راز کوچک کثیف در مورد محاسبات لبه

برخی افراد می گویند لبه انقلاب بعدی است، اما شکاف بین عملکرد وعده داده شده و نتایج واقعی باید مورد بحث قرار گیرد.

رایانش لبه یکی از آن اصطلاحات گیج کننده است، بسیار شبیه محاسبات ابری. جایی که فاکتوریل ۵۰ نوع راه حل ابری وجود دارد، فاکتوریل ۱۰۰ راه حل لبه یا الگوی معماری وجود دارد که امروزه وجود دارد. این مقاله کار بهتری برای توصیف انواع لبه دارد. راه‌حل‌های محاسباتی موجود در آنجا، من را از فهرست کردن مجدد آنها در اینجا نجات می‌دهد.

به جرات می توان گفت که این روزها همه نوع استقرار محاسبات و ذخیره سازی داده وجود دارد که به عنوان راه حل های محاسبات لبه ای واجد شرایط هستند. من حتی متوجه شده ام که فروشندگان فناوری خود را “لبه شستن” می کنند و آن را به “کار در لبه” تبلیغ می کنند. اگر در مورد آن فکر کنید، همه تلفن‌های همراه، رایانه‌های شخصی و حتی تلویزیون هوشمند شما اکنون می‌توانند دستگاه‌های محاسباتی لبه‌ای در نظر گرفته شوند.

یکی از وعده‌های محاسبات لبه – و دلیل اصلی انتخاب معماری محاسبات لبه – توانایی کاهش تأخیر شبکه است. اگر دستگاهی دارید که ۱۰ فوت از محل جمع‌آوری داده‌ها فاصله دارد و همچنین در حال انجام برخی پردازش‌های ابتدایی است، پرش کوتاه شبکه زمان پاسخگویی تقریباً آنی را فراهم می‌کند. این را با یک رفت و برگشت به سرور ابری پشتیبان که در فاصله ۲۰۰۰ مایلی قرار دارد، مقایسه کنید.

بنابراین، آیا edge بهتر است زیرا به دلیل تأخیر کمتر شبکه، عملکرد بهتری را ارائه می دهد؟ در بسیاری از موارد، اینطور نیست. این کمبودها در کنفرانس های اینترنت اشیا و محاسبات لبه زمزمه می شود و به محدودیتی برای محاسبات لبه تبدیل می شود. ممکن است دلایل خوبی وجود داشته باشد که پردازش و ذخیره‌سازی داده‌ها را به سمت «لبه» سوق ندهید، مگر اینکه بدانید مزایای عملکرد چه خواهد بود.

رانندگی بسیاری از این مشکلات عملکرد، شروع سردی است که ممکن است در دستگاه لبه رخ دهد. اگر کد راه‌اندازی نشده باشد یا داده‌ها اخیراً جمع‌آوری نشده باشد، آن چیزها در حافظه پنهان نخواهند بود و در ابتدا کند می‌شوند.

اگر هزاران دستگاه لبه داشته باشید که فقط ممکن است بر روی فرآیندها عمل کنند و داده هایی را که در زمان های نامنظم درخواست می شود تولید کنند، چه؟ سیستم‌هایی که با آن دستگاه محاسباتی لبه‌ای تماس می‌گیرند، باید تاخیرهای شروع سرد ۳ تا ۵ ثانیه‌ای را تحمل کنند، که برای بسیاری از کاربران، به‌ویژه در مقایسه با زمان‌های پاسخ ثابت زیر ثانیه‌ای از سیستم‌های مبتنی بر ابر، حتی با تأخیر شبکه، مشکل است. . البته عملکرد شما به سرعت شبکه و تعداد پرش ها بستگی دارد.

بله، راه‌هایی برای حل این مشکل وجود دارد، مانند حافظه‌های پنهان بزرگ‌تر، تنظیم دستگاه، و سیستم‌های محاسباتی لبه قوی‌تر. اما به یاد داشته باشید که باید این ارتقاها را در ۱۰۰۰+ ضرب کنید. پس از کشف این مشکلات، راه حل های بالقوه از نظر اقتصادی مقرون به صرفه نیستند.

من در اینجا محاسبات لبه‌ای را انتخاب نمی‌کنم. من فقط به برخی مسائل اشاره می کنم که افرادی که این سیستم ها را طراحی می کنند باید قبل از استقرار آنها را درک کنند. همچنین، مزیت اصلی محاسبات لبه، توانایی ارائه داده‌ها و عملکرد پردازش بهتر بوده است، و این مسئله باعث ایجاد حفره در این مزیت می‌شود.

مثل سایر تصمیمات معماری، هنگام انتقال به محاسبات لبه ای، معاوضه های زیادی وجود دارد که باید در نظر گرفته شود:

• پیچیدگی مدیریت بسیاری از دستگاه‌های محاسباتی لبه‌ای که در نزدیکی منابع داده وجود دارند
• آنچه برای پردازش داده ها لازم است
• هزینه‌های اضافی برای راه‌اندازی و نگهداری آن دستگاه‌های محاسباتی لبه‌ای

اگر عملکرد دلیل اصلی شما برای حرکت به سمت محاسبات لبه است، باید در مورد نحوه مهندسی آن و هزینه اضافی که ممکن است برای رسیدن به معیار عملکرد هدف خود متحمل شوید فکر کنید. اگر روی سیستم‌های کالایی بانکداری می‌کنید که همیشه بهتر از سیستم‌های رایانش ابری متمرکز عمل می‌کنند، ممکن است همیشه اینطور نباشد.