زمان تخمینی مطالعه: 7 دقیقه

تعداد کلمات: 1250 کلمه

زمانی برای معماری لبه

محاسبات لبه به مکان‌یابی زیرساخت‌های جغرافیایی در نزدیکی محل تولید یا مصرف داده‌ها اشاره دارد. به‌جای هُل دادن این داده‌ها به یک ابر عمومی یا خصوصی برای ذخیره‌سازی و محاسبات، داده‌ها با استفاده از زیرساخت‌هایی که می‌توانند سرورهای ساده کالا یا پلت‌فرم‌های پیچیده مانند AWS برای Edge،Azure Stack Edge  یا Google Distributed  باشند، «در لبه» پردازش می‌شوند. محاسبه «در لبه» نیز معنای دومی در اطراف مرزهای بالای عملکرد، قابلیت اطمینان، ایمنی و سایر الزامات عملیاتی و انطباق دارد. برای پشتیبانی از این الزامات لبه، تغییر محاسبات، فضای ذخیره‌سازی و پهنای باند به زیرساخت لبه‌ای می‌تواند برنامه‌های مقیاس‌پذیری را فعال کند که اگر برای یک ابر متمرکز طراحی شده باشند، امکان‌پذیر نیستند.

مارک تیِل، مدیرعامل Edgevana، می‌گوید: محاسبات Edge به رهبر کسب‌وکار راه جدیدی برای توسعه روابط عمیق‌تر با مشتریان و شرکا و دست‌یابی به آگاهی‌های زمان واقعی ارائه می‌دهد. زمانی‌که تیم‌های توسعه‌دهنده در مراحل اولیه توسعه اثبات مفاهیم در مقیاس پایین هستند، تشخیص زیرساخت بهینه ممکن است دشوار باشد. اما انتظار بیش از حد برای تشخیص نیاز به زیرساخت‌های لبه ممکن است تیم‌ها را مجبور کند تا برنامه‌های خود را مجددا معماری و کار کنند، هزینه‌های توسعه‌دهنده را افزایش دهند، جدول زمانی را کاهش دهند یا از دست‌یابی کسب‌وکار به نتایج هدفمند جلوگیری کنند.

آرول لیوینگستون، معاون مهندسی در OutSystems، موافق است، از آن‌جایی که برنامه‌ها به‌طور فزاینده‌ای مدرن و یکپارچه می‌شوند، سازمان‌ها باید فناوری‌های لبه و یکپارچه‌سازی را در مراحل اولیه توسعه در نظر بگیرند تا از چالش‌های عملکرد و امنیتی ناشی از توسعه برنامه‌های کاربردی در سطح سازمانی جلوگیری کنند. تیم‌های Devops باید قبل از مدل‌سازی دقیق زیرساخت‌های پلت‌فرم، به‌دنبال شاخص‌ها باشند. در این‌جا پنج دلیل برای در نظر گرفتن لبه وجود دارد.

• بهبود عملکرد و ایمنی در تولید

چه ارزشی دارد که چند ثانیه در یک طبقه تولید و تاخیر در آن باعث آسیب به کارگران شود؟ اگر تولید به مواد گران‌قیمت نیاز داشته باشد، چه می‌شود و چند صد میلی‌ثانیه زودتر تشخیص عیب‌ها می‌تواند باعث صرفه‌جویی قابل توجهی شود؟ تیِل می‌گوید: در تولید، استفاده موثر از لبه می‌تواند ضایعات را کاهش دهد، کارایی را بهبود بخشد، آسیب‌های حین کار را کاهش دهد و در دسترس بودن تجهیزات را افزایش دهد. یک عامل کلیدی که معماران باید در نظر بگیرند، هزینه شکست ناشی از یک تصمیم ناموفق یا تاخیری است. اگر خطرات یا هزینه‌های قابل‌توجهی وجود داشته باشد، همان‌طور که در سیستم‌های تولیدی، پلت‌فرم‌های جراحی یا وسایل نقلیه مستقل وجود دارد، محاسبات لبه ممکن است عملکرد و قابلیت اطمینان بیشتری را برای برنامه‌هایی که به ایمنی بیشتری نیاز دارند ارائه دهد.

• تاخیر برای اقدامات بلادرنگ را کاهش دهید

زمان پاسخ ثانویه یک نیاز اساسی برای اکثر پلت‌فرم‌های معاملات مالی است و این عملکرد در حال‌حاضر در بسیاری از برنامه‌هایی که نیاز به یک چرخش سریع از تشخیص یک مشکل یا فرصت به پاسخ با یک اقدام یا تصمیم دارند، انتظار می‌رود. آمیت پاتل، معاون ارشد درConsulting Solutions، می‌گوید: اگر تصمیم‌گیری در زمان واقعی برای کسب‌وکار شما مهم است، پس بهبود سرعت یا کاهش تاخیر حیاتی است، به‌ویژه با همه دستگاه‌های متصلی که سازمان‌ها برای جمع‌آوری داده‌ها از آن استفاده می‌کنند. چالش تکنولوژیکی ارائه تجارب با تاخیر کم ثابت زمانی بزرگ‌تر می‌شود که هزاران منبع داده و گره تصمیم در آن وجود دارد. مثال‌ها شامل اتصال هزاران تراکتور و ماشین‌های مزرعه‌ای است که با یادگیری ماشین (ML) در دستگاه‌های لبه‌ای مستقر شده‌اند یا امکان استفاده از متاورس یا سایر تجربیات تجاری به مصرف‌کننده در مقیاس بزرگ است. پاول دسپوت، مدیر ارشد محصول در Akamai می‌گوید: اگر نیاز به اقدام در زمان واقعی است، با محاسبات لبه شروع کنید. زیرساخت‌های لبه برای هر حجم کاری که نیاز به دسترسی به کاربران نهایی توزیع‌شده جغرافیایی با تاخیر کم، انعطاف‌پذیری و توان عملیاتی بالا دارد، مناسب است، که گستره‌ای را برای رسانه‌های جریانی، بانکداری، تجارت‌الکترونیک، دستگاه‌های IoT و موارد دیگر اجرا می‌کند. کودی دی آرکلند، مدیر روابط توسعه‌دهندگان در LaunchDarkly، می‌گوید شرکت‌های جهانی با مکان‌های اداری بسیاری یا پشتیبانی از کارهای ترکیبی در مقیاس، مورد دیگری است. او می‌گوید: ارزش کار نزدیک‌تر به لبه این است که می‌توانید حجم کاری خود را حتی نزدیک‌تر به افرادی که آن‌ها را مصرف می‌کنند، توزیع کنید. اگر برنامه شما به تاخیر یا «زمان رفت و برگشت» به مرکزداده اصلی حساس است، باید زیرساخت لبه را در نظر بگیرید و به این فکر کنید که چه‌چیزی باید در لبه اجرا شود.

• افزایش قابلیت اطمینان برنامه‌های کاربردی حیاتی

جف ریدی، مدیرعامل Scale Computing، می‌گوید: ما بیشترین علاقه را به زیرساخت‌های لبه از صنایعی مانند تولید، خرده‌فروشی و حمل‌ونقل مشاهده کرده‌ایم که زمان از کار افتادگی به‌سادگی یک گزینه نیست و نیاز به دسترسی و استفاده از داده‌ها به‌صورت واقعی دارد. زمان به یک تمایز رقابتی تبدیل شده است. زیرساخت‌های لبه را زمانی در نظر بگیرید که هزینه خرابی بالا، زمان طولانی برای انجام تعمیرات وجود دارد یا زیرساخت متمرکز ناموفق بر چندین عملیات تاثیر می‌گذارد. جف ریدی دو مثال را به اشتراک می‌گذارد. یک کشتی باری در وسط اقیانوس را در نظر بگیرید که نمی‌تواند به اتصال ماهواره‌ای متناوب برای راه‌اندازی سیستم‌های حیاتی خود متکی باشد، یا یک فروشگاه موادغذایی که نیاز به جمع‌آوری داده‌ها از داخل فروشگاه برای ایجاد یک تجربه خرید شخصی‌تر دارد. اگر یک سیستم متمرکز از کار بیافتد، ممکن است چندین کشتی و موادغذایی را تحت تاثیر قرار دهد، در حالی‌که یک زیرساخت لبه بسیار قابل اعتماد می‌تواند خطر و تاثیر خرابی را کاهش دهد.

• پردازش داده‌های محلی را در مکان‌های دور یا برای پشتیبانی از مقررات فعال کنید

اگر کارایی، تاخیر و قابلیت اطمینان ملاحظات اصلی طراحی نشده باشند، ممکن است همچنان بر اساس مقررات مربوط به محل جمع‌آوری و مصرف داده‌ها، زیرساخت لبه مورد نیاز باشد. یاسر السعید، معاون اینترنت اشیا در AWS، می‌گوید: زیرساخت لبه برای پردازش داده‌های محلی و الزامات اقامت داده مهم است. به‌عنوان مثال این به شرکت‌هایی سود می‌رساند که در کشتی‌هایی که نمی‌توانند داده‌ها را به‌دلیل اتصال در فضای ابری آپلود کنند، کار می‌‌کنند! همچنین در صنایع بسیاری نیز دیده ‌شده که داده‌های ساکن در یک منطقه را محدود می‌کنند، یا دارای حجم بزرگی از داده‌ها هستند که نیاز به پردازش محلی دارند، کار می‌کنند. یک سوال اساسی که تیم‌های توسعه‌دهنده باید به آن پاسخ دهند این است که داده‌ها در کجا جمع‌آوری و مصرف می‌شوند؟ بخش‌های انطباق باید دستورالعمل‌های نظارتی را در مورد محدودیت‌های داده ارائه کنند و رهبران عملکردهای عملیاتی باید در مورد محدودیت‌های فیزیکی و جغرافیایی مورد مشورت قرار گیرند.

• بهینه‌سازی هزینه‌ها، به‌ویژه پهنای باند در مجموعه داده‌های بزرگ

ساختمان‌های هوشمند با نظارت تصویری، سیستم‌های مدیریت تاسیسات و سیستم‌های ردیابی انرژی، همگی حجم بالایی از داده‌ها را در ثانیه ثبت می‌کنند. پردازش این داده‌ها به‌صورت محلی در ساختمان می‌تواند بسیار ارزان‌تر از متمرکزکردن داده‌ها در فضای ابری باشد. جی بی بیکر، معاون بازاریابی در ScaleFlux، می‌گوید: همه صنایع در حال تجربه رشد فزاینده داده‌ها هستند و انطباق با پیچیدگی‌ها نیاز به ذهنیت کاملا متفاوتی برای استفاده از پتانسیل مجموعه‌های داده بزرگ دارد. محاسبات لبه بخشی از راه‌حل است، زیرا محاسبات و ذخیره‌سازی را به مبدا داده‌ها نزدیک‌تر می‌کند. ای.بی پریاسامی مدیرعامل و یکی از بنیان‌گذاران MinIO، این توصیه را ارائه می‌کند: با داده‌هایی که در لبه شبکه ایجاد می‌شوند، چالش‌های متمایزی را در معماری‌های کاربردی و زیرساخت ایجاد می‌کنند. او پیشنهاد می‌کند، پهنای باند را به‌عنوان بالاترین هزینه در مدل خود در نظر بگیرید، در حالی‌که هزینه‌های سرمایه و عملیاتی در لبه‌ها متفاوت عمل می‌کنند. به‌طور خلاصه، هنگامی‌که تیم‌های توسعه‌دهنده برنامه‌هایی را مشاهده می‌کنند که نیاز به برتری در کارایی، قابلیت اطمینان، تاخیر، ایمنی، مقررات یا مقیاس دارند، مدل‌سازی زیرساخت لبه در مراحل اولیه توسعه می‌تواند به معماری‌های هوشمندتری اشاره داشته باشد.

منبع : Data Centre Magazine

بخوانید : سه روش امنیتی اساسی برای مراکزداده