Welche Bedürfnisse treiben Edge Computing an?

Die am Rande des Netzes erzeugten Daten nehmen allmählich zu, und wenn wir die Daten an den Randknoten des Netzes verarbeiten und analysieren können, wird dieses Datenverarbeitungsmodell effizienter sein. Es werden viele neue Datenverarbeitungsmodelle vorgeschlagen, da wir feststellen, dass das Cloud-Computing mit dem Wachstum des IoT nicht immer so effizient ist, wie es sein sollte.

1. Die Cloud-Dienste sind der Motor:

Cloud-Zentren verfügen über eine hohe Verarbeitungsleistung und sind in der Lage, große Datenmengen zu verarbeiten. Die Übertragung großer Datenmengen an das Cloud-Zentrum wird jedoch zu einer Herausforderung. Der Engpass bei der Systemleistung des Cloud-Computing-Modells ist die begrenzte Netzwerkbandbreite. Die Übertragung großer Datenmengen nimmt eine gewisse Zeit in Anspruch, und das Cloud-Zentrum benötigt eine gewisse Zeit für die Verarbeitung der Daten, wodurch sich die Antwortzeit auf die Anfrage erhöht und die Benutzererfahrung extrem schlecht ist.

2. Angetrieben durch das Internet der Dinge (IoT)

Die rasante Entwicklung der IoT-Technologie führt dazu, dass immer mehr gewöhnliche Gegenstände mit unabhängigen Funktionen miteinander verbunden werden und alles miteinander vernetzt wird. Dank der Merkmale des Internets der Dinge nutzen alle Branchen die IoT-Technologie, um den digitalen Wandel rasch zu vollziehen, und immer mehr Endgeräte in der Industrie werden über das Netzwerk verbunden.

Allerdings ist das Internet der Dinge als ein riesiges und komplexes System, verschiedene Branchen haben unterschiedliche Anwendungsszenarien, nach Angaben von Drittanbietern Analysten, bis zum Jahr 2025 wird es mehr als 100 Milliarden Endgeräte an das Netzwerk angeschlossen werden, wird das Terminal Datenvolumen bis zu 300ZB, eine solche große Datenmenge, nach der traditionellen Datenverarbeitung, alle gewonnenen Daten müssen an die Cloud-Computing-Plattform zu analysieren, wird die Cloud-Computing-Plattform mit hoher Netzwerk-Latenz, Massen-Zugang zu Geräten konfrontiert werden, und schwierig, große Datenmengen zu verarbeiten. Die Cloud-Computing-Plattform steht vor den Herausforderungen einer hohen Netzwerklatenz, eines massiven Gerätezugriffs, einer massiven Datenverarbeitung, einer unzureichenden Bandbreite und eines hohen Stromverbrauchs.

Um die Nachteile der hohen Latenzzeiten und der mangelnden Fähigkeit zur Datenanalyse in Echtzeit bei herkömmlichen Datenverarbeitungsmethoden zu beheben, hat sich die Edge-Computing-Technologie entwickelt. Die Edge-Computing-Technologie befindet sich in unmittelbarer Nähe des Objekts oder der Datenquelle am Rande des Netzes und ermöglicht durch die Integration von Netz-, Rechen-, Speicher- und Anwendungskernfunktionen der verteilten offenen Plattform die Bereitstellung intelligenter Dienste in der Nähe des Randes. Vereinfacht ausgedrückt besteht Edge Computing darin, die vom Endgerät gesammelten Daten direkt und aggressiv in dem lokalen Gerät oder Netz zu analysieren, das sich in der Nähe des Ortes befindet, an dem die Daten generiert werden, wodurch die Notwendigkeit entfällt, die Daten an ein Cloud-basiertes Datenverarbeitungszentrum zu übertragen.

So verlagern beispielsweise die Echtzeit-Betriebs- und Sicherheitsanforderungen für selbstfahrende Autos den Rechenkern aus der Cloud an den Rand des Netzes. Selbstfahrende Fahrzeuge erfassen und senden ständig Daten über den Straßenzustand, den Standort und umliegende Fahrzeuge. Selbstfahrende Autos erzeugen etwa 1 GB an Daten pro Sekunde, und die erforderliche Verarbeitungsbandbreite und Latenz machen es unpraktisch, auch nur einen Bruchteil eines Terabytes (TB) an Daten zur Analyse an einen zentralen Server zu senden. Die schnelle Verarbeitung von Daten ist eine entscheidende Fähigkeit, und Edge Computing ist der Schlüssel zum autonomen Fahren. Für den sicheren und zuverlässigen Betrieb von Fahrzeugen könnte jede Verzögerung bei der Verarbeitungsgeschwindigkeit fatal sein.

Stellen Sie sich vor, ein selbstfahrendes Auto erkennt Objekte auf der Straße oder betätigt die Bremsen oder das Lenkrad mit Verzögerungen aufgrund der Cloud. Jede Verzögerung bei der Datenverarbeitung führt zu einer langsameren Reaktion des Fahrzeugs. Wenn das langsamer reagierende Fahrzeug nicht in der Lage ist, rechtzeitig zu reagieren, kann dies zu einem Unfall führen. An diesem Punkt können Menschenleben tatsächlich bedroht sein.

Daher ist es notwendig, genügend Rechenleistung und einen angemessenen Energieverbrauch bereitzustellen, um die Sicherheit selbstfahrender Fahrzeuge auch bei hohen Geschwindigkeiten zu gewährleisten. Die wichtigsten Herausforderungen bei der Entwicklung eines Edge-Computing-Ökosystems für selbstfahrende Fahrzeuge sind die Bereitstellung von Echtzeitverarbeitung, ausreichender Rechenleistung, Zuverlässigkeit, Skalierbarkeit, Kosten und Sicherheit, um die Sicherheit und Qualität des Nutzererlebnisses in selbstfahrenden Fahrzeugen zu gewährleisten.