بنابراین، رایانش لبه در حال تغییر فناوری اطلاعات و عملیات محاسبات کسب‌وکارهاست. با ما همراه باشید تا در ادامه این مقاله شما را با نحوه عملکرد رایانش لبه، دلایل اهمیت و مزایا و چالش‌های آن آشنا کنیم.

رایانش لبه چطور کار می‌کند؟

در رایانش لبه‌ای، به‌عنوان یکی از روندهای مهم در شبکه‌های مبتنی بر تکنولوژی ابری، همه‌چیز به موقعیت مکانی (location) بستگی دارد. در رایانش به شیوه کسب‌وکارهای سنتی، داده‌ها در یک نقطه انتهایی مانند رایانه کاربر تولید می‌شوند و سپس از طریق یک شبکه گسترده (WAN) مانند اینترنت به شبکه داخلی(LAN)  شرکت منتقل می‌شود؛ جایی که داده‌ها در آن ذخیره و توسط یک برنامه کاربردی سازمانی پردازش می‌شوند. سپس نتایج این عملیات به رایانه کاربر (end point) منتقل می‌شود. این رویکرد همچنان یک روش آزمایش‌شده و قابل‌اعتماد برای محاسبات کاربر-سرور (client-server computing) در اکثر برنامه‌های کاربردی رایج در کسب‌وکارها محسوب می‌شود.

این در حالی است که تعداد دستگاه‌های متصل به اینترنت و حجم داده‌های تولیدشده توسط این دستگاه‌ها به‌سرعت در حال افزایش است و این سرعت تولید داده، از ظرفیت پردازش زیرساخت‌های سنتی مراکز داده فراتر رفته است. موسسه گارتنر پیش‌بینی کرده که تا سال 2025، 75درصد از داده‌های تولیدشده توسط شرکت‌ها، خارج از مراکز داده متمرکز ایجاد خواهد شد. احتمال جابه‌جایی این حجم عظیم از داده‌ها در شرایطی که اغلب به زمان‌ یا هرگونه اختلال حساس هستند، فشار زیادی به اینترنت جهانی وارد می‌کند.

به همین دلیل معماران تکنولوژی اطلاعات، تمرکز خود را از مرکز داده مرکزی به لبه منطقی زیرساخت‌ها منتقل کرده‌اند؛ به این معنا که منابع ذخیره‌سازی و محاسباتی را از مرکز داده به جایی که داده‌ها تولید می‌شوند انتقال می‌دهند. اصل ساده این عملیات در این جمله خلاصه می‌شود: اگر نمی‌توانید داده‌ها را به مرکز داده نزدیک کنید، مرکز داده را به داده‌ها نزدیک کنید. محاسبات لبه‌ای مفهوم جدیدی نیست و ریشه در مفاهیم قدیمی محاسبات از راه دور مانند دفاتر راه دور و دفاتر شعب دارد که در آن‌ها، قرار دادن منابع محاسباتی در محل مورد نظر، به‌جای اتکا به یک مکان مرکزی واحد، قابل اطمینان‌تر و کارآمدتر بود.

در محاسبات لبه، منابع ذخیره‌سازی و سرورها در مکانی که داده‌ها تولید می‌شوند قرار می‌گیرند. این فرایند اغلب برای جمع‌آوری و پردازش داده‌ها به‌صورت محلی، تنها به یک رک (rack) جزیی از تجهیزات برای انجام عملیات روی یک LAN راه دور نیاز دارد. در بسیاری از موارد، تجهیزات محاسباتی برای محافظت از تجهیزات در برابر دما، رطوبت و سایر شرایط محیطی در محفظه‌های حفاظتی یا مقاوم‌شده قرار می‌گیرند. در این روش، پردازش معمولاً شامل نرمال‌سازی و تحلیل جریان داده‌ها برای جستجوی هوش تجاری (business intelligence) است و تنها نتایج تحلیل به مرکز داده اصلی فرستاده می‌شود.

ایده هوش تجاری می‌تواند به‌طرز چشمگیری متغیر باشد. برخی از مثال‌ها شامل محیط‌های خرده‌فروشی است که در آن نظارت تصویری بر ویترین فروشگاه ممکن است در ترکیب با داده‌های واقعی فروش به مشخص کردن محصولات موردعلاقه مشتریان و تخمین تقاضا کمک کند. سایر مثال‌ها شامل تحلیل‌های پیش‌بینی است که می‌تواند نگهداری و تعمیر تجهیزات را قبل از وقوع نقص یا خرابی‌های واقعی مشخص کند.

بیشتر بخوانید:

هوش تجاری و نقش آن در کسب‌وکارها مدرن

چرا رایانش لبه مهم است؟

وظایف محاسباتی نیازمند معماری‌های مناسب هستند و معماری‌ که برای نوع خاصی از محاسبات مناسب است، لزوماً جوابگوی سایر وظایف محاسباتی نخواهد بود. رایانش لبه  به‌عنوان یک معماری قابل‌استفاده و مهم از محاسبات توزیع‌شده استفاده می‌کند تا منابع ذخیره‌سازی و محاسباتی را نزدیک‌تر به منبع داده (و در حالت ایده‌آل‌تر در همان مکان فیزیکی) مستقر کند. به‌طور کلی، مدل‌های محاسبات توزیع‌شده جدید نیستند و مفاهیمی مانند دفاتر راه دور، دفاتر شعب، هم‌مکان‌سازی (colocation) مراکز داده و محاسبات ابری سابقه‌ای طولانی و اثبات‌شده‌ دارند.

بیشتر بخوانید:

چگونه رایانش ابری، شیوه‌های مدیریتی را تغییر می‌دهد؟

اما تمرکززدایی که در فرایند رایانش لبه انجام می‌شود، نیاز به نظارت و کنترل بالایی داشته و مسئله‌ای چالش‌برانگیز به شمار می‌رود. این موضوع به‌راحتی می‌تواند هنگام دور شدن از مدل محاسباتی متمرکز سنتی نادیده گرفته شود. رایانش لبه به این دلیل اهمیت دارد که می‌تواند راهکارهایی مؤثر را برای حل چالش‌های شبکه‌ای در حال ظهور که ناشی از جابه‌جایی حجم‌ عظیمی از داده‌هاست، ارائه دهد. زمان هم یک چالش قابل‌توجه محسوب می‌شود، زیرا پردازش و پاسخ‌‌های برنامه‌های کاربردی به‌شدت به زمان وابسته است.

ظهور خودروهای خودران را در نظر بگیرید. این خودروها به سیگنال‌های هوشمند کنترل ترافیک وابسته خواهند بود. برای کنترل ترافیکی خودروهای خودران نیاز است تا داده‌ها در زمان واقعی تولید، تجزیه‌وتحلیل و منتقل شوند. این نیازمندی را به تعداد زیادی از خودروهای خودران تعمیم دهید تا دامنه مشکلات احتمالی برای شما واضح‌تر شود. این موضوع نیازمند دسترسی به یک شبکه سریع و پاسخگو خواهد بود. رایانش لبه و رایانش مِه (fog computing) سه محدودیت اصلی شبکه که شامل پهنای باند، تأخیر و ازدحام یا قابلیت اطمینان است، برطرف می‌کنند.

بیشتر بخوانید:

ورود خودران‌ها در حوزه سلامت، چگونه به تحول این صنعت کمک می‌کند؟

• پهنای باند (Bandwidth)

پهنای باند میزان داده‌ای است که یک شبکه می‌تواند در طول زمان انتقال دهد و معمولا با واحد بیت بر ثانیه اندازه‌گیری می‌شود. همه شبکه‌ها پهنای باند محدودی دارند و این محدودیت‌ها در ارتباطات بی‌سیم، جدی‌تر است. به‌عبارت دیگر از نظر میزان داده‌ها یا تعداد دستگاه‌هایی که می‌توانند داده‌ها را در شبکه منتقل کنند، محدودیت وجود دارد. اگرچه می‌توان پهنای باند شبکه را برای پذیرش دستگاه‌ها و داده‌های بیشتر افزایش داد، اما هزینه آن ممکن است قابل‌توجه باشد.

• تأخیر (Latency)

تأخیر، زمان لازم برای ارسال داده‌ها بین دو نقطه در یک شبکه است. اگرچه ارتباط ایده‌آل باید با سرعت نور انجام شود، مسافت‌های فیزیکی وسیع همراه با ازدحام یا خرابی‌های شبکه می‌توانند باعث تأخیر در انتقال داده‌ها در شبکه شوند. این موضوع باعث تأخیر در تجزیه‌وتحلیل و فرایندهای تصمیم‌گیری می‌شود و توانایی سیستم را برای پاسخ‌گویی آنی کاهش می‌دهد. حتی در مورد خودروهای خودران، این تأخیر می‌تواند جان افراد را به خطر بیندازد.

مزایای رایانش لبه شامل چه مواردی است؟

رایانش لبه به چالش‌های زیرساختی حیاتی مانند محدودیت‌های پهنای باند، تأخیر بیش از حد و ازدحام شبکه پاسخ می‌دهد؛ همچنین چندین مزیت بالقوه دیگر نیز برای محاسبات لبه‌ای وجود دارد که می‌تواند به جذابیت این رویکرد اضافه کند:

• استقلال (Autonomy)

رایانش لبه در شرایطی که اتصال غیرقابل اعتماد یا پهنای باند محدود به دلیل ویژگی‌های محیطی سایت وجود دارد، بسیار مفید است. به‌عنوان مثال محیط‌هایی مانند سکوی‌های نفتی، کشتی‌ها در دریا، مزرعه‌ها یا سایر مکان‌های دورافتاده مثل جنگل‌های بارانی یا صحراها شامل این موارد می‌شوند. محاسبات لبه‌، وظایف محاسباتی را در محل (گاهی اوقات بر روی خود لبه دستگاه) انجام می‌دهد. با پردازش داده‌ها به‌صورت محلی، حجم داده‌هایی که باید ارسال شوند به‌طور قابل توجهی کاهش یافته و نیاز به پهنای باند یا زمان اتصال کاهش می‌یابد.

• حاکمیت داده‌ها (Data sovereignty)

جابه‌جایی حجم عظیمی از داده‌ها تنها یک مسئله فنی نیست. انتقال داده‌ها از مرزهای ملی و منطقه‌ای می‌تواند مشکلات دیگری در خصوص امنیت داده‌ها، حریم خصوصی و مسائل قانونی دیگر ایجاد کند. رایانش لبه می‌تواند برای نگه‌داشتن داده‌ها در نزدیکی منبع و در محدوده قوانین حاکمیت داده‌های موجود (مانند GDPR اتحادیه اروپا که مشخص می‌کند داده‌ها چگونه باید ذخیره، پردازش و افشا شوند) استفاده شود. این قابلیت امکان پردازش داده‌های خام را به‌صورت محلی فراهم می‌کند و هرگونه داده حساس قبل از ارسال به ابر یا مرکز داده اصلی که ممکن است در حوزه‌های قضایی دیگر باشد، پنهان یا ایمن می‌شود.

• امنیت لبه (Edge security)

در نهایت، رایانش لبه فرصت دیگری برای پیاده‌سازی و تضمین امنیت داده‌ها فراهم می‌کند. اگرچه ارائه‌دهندگان خدمات ابری، از سرویس‌های اینترنت اشیا برخوردارند و در تجزیه‌وتحلیل پیچیده تخصص دارند، شرکت‌ها همچنان درباره امنیت داده‌ها پس از ترک لبه و یا در زمان انتقال آن‌ها به ابر یا مرکز داده نگران هستند. با پیاده‌سازی محاسبات در لبه، امنیت تمامی داده‌هایی که از شبکه به ابر یا مرکز داده منتقل می‌شود، از طریق رمزنگاری (encryption) تامین می‌شود و خود فرایند پیاده‌سازی لبه (edge deployment) می‌تواند در برابر هکرها و فعالیت‌های مخرب دیگر محافظت شود، حتی زمانی که دستگاه‌های IoT از امنیت محدودی برخوردار هستند.

بیشتر بخوانید:

چگونه تکنولوژی‌های اینترنت اشیا و دوقلوی دیجیتال، صنایع را متحول می‌کنند؟

چالش‌های رایانش لبه چیست؟

اگرچه رایانش لبه‌ای پتانسیل ارائه مزایای جذابی را دارد، اما این فناوری هنوز خالی از اشتباه نیست. فراتر از مشکلات سنتی محدودیت‌های شبکه، چندین ملاحظه کلیدی وجود دارد که می‌تواند بر پذیرش این تکنولوژی  تأثیر بگذارد:

• ظرفیت محدود (Limited capability)

بخشی از جذابیت محاسبات ابری برای رایانش لبه به تنوع و مقیاس منابع و خدمات مربوط می‌شود. استقرار زیرساخت در لبه می‌تواند مؤثر باشد، اما دامنه و هدف استقرار لبه باید به‌وضوح تعریف شود؛ حتی یک استقرار گسترده رایانش لبه برای یک هدف خاص و در مقیاس از پیش تعیین‌شده، باید با استفاده از منابع محدود و تعداد کمی از خدمات انجام شود.

• اتصال (Connectivity)

اگرچه محاسبات لبه، محدودیت‌های معمول شبکه را ندارد، اما حتی مؤثرترین استقرار لبه نیز به سطحی حداقلی از اتصال نیاز دارد. طراحی استقرار لبه‌ای که اتصال ضعیف یا نامنظم را نیز در نظر بگیرد و  همچنین بررسی اینکه در صورت از دست دادن اتصال در لبه چه اتفاقی می‌افتد، حیاتی است. به‌طور خلاصه، ترکیب استقلال (Autonomy)، هوش مصنوعی (AI) و برنامه‌ریزی شکست (failure planning) برای موفقیت در رایانش لبه ضروری خواهد بود.

بیشتر بخوانید:

تحول دیجیتال با هوش مصنوعی و اینترنت اشیا

کلام آخر

رایانش لبه (Edge Computing) به‌عنوان یکی از فناوری‌های نوین، تغییری بنیادی در نحوه پردازش داده‌ها ایجاد کرده است. این معماری، داده‌های تولیدشده را به‌جای ارسال به مراکز داده متمرکز، در نزدیک‌ترین نقطه به منبع داده پردازش می‌کند. چنین رویکردی مشکلاتی مانند تأخیر، محدودیت پهنای باند و ازدحام شبکه را برطرف کرده و امکان نظارت آنی، تحلیل‌های پیشگیرانه و تصمیم‌گیری سریع‌تر را برای کسب‌وکارها فراهم می‌کند.

در همین راستا، سرویس زیرساخت ابری ایرانسل به‌عنوان یکی از خدمات پیشرفته مبتنی بر ابر، بستری قدرتمند برای ذخیره‌سازی، پردازش و مدیریت داده‌ها ارائه می‌دهد. این سرویس با فراهم کردن قابلیت‌های انعطاف‌پذیر و مقیاس‌پذیر، گزینه‌ای مناسب برای کسب‌وکارهایی است که به دنبال بهبود کارایی، کاهش هزینه‌ها و استفاده از فناوری‌های نوین هستند.

برای آشنایی بیشتر با این سرویس و مطالعه به‌روزترین مقالات در حوزه فناوری اطلاعات، می‌توانید به بخش مقالات وب‌سایت ایرانسل مراجعه کنید. همچنین برای کسب اطلاعات بیشتر درباره راهکارهای سازمانی ایرانسل می‌توانید از طریق ایمیل EB@mtnirancell.ir با کارشناسان ما در ارتباط باشید.

منبع:

https://www.techtarget.com/searchdatacenter/definition/edge-computing