رایانش مه (Fog Computing) یکی از روندهای مهم و رو‌به‌رشد در دنیای فناوری اطلاعات است که آشنایی با آن برای همه افرادی که در این حوزه فعالیت دارند یا قصد ورود به آن را دارند، ضروری است. این تکنولوژی کاربردهای گسترده‌ای دارد؛ از محیط‌های صنعتی و تولیدی گرفته تا بیمارستان‌ها و دیگر مراکز درمانی. اما رایانش مه دقیقاً چیست و چه تفاوتی با رایانش ابری دارد؟ در ادامه به بررسی این تکنولوژی می‌پردازیم.
رایانش مه چیست؟
رایانش مه یک زیرساخت رایانشی غیرمتمرکز است که در آن داده‌ها، پردازش، فضای ذخیره‌سازی و اپلیکیشن‌ها در نقطه‌ای بین منبع داده و فضای ابری قرار می‌گیرند. محاسبات مه نیز مانند رایانش لبه (Edge Computing)مزایای رایانش ابری را به نقطه‌ای نزدیک‌تر به محل تولید و استفاده از داده منتقل می‌کند. بسیاری از افراد این دو مفهوم را به‌جای یکدیگر به کار می‌برند، زیرا هر دو با هدف نزدیک‌کردن پردازش و تحلیل داده به محل تولید آن طراحی شده‌اند. این کار معمولاً با هدف افزایش بهره‌وری انجام می‌شود؛ هرچند ممکن است دلایل امنیتی یا الزامات قانونی نیز در این فرایند مطرح باشد.
واژه «مه» در این تکنولوژی از مفهوم هواشناسی برگرفته شده است؛ یعنی ابرهایی که نزدیک به سطح زمین قرار دارند؛ درست مانند رایانش مه که در لبه شبکه متمرکز است. این اصطلاح اغلب در کنار نام شرکت سیسکو (Cisco) به کار برده می‌شود؛ گفته می‌شود مدیر محصول این شرکت، برای نخستین بار این اصطلاح را استفاده کرده است. عبارتCisco Fog Computing یک نام تجاری ثبت‌شده است؛ اما اصطلاح عمومی «Fog Computing» برای استفاده در سطح جامعه آزاد است.
رایانش مه چگونه کار می‌کند؟
شبکه رایانش مه جایگزین رایانش ابری نیست، بلکه مکمل آن است. رایانش مه امکان تحلیل‌های سریع و کوتاه‌مدت را در لبه شبکه فراهم می‌کند، در‌حالی‌که رایانش ابری وظیفه انجام تحلیل‌های سنگین‌تر و بلندمدت‌تر را بر عهده دارد. اگرچه در این تکنولوژی، داده‌ها از طریق دستگاه‌های لبه‌ای و حسگرها تولید و جمع‌آوری می‌شوند، اما این تجهیزات اغلب فاقد توان محاسباتی و ذخیره‌سازی لازم برای انجام تحلیل‌های پیچیده و وظایف مرتبط با یادگیری ماشین هستند. اگرچه سرورهای ابری توان پردازشی لازم را دارند، اما فاصله زیاد آن‌ها ممکن است موجب تأخیر در پردازش و پاسخ‌گویی شود.
بیشتر بخوانید:
۱۱ مزیت برتر خدمات رایانش ابری
بررسی کاربرد رایانش ابری در تحول دیجیتال ۹ صنعت
علاوه‌بر این، اتصال همه نقاط انتهایی (endpoints) به اینترنت و ارسال داده‌های خام به فضای ابری می‌تواند تبعاتی را در زمینه حریم خصوصی، امنیت و الزامات قانونی به همراه داشته باشد؛ به‌ویژه زمانی که با داده‌های حساسی مواجه هستیم که تحت مقررات کشورهای مختلف قرار دارند. از جمله کاربردهای رایانش مه می‌توان به شبکه‌های هوشمند انرژی، شهرهای هوشمند، ساختمان‌های هوشمند، شبکه‌های وسایل نقلیه و شبکه‌های نرم‌افزارمحور اشاره کرد.
بیشتر بخوانید:
۷ شهر هوشمند جهان، چگونه از تکنولوژی اینترنت اشیا استفاده کردند؟
چرا از رایانش مه استفاده می‌شود؟
دلایل متعددی برای استفاده از رایانش مه وجود دارد که از جمله آن‌ها می‌توان به موارد زیر اشاره کرد:
- کاهش تأخیر و افزایش عملکرد
از آنجایی که در رایانش مه، گره‌ها معمولاً در نزدیکی دستگاه‌های اینترنت اشیا مستقر می‌شوند، زمان پردازش داده‌ها به‌شکل قابل‌توجهی کم شده و عملکرد اپلیکیشن‌های حساس به زمان بهبود پیدا می‌کند.
- بهبود تصمیم‌گیری
رایانش مه با فراهم کردن امکان جمع‌آوری و تحلیل داده در زمان واقعی، توان تصمیم‌گیری آنی را در اختیار کسب‌وکارها قرار می‌دهد.
- کاهش هزینه‌ها
این تکنولوژی با انتقال توان پردازشی و ذخیره‌سازی داده به نزدیک‌ترین نقطه به منبع، حجم داده‌ای را که باید برای پردازش به سرور مرکزی ارسال شود، کاهش می‌دهد؛ در نتیجه هزینه‌های مرتبط با ذخیره‌سازی و تحلیل داده کاهش می‌یابد.
انواع رایانش مه کدام‌اند؟
رایانش مه به معنای گسترش خدمات و قابلیت‌های رایانش ابری به لبه شبکه سازمان‌هاست. این تکنولوژی امکان انتقال داده، اپلیکیشن‌ها و دیگر منابع را به نزدیکی کاربران نهایی یا حتی به خود آن‌ها فراهم می‌کند.
چهار نوع اصلی رایانش مه به شرح زیر است:
رایانش مه در سطح دستگاه: روی تجهیزاتی مانند حسگرها، سوئیچ‌ها، روترها و دیگر سخت‌افزارهای کم‌مصرف اجرا می‌شود. این نوع رایانش می‌تواند داده‌ها را از این تجهیزات جمع‌آوری کرده و برای تحلیل به فضای ابری ارسال کند.
رایانش مه در سطح لبه: روی سرورها یا تجهیزات خاصی که در لبه شبکه قرار دارند اجرا می‌شود. این دستگاه‌ها پیش از ارسال داده‌ها به ابر، می‌توانند آن‌ها را پردازش کنند.
رایانش مه در سطح درگاه: روی تجهیزاتی اجرا می‌شود که بین لبه شبکه و فضای ابری به‌عنوان درگاه ارتباطی عمل می‌کنند. این تجهیزات می‌توانند ترافیک شبکه را مدیریت کرده و از ارسال داده‌های غیرضروری به ابر جلوگیری کنند.
رایانش مه در سطح ابری: روی سرورها یا تجهیزات مستقر در فضای ابری اجرا می‌شود. این نوع رایانش می‌تواند پیش از ارسال داده به کاربران نهایی، آن‌ها را پردازش و تحلیل کند.
رایانش مه کجا کاربرد دارد؟
رایانش مه در حوزه‌های متعددی کاربرد دارد که از جمله مهم‌ترین آن‌ها می‌توان به موارد زیر اشاره کرد:
- خودروهای متصل (Connected Cars)
جمع‌آوری و پردازش داده‌ها از حسگرها به‌صورت آنی برای فعال‌سازی قابلیت‌هایی مانند رانندگی خودران و سیستم‌های سرگرمی داخل خودرو.
بیشتر بخوانید:
آشنایی با ۱۰ نکته کلیدی در موفقیت استراتژی خودرو متصل!
هر آنچه که باید از مزایا و معایب خودرو متصل بدانید!
- شهرهای هوشمند (Smart Cities)
نظارت بر جریان ترافیک، مدیریت حمل‌ونقل عمومی، بهینه‌سازی مصرف انرژی و بسیاری موارد دیگر.
- اینترنت اشیای صنعتی (Industrial IoT)
افزایش بهره‌وری و ایمنی در کارخانه‌ها، نیروگاه‌ها، معادن و دیگر زیرساخت‌های صنعتی.
بیشتر بخوانید:
چگونه تکنولوژی‌های اینترنت اشیا و دوقلوی دیجیتال صنایع را متحول می‌کنند؟
بهبود کارایی زنجیره تامین با استفاده از فناوری اینترنت اشیا
- سلامت متصل (Connected Health)
پشتیبانی از نظارت از راه دور بر بیماران، پزشکی از راه دور و دیگر کاربردهای حوزه سلامت.
- واقعیت افزوده و واقعیت مجازی (AR/VR)
فراهم کردن تجربه‌هایی با کیفیت بالا و تأخیر بسیار کم.
بیشتر بخوانید:
نقش تحول‌آفرین تکنولوژی 5G در دنیایAR و VR ؛ از بهداشت و درمان تا سرگرمی
رایانش مه می‌تواند از مجموعه وسیعی از کاربردهایی که نیاز به پردازش داده در لبه شبکه دارند، پشتیبانی کند. در بسیاری از موارد، نزدیک‌تر کردن منابع پردازشی و ذخیره‌سازی به محل تولید داده، عملکرد را بهبود بخشیده و هزینه‌ها را کاهش می‌دهد. به‌عنوان مثال از این تکنولوژی می‌توان برای تحلیل آنی حجم بالای داده‌هایی که توسط خودروهای متصل تولید می‌شوند استفاده کرد.
رایانش مه بیشتر در موقعیت‌هایی کاربرد دارد که پاسخ‌گویی آنی ضروری است؛ مانند سامانه‌های کنترل صنعتی، نظارت تصویری یا خودروهای خودران. همچنین می‌توان از آن برای کاهش بار پردازش روی سرورهای متمرکز یا فراهم‌کردن پشتیبان (backup) و افزونگی (redundancy) در مواقع اختلال در شبکه بهره گرفت.
اجزای اصلی رایانش مه کدامند؟
برخی از اجزای کلیدی در معماری رایانش مه به شرح زیر است:
- دستگاه‌های لبه‌ای (Edge Devices)
دستگاه‌هایی که در لبه شبکه و نزدیک به منبع داده قرار دارند؛ مانند حسگرها، کنترل‌کننده‌های منطقی قابل‌برنامه‌ریزی (PLC) و روترهای درگاه.
- پردازش داده‌ها (Data Processing)
پردازش داده‌ها به‌جای انتقال به یک محل مرکزی، به‌صورت محلی روی دستگاه‌های لبه‌ای انجام می‌شود. این کار باعث بهبود عملکرد و کاهش تأخیر می‌شود.
- ذخیره‌سازی داده‌ها (Data Storage)
دستگاه‌های لبه‌ای می‌توانند داده‌ها را به‌صورت محلی ذخیره کنند؛ این کار علاوه‌بر افزایش امنیت و حفظ حریم خصوصی، تأخیر را نیز کاهش می‌دهد.
- اتصال شبکه‌ای (Connectivity)
رایانش مه به اتصال پرسرعت میان دستگاه‌های لبه‌ای و دیگر اجزای شبکه نیاز دارد که این اتصال می‌تواند از طریق سیم یا به‌صورت بی‌سیم برقرار شود.
چرا رایانش مه برای اینترنت اشیا (IoT) مفید است؟
اینترنت اشیا (IoT) مجموعه‌ای از دستگاه‌ها، حسگرها و مؤلفه‌های نرم‌افزاری متصل به هم است که داده‌ها را با یکدیگر به اشتراک می‌گذارند. قدرت اصلی اینترنت اشیا در توانایی آن برای جمع‌آوری و تحلیل حجم عظیمی از داده‌ها از منابع مختلف نهفته است؛ داده‌هایی که می‌توانند برای بهینه‌سازی عملیات، افزایش بهره‌وری و تصمیم‌گیری بهتر مورد استفاده قرار گیرند.
رایانش مه در اینترنت اشیا یک مدل رایانشی غیرمتمرکز است که منابع پردازشی و ذخیره‌سازی داده را به لبه شبکه نزدیک می‌کند. به‌عبارت دیگر، رایانش مه پردازش و ذخیره‌سازی را از مزرعه‌های سرور مرکزی (centralized server farms) به شبکه‌های محلی که دستگاه‌های IoT در آن حضور دارند منتقل می‌کند.
مزایای رایانش مه چیست؟
استفاده از این تکنولوژی، چندین مزیت را برای کسب‌وکارها به همراه دارد:
کاهش تأخیر: پردازش داده در لبه شبکه یا نزدیک به آن، موجب کاهش تأخیر در اجرای عملیات می‌شود.
بهبود حفاظت و امنیت اطلاعات: با نگهداری داده‌ها و اپلیکیشن‌ها در نزدیکی کاربر نهایی، حفاظت و امنیت اطلاعات تقویت می‌شود.
افزایش مقیاس‌پذیری: رایانش مه به افزایش مقیاس‌پذیری کمک می‌کند زیرا در این تکنولوژی امکان اضافه کردن منابع بیشتر به لبه‌های شبکه وجود دارد.
معایب رایانش مه چیست؟
استفاده از این تکنولوژی معایبی را نیز در پی دارد:
محدودیت منابع: از آنجایی که این تکنولوژی به دستگاه‌های لبه‌ای متکی است، ممکن است منابع پردازشی و ذخیره‌سازی آن محدود باشد و این موضوع عملکرد را تحت‌تأثیر قرار دهد.
پیچیدگی معماری: پیاده‌سازی و مدیریت رایانش مه به‌دلیل ماهیت توزیع‌شده این مدل، پیچیده است.
پوشش محدود: به‌دلیل نوپا بودن این تکنولوژی، هنوز پوشش و سازگاری گسترده‌ای در سطح دستگاه‌ها و مناطق مختلف وجود ندارد.
نقش تکنولوژی 5G در رایانش مه
رایانش مه یک معماری در حوزه پردازش رایانه‌ای است که در آن مجموعه‌ای از گره‌ها (nodes)، داده‌ها را به‌صورت آنی از دستگاه‌های اینترنت اشیا (IoT) دریافت می‌کنند. این گره‌ها داده‌های دریافتی را به‌صورت لحظه‌ای پردازش و برای پاسخ‌گویی، تنها در حد چند میلی‌ثانیه زمان صرف می‌کنند. گره‌ها به‌صورت دوره‌ای خلاصه‌ای تحلیلی از داده‌ها را به فضای ابری ارسال می‌کنند؛ در ادامه، یک اپلیکیشن ابری داده‌های دریافتی از گره‌های مختلف را تحلیل کرده و بینش‌های کاربردی و قابل‌استفاده ارائه می‌دهد.
بیشتر بخوانید:
شبکه‌های هوشمند 5G ، شتاب‌دهنده تحول دیجیتال در صنایع مختلف
تکنولوژی 5Gچه نقشی در توسعه خودروهای متصل دارد؟
این معماری تنها به توان پردازشی نیاز ندارد؛ بلکه نیازمند اتصال پرسرعت میان دستگاه‌های اینترنت اشیا (IoT) و گره‌ها نیز هست. چرا که هدف اصلی، پردازش داده‌ها در کسری از ثانیه است. بدیهی‌ست که گزینه‌های ارتباطی بسته به نوع کاربرد متفاوت‌اند. به‌عنوان مثال، یک حسگر درون کارخانه می‌تواند از اتصال کابلی استفاده کند. اما منابع متحرک مانند خودروهای خودران یا منابع ایزوله مانند توربین بادی در یک مزرعه دورافتاده، نیاز به گزینه‌های ارتباطی جایگزین دارند.
در این میان، تکنولوژی 5G گزینه‌ای بسیار جذاب محسوب می‌شود؛ چرا که اتصالی پرسرعت و پایدار را فراهم می‌سازد و امکان تحلیل داده‌ها را در زمانی نزدیک به لحظه واقعی (near real-time) مهیا می‌کند.
تفاوت رایانش مه و رایانش لبه‌ای
رایانش لبه‌ای (Edge Computing) یک مدل توزیع‌شده از پردازش داده است که پردازش اطلاعات و اجرای اپلیکیشن‌ها را در نزدیکی منبع داده، یعنی در لبه شبکه انجام می‌دهد. در مقابل، در مدل متمرکز رایانش ابری سنتی، داده‌ها و اپلیکیشن‌ها در یک مکان مرکزی ذخیره شده و دسترسی به آن‌ها از طریق شبکه امکان‌پذیر می‌شود.
تفاوت اصلی رایانش مه و رایانش لبه‌ای این است که رایانش مه، خدمات و قابلیت‌های رایانش ابری را به دستگاه‌های موجود در لبه شبکه گسترش می‌دهد. اما رایانش لبه‌ای تمرکز خود را بر نزدیک‌تر کردن توان پردازشی و ذخیره‌سازی داده به دستگاه‌های لبه شبکه معطوف می‌کند.
بیشتر بخوانید:
رایانش لبه چیست و چه نقشی در آینده تکنولوژی بازی می‌کند؟
کلام آخر
رایانش مه در پاسخ‌گویی به نیازهای پارادایم‌های نوظهور در حوزه شبکه، عملکرد بهتری نسبت به رایانش ابری دارد. البته این به آن معنا نیست که رایانش ابری کاملاً جای خود را به این تکنولوژی می‌دهد؛ چرا که همچنان برای پردازش‌های دسته‌ای با حجم بالا که در دنیای کسب‌وکار بسیار رایج است، رایانش ابری مناسب‌ترین گزینه خواهد بود. در نتیجه، می‌توان گفت رایانش مه و رایانش ابری مکمل یکدیگر خواهند بود. همچنین موضوعاتی مانند امنیت، محرمانگی و قابل اطمینان بودن در بستر رایانش مه، از جمله حوزه‌هایی هستند که از پتانسیل تحقیق و توسعه گسترده‌ای برخوردارند. با توجه به اینکه پارادایم‌های شبکه‌ای نوین نیازمند پردازش سریع و با تأخیر حداقلی هستند، رایانش مه به‌طور روزافزون نقش پررنگ‌تری در تحقق این نیازها ایفا خواهد کرد. در همین حال، رایانش ابری همچنان به‌عنوان بستر مناسب برای پردازش‌های سنگین و اقتصادی در قالب مدل قیمت‌گذاری خدماتی در خدمت کسب‌وکارها باقی خواهد ماند.
رایانش مه یکی از مسیرهای آینده‌دار در تحول دیجیتال است؛ مسیری که بدون زیرساخت‌های ابری امن، پایدار و منعطف آغاز نمی‌شود. ایرانسل با ارائه زیرساخت ابری، می‌تواند بستر توسعه این تکنولوژی‌های نوین را برای کسب‌وکارهای ایرانی هموار کند. برای آشنایی بیشتر با راهکارهای سازمانی ایرانسل، کد دستوری ستاره سه مربع (#۳*) را با خطوط ایرانسلی خود شماره‌گیری کنید یا از طریق ایمیل EB@mtnirancell.ir با کارشناسان ما در ارتباط باشید.
منبع:
https://www.techtarget.com/iotagenda/definition/fog-computing-fogging
https://blogs.cisco.com/perspectives/iot-from-cloud-to-fog-computing
نظرات و پیشنهادات