اترنتفناوری

تفاوت بین اج کامپیوتینگ با کلاود کامپیوتینگ چیست؟

 در سال‌های اخیر مفهوم جدیدی به کلمات کلیدی دنیای شبکه افزوده شده است. سال‌ها است که با فناوری کلاود کامپیوتینگ یا محاسبات ابری آشنا هستیم و اکنون فناوری «Edge Computing» یا «محاسبات در لبه» را می‌شنویم. 

تفاوت این دو فناوری در چیست و کاربردهای هرکدام چیست؟ مدیران فناوری سازمان‌ها یا همان افراد CIO سازمان‌ها در هنگام توسعه زیرساخت شبکه‌ها و طراحی معماری اینترنت اشیا چه دانشی از این دو فناوری و تشابه و تفاوت‌شان باید بدانند؟ با ما باشید تا کمی درباره تفاوت این دو فناوری صحبت کنیم:

ترافیک اینترنت و شبکه روی کلاود به اوج خود نزدیک شده است و از سوی دیگر اینترنت اشیا و دستگاه‌ها و کاربردهای آن نیز هر روز بار کاری جدیدی به اینترنت اضافه می‌کنند؛ به‌طوری‌که احتمال می‌رود کنترل ترافیک شبکه در سال‌های آتی سخت و غیرممکن شود. دستگاه‌های اینترنت اشیا به طور مداوم و لحظه‌ای در حال تولید اطلاعات هستند و فناوری‌ها و زیرساخت‌های محاسبات ابری باید این اطلاعات را پردازش، ذخیره و منتقل کنند. پلتفرم‌های ابری کنونی سعی می‌کنند ذخیره‌سازی و پردازش اطلاعات را به صورت متمرکز و کنترل شده انجام بدهند. اما این روش یک عیب بزرگ دارد. اگر رشد تولید اطلاعات به همین صورت ادامه پیدا کند؛ ممکن است زیرساخت‌های ابری در انبوهی از اطلاعات غرق شوند. 

چالش جدی پیش‌روی صنعت شبکه این است که افزایش بی‌سابقه اطلاعات تولید شده توسط دستگاه‌های اینترنت اشیا دارد فشار زیادی روی معماری اینترنت وارد می‌کند. در نتیجه، توسعه‌دهنده‌گان شبکه‌های کامپیوتری در حال یافتن روش‌هایی برای کاهش این فشار از روی شبکه و حل مشکل ذخیره‌سازی و پردازش اطلاعات هستند. 

محاسبات در لبه چیست؟

یکی از راهکارهای ارایه شده برای مشکل بالا؛ فناوری محاسبات در لبه است. در این فناوری سعی می‌شود ذخیره‌سازی و پردازش اطلاعات به سوی لبه شبکه و در نزدیکی منبع تولید اطلاعات هدایت شود. یعنی به جای اینکه اطلاعات تولید شده توسط دستگاه‌های اینترنت اشیا به روش سنتی به سوی مراکز داده یا سرورهای راه دور برای ذخیره‌سازی و پردازش ارسال شوند؛ این اطلاعات از طریق یک گیت‌وی محلی روی سرورها و ذخیره‌سازهای محلی قرار می‌گیرند. این رویکرد باعث افزایش سرعت تحلیل اطلاعات و کاهش فشار شبکه می‌شود. 

در حال حاضر، از هر دوی این مدل‌های محاسباتی استفاده می‌شود و در ذات با هم متفاوت هستند و هریک برای برخی کاربردها بیشتر توصیه می‌شوند. به طور کلی، در استفاده‌ها و برنامه‌های کاربردی صنعتی مبتنی بر اینترنت اشیا که نیاز به دسترسی اطلاعات و تصمیم‌گیری‌های لحظه‌ای است؛ محاسبات در لبه مزیت‌های بیشتری دارد. از آن سو؛ محاسبات ابری برای تجزیه و تحلیل بانک‌های اطلاعات بزرگ یا کلان داده بهتر است. 

صنعت شبکه به دنبال جایگزینی محاسبات در لبه با محاسبات ابری یا برعکس نیست.

دستیابی به یک شبکه پایدار و قابل اطمینان مستلزم ایجاد تعادل میان دو فناوری محاسبات ابری و محاسبات در لبه است. محاسبات در لبه برای برنامه‌های کاربردی و سیستم‌های سفارشی مناسب است و محاسبات ابری یک معماری و پلتفرم عمومی و همگانی برای شبکه‌های سنتی و محصولات و زیرساخت‌های ارایه شده توسط شرکت‌های ثالث است. صنعت شبکه به دنبال جایگزینی محاسبات در لبه با محاسبات ابری یا برعکس نیست؛ بلکه تلاش می‌کند از بهترین فناوری‌های خود برای رسیدن به کارایی بیشتر سود ببرد. در این راه می‌توان از فناوری‌های مکمل یا ترکیبی و برحسب تقاضا استفاده کرد. 

هنگامی که اینترنت اشیا نیاز به لبه دارد

دستگاه‌های اینترنت اشیا و برنامه‌های گسترده توزیع شده نیازمند زیرساخت‌های در لبه شامل دستگاه‌های ذخیره‌سازی، شبکه‌سازی و سرور هستند. چون اطلاعات سریع‌تر و به طور محلی ذخیره می‌شوند و بعد در نزدیکی منبع اطلاعات پردازش خواهند شد تا زودتر به پاسخ و تصمیم‌گیری برسند. این مزیت به طور ویژه‌ای برای برنامه‌های کاربردی بی‌درنگ یا ماشین‌های یادگیری عمیق اهمیت بالایی دارد. در یادگیری ماشینی نیاز است که در کسری از ثانیه با استفاده از الگوریتم‌هایی روی اطلاعات پردازش‌های انجام شده و سیستم به طور خودکار تصمیم‌گیری کند. در رویکردی که اطلاعات روی مرکزداده یا سرور راه دور ذخیره شوند؛ ارزش پیش‌بینی و الگوریتم‌های یادگیری ماشینی کاهش پیدا می‌کند.

برای مثال، ممکن است دستگاه‌های اینترنت اشیا در یک شبکه صنعتی شامل سنسورهای خط تولید یا چراغ‌های هوشمند باشند. این دستگاه‌ها هنگامی می‌توانند به طور صحیح و به موقع کار کنند که بتوانند اطلاعات مورد نیاز را خودشان دریافت و پردازش کنند. وجود تاخیر، عدم دسترسی یا قطعی به شبکه، ترافیک و موانع دیگر باعث می‌شود دستگاه‌های اینترنت اشیا صنعتی از کار بیفتند. نباید تصور کنیم که تمامی دستگاه‌های اینترنت اشیا فقط اسمارت‌فون‌ها، تبلت‌ها و دوربین‌های نظارتی هستند. 

وقتی ابرها در بهترین حالت کار می‌کنند

محاسبات ابری هنوز یک مفهوم و فناوری بسیار ارزشمند در دنیای شبکه و محاسبات است و در برنامه‌های کاربردی که نیازمند پاسخ‌گویی‌های لحظه‌ای و حساس نیستند؛ مفید است. این مدل از محاسبات می‌تواند بهره‌وری کارهای روزانه را افزایش دهد و مقادیر زیادی از اطلاعات را می‌تواند یک‌جا جمع‌آوری و سازمان‌دهی کند.

بهترین حالت این است که در آینده هر دو مدل محاسباتی را با هم استفاده کنیم

محاسبات در لبه برای سرویس‌ها و شبکه‌هایی مناسب است که مجهز به دستگاه‌های پردازش محلی اطلاعات هستند و با سرعت‌های بسیار بالایی می‌توانند اطلاعات را تجزیه و تحلیل و الگوریتم‌ها و نتایج موردنیاز را استخراج و استفاده کنند. اما باید در نظر داشت که محاسبات در لبه منجر به کنترل تمام اطلاعات یا کنترل کامل شبکه نمی‌شود و غالبا با شبکه‌ای توزیع شده، غیرقابل‌کنترل و غیرامن روبرو خواهیم بود.  

پیش به سوی یک استراتژی متعادل

همان‌طور که گفتیم؛ قرار نیست یک روش محاسباتی جایگزین روش دیگر شود. محاسبات در لبه نمی‌تواند به جای محاسبات ابری استفاده شود. به طور موثر، ممکن است الگوریتم‌های تحلیل اطلاعات روی بسترهای محاسبات ابری شکل گرفته و سپس به محاسبات در لبه منتقل شود. این روش هنگامی استفاده می‌شود که دستگاه‌های در لبه شبکه نمی‌توانند خودشان اطلاعات را آنالیز کنند. 

بهترین حالت این است که در آینده هر دو مدل محاسباتی را با هم استفاده کنیم: محاسبات در لبه برای سرویس‌های بی‌درنگ و بخش‌هایی از شبکه که ماهیت پاسخ‌گویی و سرویس‌دهی سریع دارند و محاسبات ابری برای پایداری و امنیت کل شبکه به کار گرفته شوند. در اینترنت اشیا باید به طور ساختارمندی کل شبکه لایه‌بندی و یکپارچه‌سازی شود تا بتوان از هریک این فناوری‌ها در جای مناسب استفاده کرد. 

 

 

 

یک دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا