Мы все знакомы с облачными вычислениями, которые имеют много особенностей: Огромная вычислительная мощность, массивная емкость хранения данных, с помощью различных программных инструментов можно создавать различные приложения, мы используем множество APP, по сути, опираемся на различные технологии облачных вычислений, такие как платформы живого видео, платформы электронной коммерции. Пограничные вычисления рождаются из облачных вычислений, близких к стороне устройства, с возможностями быстрого реагирования, но не могут справиться с большим количеством вычислений и случаев хранения.
Концепция краевых вычислений соотносится с облачными вычислениями, обработка облачных вычислений заключается в загрузке всех данных в облачный центр обработки данных или сервер централизованной обработки вычислительных ресурсов, при любой необходимости доступа к информации запрос должен быть загружен в облачную обработку. Поэтому недостатки облачных вычислений в условиях эпохи взрывного роста объема данных IoT постепенно выходят на первый план:
Облачные вычисления не могут удовлетворить растущие требования к обработке массивных данных. С интеграцией Интернета и различных отраслей промышленности, особенно после популярности технологии Интернета вещей, спрос на вычисления резко возрос, и традиционная архитектура облачных вычислений не сможет удовлетворить такой огромный спрос на вычисления.
Облачные вычисления не могут удовлетворить спрос на обработку данных в реальном времени. В рамках традиционной модели облачных вычислений данные IoT собираются терминалом и передаются в облачный вычислительный центр, а затем возвращаются к результатам через кластерные вычисления, что приводит к увеличению времени отклика, но в некоторых новых сценариях применения, таких как беспилотное вождение, интеллектуальная добыча полезных ископаемых и т. д., время отклика имеет чрезвычайно высокие требования, поэтому полагаться на облачные вычисления нереально.
Появление пограничных вычислений может в определенной степени решить эти проблемы, возникающие при облачных вычислениях. Как показано на рисунке ниже, данные, генерируемые терминальным оборудованием IOT, не нужно передавать в удаленный облачный центр обработки данных, а достаточно приблизить к граничной стороне сети для завершения анализа и обработки данных, что по сравнению с облачными вычислениями более эффективно и безопасно.
После этого кратко опишите преимущества граничных вычислений:
Низкая задержка: Вычислительные мощности развернуты рядом с устройством, в реальном времени отвечают на запросы устройства; например: в области распознавания лиц время отклика сокращается с 900 мс до 169 мс; функция распознавания голоса, если обрабатывается облаком, получается на выходе задержка на терминале может быть ощутимой, скорость медленнее из-за передачи сетевых сигналов на большие расстояния. Если же локализованная обработка выполняется без передачи сигнала по сети, задержка значительно сокращается, а пользовательский опыт становится лучше.
Работа с низкой пропускной способностью: Возможность переноса работы ближе к пользователю или конечной точке сбора данных может уменьшить влияние ограничений пропускной способности сайта. Это особенно актуально, если служба пограничных узлов снижает необходимость отправки большого количества запросов на обработку данных в концентратор.
Снижение энергопотребления: Для конкретной задачи необходимо принять решение о том, что будет более ресурсоэффективным - локальное вычисление или передача вычислений другим узлам. Если локальная область простаивает, то, конечно, наиболее эффективно вычислять локально; если локальная область занята, то целесообразнее распределить задачу вычисления по другим узлам. Важно соизмерять энергию, потребляемую при вычислениях, с энергией, потребляемой при передаче данных по сети. Обычно, когда ресурсы, потребляемые при передаче данных по сети, намного меньше энергии, потребляемой при локальных вычислениях, мы рассматриваем возможность использования пограничных вычислений для разгрузки вычислительных задач на другие незанятые узлы, чтобы помочь достичь балансировки нагрузки и обеспечить высокую производительность каждого узла.
Защита конфиденциальности: Данные собираются локально, анализируются локально и обрабатываются локально, что эффективно снижает вероятность попадания данных в публичную сеть и защищает конфиденциальность данных. Например, мы знакомы с функциями конфиденциальности и безопасности на мобильных телефонах, которые можно разблокировать с помощью распознавания отпечатков пальцев и лиц, где также используются граничные вычисления. Если эти данные будут загружены в облако, мы рискуем столкнуться с прозрачностью данных, поэтому вычисления на границе лучше использовать для защиты конфиденциальности и безопасности пользователей.