توسعهدهندگان میتوانند به جای نگرانی در مورد جزئیات پیادهسازی، بر ویژگیهایی تمرکز کنند که برای محصولشان حیاتی است.
چگونه شرکت ها از InfluxDB در لبه استفاده می کنند
بسیاری از شرکت ها به طور فعال از InfluxDB در لبه به عنوان بخش اصلی زیرساخت خود استفاده می کنند. دستگاههای پیشین یک پلتفرم توسعه محاسبات لبهای را ارائه میکند که بر روی نود-قرمز که استفاده از محاسبات لبه را برای شرکت ها آسان می کند. Prescient Devices از InfluxDB بهعنوان یک ذخیرهسازی محلی داده برای دستگاههای در لبه و به عنوان بخشی از پلت فرم آن در ابر
Graphite Energy شرکت دیگری است که از InfluxDB هم در لبه و هم در فضای ابری استفاده میکند. انرژی گرافیت با تبدیل انرژی خورشیدی و باد به بخار، راه حلی برای مشکل انرژی تجدیدپذیر با نرخ متغیر ارائه می دهد، که سپس می تواند برای تولید برق در مقادیر قابل اطمینان مورد نیاز برای تولید استفاده شود. با دور شدن از سوختهای فسیلی و به سمت انرژیهای تجدیدپذیر، این مشکلی حیاتی است که باید حل شود.
با استفاده از InfluxDB، Graphite Energy میتواند زیرساختهای خود را در لبه نظارت کند و در صورت نیاز به سرعت اقدام کند. سپس دادههای با دانهبندی پایینتر را به ابر ارسال میکنند و به دادههای جمعآوری شده برای یافتن روندهایی که میتوانند تصمیمات تجاری بلندمدت را هدایت کنند، نگاه میکنند.
روشهای زیادی وجود دارد که از لبه و ابر میتوان برای ساخت برنامههای کاربردی مدرن استفاده کرد. نکته کلیدی این است که از چگونگی توسعه اکوسیستم و درک نقاط قوت ارائه شده توسط گزینه های لبه و ابر آگاه باشید. این به شما امکان می دهد برنامه خود را به گونه ای طراحی کنید که بهترین مزیت را داشته باشد و نیازهای مشتریان و کسب و کار شما را به بهترین نحو برآورده کند.
سم دیلارد مدیر ارشد محصول برای محاسبات لبه در InfluxData است. او مشتاق ساختن نرم افزارهایی است که مشکلات واقعی را حل می کند و تحقیقاتی که این مشکلات را آشکار می کند. سام لیسانس اقتصاد از دانشگاه سانتا کلارا دارد.
—
انجمن فناوری جدید مکانی را برای کاوش و بحث در مورد فناوری سازمانی نوظهور در عمق و وسعت بی سابقه ای فراهم می کند. انتخاب ذهنی است، بر اساس انتخاب ما از فناوری هایی که معتقدیم مهم هستند و برای خوانندگان InfoWorld بیشترین علاقه را دارند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. همه سوالات را به newtechforum@infoworld.com ارسال کنید.
پست های مرتبط
چرا محاسبات لبه برای توسعه نرم افزار مدرن اهمیت دارد؟
چرا محاسبات لبه برای توسعه نرم افزار مدرن اهمیت دارد؟
چرا محاسبات لبه برای توسعه نرم افزار مدرن اهمیت دارد؟