نقش پایگاه داده در محاسبات لبه

محاسبات لبه در مورد توزیع ذخیره سازی و پردازش داده ها است. یک پایگاه داده نسل بعدی و آماده لبه، کلیدی برای حفظ یکنواختی و همگام سازی داده ها در سطوح ابر، لبه و کلاینت است.

مفهوم محاسبه لبه ساده است. این در مورد بالا بردن قابلیت های محاسباتی و ذخیره سازی است تا در مجاورت دستگاه ها، برنامه ها و کاربرانی که داده ها را تولید و مصرف می کنند، قرار بگیرند. انعکاس رشد زیرساخت‌های ۵G، تقاضا برای محاسبات لبه‌ای در عصر کنونی اتصال بیش از حد به شتاب ادامه خواهد داد.

به هر کجا که نگاه می‌کنید، تقاضا برای تجربه‌های کم تأخیر همچنان در حال افزایش است که توسط فناوری‌هایی از جمله IoT، AI/ML، و AR/VR/MR. در حالی که کاهش تأخیر، هزینه‌های پهنای باند و انعطاف‌پذیری شبکه محرک‌های کلیدی هستند، یکی دیگر از دلایل کم‌گفته اما به همان اندازه مهم، پایبندی به سیاست‌های حاکمیتی و حفظ حریم خصوصی داده‌ها است که انتقال داده‌های حساس به سرورهای ابری مرکزی را برای پردازش ممنوع می‌کند.

به‌جای تکیه بر مراکز داده ابری دور، معماری محاسبات لبه استفاده از پهنای باند را بهینه می‌کند و هزینه‌های تأخیر رفت و برگشت را با پردازش داده‌ها در لبه کاهش می‌دهد، و تضمین می‌کند که کاربران نهایی تجربه مثبتی با برنامه‌هایی دارند که همیشه سریع و همیشه در دسترس هستند.

پیش‌بینی‌ها پیش بینی که لبه جهانی بازار محاسبات تنها در چهار سال آینده به فضایی ۱۸ میلیارد دلاری تبدیل خواهد شد و به سرعت نسبت به بازار ۴ میلیارد دلاری در سال ۲۰۲۰ گسترش خواهد یافت. digital-transformation-a-necessary-disruption.html”>ابتکارات تحول دیجیتال و تکثیر دستگاه های IoT (بر اساس Gartner)، نوآوری در لبه تخیل و بودجه را تسخیر می کند. ، از شرکت ها.

از این رو برای شرکت‌ها مهم است که وضعیت فعلی محاسبات لبه را درک کنند، به کجا می‌رود، و چگونه می‌توان استراتژی لبه‌ای را که برای آینده مصون است، ارائه کرد.

ساده سازی مدیریت معماری های توزیع شده

استقرارهای اولیه محاسبات لبه‌ای، ابرهای ترکیبی سفارشی با برنامه‌ها و پایگاه‌های داده‌ای بودند که روی سرورهای اولیه با پشتیبانی ابری پشتیبان اجرا می‌شدند. به طور معمول، یک سیستم انتقال دسته ای فایل ابتدایی مسئول انتقال داده ها بین ابر و سرورهای اولیه بود.

علاوه بر هزینه‌های سرمایه (CapEx)، هزینه‌های عملیاتی (OpEx) مدیریت این نصب‌های توزیع شده سرور اولیه در مقیاس می‌تواند دلهره‌آور باشد. با سیستم انتقال فایل دسته‌ای، برنامه‌ها و سرویس‌های لبه به طور بالقوه ممکن است از داده‌های قدیمی خارج شوند. و سپس مواردی وجود دارد که میزبانی یک رک سرور در حالت اولیه عملی نیست (به دلیل محدودیت‌های فضا، نیرو یا سرمایش در سکوهای نفتی خارج از ساحل، سایت‌های ساختمانی یا حتی هواپیماها).

برای کاهش نگرانی‌های OpEx و CapEx، نسل بعدی استقرار محاسبات لبه‌ای باید از زیرساخت‌های مدیریت‌شده در لبه ارائه‌دهندگان ابر استفاده کند. پست‌های AWS، مناطق محلی AWS، Azure Private MEC و Google Distributed Cloud ، برای نام بردن نمونه های برجسته، می تواند به طور قابل توجهی هزینه های عملیاتی مدیریت سرورهای توزیع شده را کاهش دهد. این مکان‌های لبه ابری می‌توانند میزبان ذخیره‌سازی و محاسبه از طرف چندین مکان اولیه باشند و هزینه‌های زیرساخت را کاهش دهند و در عین حال دسترسی با تاخیر کم به داده‌ها را فراهم کنند. علاوه بر این، استقرار محاسبات لبه می‌تواند از قابلیت‌های پهنای باند بالا و تاخیر بسیار کم شبکه‌های دسترسی ۵G با شبکه‌های خصوصی مدیریت‌شده ۵G، با پیشنهاداتی مانند طول موج AWS.

از آنجایی که محاسبات لبه همه چیز در مورد توزیع ذخیره سازی و پردازش داده است، هر استراتژی لبه باید پلت فرم داده را در نظر بگیرد. شما باید تعیین کنید که آیا و چگونه پایگاه داده شما می تواند با نیازهای معماری توزیع شده شما مطابقت داشته باشد.

استراتژی‌های لبه مقاوم در آینده با پایگاه داده آماده لبه

در یک معماری توزیع‌شده، ذخیره‌سازی و پردازش داده‌ها می‌تواند در چند لایه انجام شود: در مراکز داده مرکزی ابر، در مکان‌های لبه ابری، و در ردیف کلاینت/دستگاه. در مورد دوم، دستگاه می تواند یک تلفن همراه، یک سیستم دسکتاپ یا سخت افزار تعبیه شده سفارشی باشد. از ابر تا کلاینت، هر لایه تضمین‌های بالاتری برای در دسترس بودن و پاسخ‌گویی سرویس نسبت به لایه قبلی ارائه می‌کند. قرار دادن پایگاه داده با برنامه روی دستگاه، بالاترین سطح در دسترس بودن و پاسخگویی را بدون اتکا به اتصال شبکه تضمین می کند.

یکی از جنبه‌های کلیدی پایگاه‌های داده توزیع‌شده، توانایی ثابت نگه‌داشتن داده‌ها و همگام‌سازی در این سطوح مختلف، مشروط به در دسترس بودن شبکه است. همگام سازی داده ها مربوط به انتقال انبوه یا تکثیر داده ها در این جزایر توزیع شده نیست. این توانایی انتقال تنها زیرمجموعه مربوطه از داده ها در مقیاس است، به روشی که در برابر اختلالات شبکه مقاوم باشد. برای مثال، در خرده‌فروشی، ممکن است فقط داده‌های خاص فروشگاه نیاز به انتقال پایین دستی به مکان‌های فروشگاه داشته باشند. یا، در مراقبت‌های بهداشتی، فقط داده‌های انباشته (و ناشناس) بیمار ممکن است نیاز به ارسال بالادستی از مراکز داده بیمارستان داشته باشد.

چالش‌های حاکمیت داده در یک محیط توزیع‌شده تشدید می‌شوند و باید در استراتژی لبه‌ای مورد توجه قرار گیرند. به عنوان مثال، پلت فرم داده باید بتواند اجرای سیاست های حفظ داده را تا سطح دستگاه تسهیل کند.

محاسبات لبه در PepsiCo و BackpackEMR

برای بسیاری از شرکت‌ها، پایگاه داده توزیع شده و راه‌حل همگام‌سازی داده‌ها برای یک راه‌حل محاسباتی موفق پایه‌ای است.

PepsiCo را در نظر بگیرید، یک مجموعه فورچون ۵۰ با کارمندانی در سرتاسر جهان، که برخی از آنها در محیط‌هایی کار می‌کنند که اتصال به اینترنت همیشه در دسترس نیست. نمایندگان فروش آن به یک راه حل آماده آفلاین نیاز داشتند تا وظایف خود را به درستی و کارآمدتر انجام دهند. راه حل PepsiCo از یک پایگاه داده آفلاین بهره می برد که در برنامه هایی تعبیه شده بود که نمایندگان فروش آنها باید بدون توجه به اتصال به اینترنت در این زمینه از آنها استفاده کنند. هر زمان که اتصال اینترنتی در دسترس باشد، همه داده‌ها به‌طور خودکار در زیرساخت لبه سازمان همگام‌سازی می‌شوند و یکپارچگی داده‌ها را تضمین می‌کنند تا برنامه‌ها الزامات حاکمیت و امنیت دقیق را برآورده کنند.

شرکت مراقبت های بهداشتی BackpackEMR راه حل های نرم افزاری را برای کلینیک های سیار در جوامع روستایی و محروم در سراسر جهان ارائه می دهد. اغلب اوقات، این مکان‌های راه دور دسترسی کمی به اینترنت دارند یا اصلاً دسترسی ندارند، که بر توانایی آنها در استفاده از خدمات سنتی مبتنی بر ابر تأثیر می‌گذارد. راه حل BackpackEMR از یک پایگاه داده جاسازی شده در برنامه های مراقبت از بیمار خود با قابلیت های همگام سازی داده های همتا به همتا استفاده می کند که تیم های BackpackEMR برای به اشتراک گذاشتن داده های بیمار در دستگاه ها در زمان واقعی، حتی بدون اتصال به اینترنت، استفاده می کنند.

تا سال ۲۰۲۳، IDC پیش‌بینی می‌کند که ۵۰٪ از فناوری اطلاعات سازمانی جدید زیرساخت های مستقر شده به جای مراکز داده شرکتی در لبه قرار خواهند گرفت و تا سال ۲۰۲۴ تعداد برنامه های لبه ۸۰۰ درصد افزایش خواهد یافت. از آنجایی که شرکت‌ها حجم کاری برنامه‌های نسل بعدی خود را منطقی می‌کنند، ضروری است که محاسبات لبه را برای تقویت استراتژی‌های محاسبات ابری در نظر بگیریم.

پریا راجاگوپال مدیر مدیریت محصول در Couchbase، ارائه دهنده پایگاه داده مدرن پیشرو برای برنامه های سازمانی که ۳۰ درصد از ۱۰۰ فورچون به آنها وابسته است. پریا با بیش از ۲۰ سال تجربه در ساخت راه حل های نرم افزاری، یکی از مخترعان ۲۲ پتنت فناوری است.

—

New Tech Forum مکانی 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.