Руководство по использованию би-приложений с граничными вычислениями

Все говорят о современных вычислениях, но мало кто понимает, что это такое, тем более, что с этим делать. Вкратце, периферийные вычисления означают обработку вблизи источника данных, либо на датчике, либо вблизи шлюза. Если вы хотите узнать, как ИТ-отдел может наилучшим образом управлять периферийными вычислениями в качестве альтернативы, ознакомьтесь со статьей, подготовленной Уэйном Рэшем, моим коллегой и участником программы PCMag IT Watch, «ИТ-специалистам нужно задуматься о 5G и Edge Cloud Computing». Но для целей этой статьи мы можем начать с объяснения от исследовательской фирмы IDC, которая определяет граничные вычисления как «ячеистую сеть микро-центров обработки данных», которая «занимает площадь менее 100 квадратных футов».

Как и в случае большинства новых терминов в области технологий, «периферийные вычисления» широко используются и связаны с множеством других технологий модных слов, включая блокчейн, сети доставки контента (CDN), грид-вычисления, ячеистые вычисления и одноранговые вычисления. равноправные вычисления. Общая задача, независимо от того, какую технологию применяют в сочетании с периферийными вычислениями, состоит в том, чтобы ускорить любой анализ данных и связанные с ними действия, сократив расстояние между тем, где данные обрабатываются, и тем, где конечный результат этого вывода будет оказывать влияние.

Когда дело доходит до превращения ваших с трудом завоеванных идей бизнес-аналитики (BI) в действенные идеи, это ключевой момент. Но даже несмотря на то, что BI (особенно аналитика с малой задержкой) и периферийные вычисления, похоже, соответствуют техническим достижениям, есть еще много моментов, которые нужно рассмотреть, прежде чем объединять их.

Аналитика на грани потоковой аналитики

Значение пограничных вычислений для аналитики становится очевидным, как только вы поймете, что нет другого практического способа перенести текущее цунами данных Интернета вещей (IoT) в облако без создания несостоятельных задержек и одной черты заторов сетевого трафика. Эта проблема с задержкой может оказаться фатальной во многих новых аналитических приложениях, таких как автономное вождение. Переполнение данных приведет вас от широкополосного доступа к узкому месту за меньшее время, чем для того, чтобы сказать: «Поток, Скотти».

Да, потоковая аналитика рекламировалась всего пару лет назад как панацея, чувствительная к задержкам, для извлечения считываемых данных из Интернета вещей в режиме реального времени. Но, хотя потоковая аналитика все еще имеет много положительных сторон, она не смогла изменить физику. Огромная передача данных замедляется многочисленными прыжками маршрутизатора, задержками пакетов виртуализации, разрывом соединений и другими физическими ограничениями в сети. В случае с IoT в удаленных районах, вообще, очень сложно получить сетевое соединение в любой день.

Неважно, что все эти проблемы усугубляются физическим расстоянием между данными и вычислительными процессами. По этим и другим причинам потоковая аналитика имеет тенденцию быть «почти в реальном времени», а не в реальном времени. Эта задержка - независимо от того, насколько она мала - представляет собой огромную проблему, если, скажем, вам нужно вовремя получать выходы, чтобы автономный автомобиль тормозил и избегал столкновения. Это еще большая проблема, если вы хотите, чтобы все машины на этой трассе тормозили одновременно.

Короче говоря, у Star Trek и реальных переносчиков данных есть свои пределы, и Скотти ничего не может с этим поделать. Для современных сетей слишком много данных о IoT, и объем по-прежнему растет с невероятной скоростью. Важный вывод: пограничные вычисления управляют потоком информации по сети и обеспечивают более быстрые результаты аналитики.

Краевое Облако против Облака

Поскольку эти центры микроданных могут и часто объединяются в совместные, коммуникационные или взаимозависимые функции, некоторым людям нравится использовать термин «пограничное облако».

Например, современные автомобили имеют сотни встроенных компьютеров, которые предназначены для управления отдельными системами, но также связаны друг с другом, чтобы системы могли взаимодействовать друг с другом и адаптироваться по мере необходимости. Другими словами, они индивидуально, коллективно и активно используют периферийные вычисления для выполнения множества сложных функций.

«Они не только реагируют на наблюдаемые условия, но и учатся и адаптируются с течением времени», - говорит Джонатан Ви Кри, доктор наук, ученый / инженер по встраиваемым и беспроводным системам в Тихоокеанской северо-западной национальной лаборатории Министерства энергетики США (PNNL). «Например, современные системы впрыска топлива будут отслеживать схемы движения автомобиля, чтобы оптимизировать мощность и эффективность использования топлива. Характер этих данных в режиме реального времени сделает невозможным обработку данных где-либо, кроме края».

Даже при наличии многосистемной бортовой взаимозависимости термин «пограничное облако» имеет тенденцию к дальнейшему неясному пониманию, поскольку он неточен.

«Говоря об устройствах IoT, соображения практически противоположны облачным», - сказал Ви Кри. «Устройства IoT обычно имеют ограниченную мощность хранения и обработки, потенциально прерывистую связь с внешним миром и могут питаться от батареи. Ключевым значением в этих устройствах является их способность преобразовывать необработанные значения датчиков, доступные им, в значимые данные».

Графическое изображение Edge Computing Devices перепечатано с разрешения TECHnalysis Research.

Однако граничные вычисления и облачные вычисления не являются взаимоисключающими. Действительно, они переплетаются в самых успешных стратегиях передачи данных IoT. Это вряд ли изменится в ближайшее время.

«Примером сочетания краевых и облачных вычислений являются функции автопилота Tesla. Система автопилота должна распознавать и реагировать на постоянно меняющиеся условия вождения. Она делает это с помощью алгоритмов машинного обучения, которые способны обнаруживать и избегать опасностей, в то время как Управление автомобилем. Хотя эти данные используются для принятия решений в режиме реального времени, они также передаются в облако и используются для улучшения функции автопилота для всех водителей », - пояснил Уильям Муглен, инженер-программист в PNNL.

Комбинированная игра «край и облако» распространена просто потому, что она работает; он использует лучшее из обоих миров, но это не единственная игра в городе. Фактически, 36 процентов периферийной аналитики расположены в корпоративном центре обработки данных, 34 процента - на периферии, а 29 процентов - в облаке, согласно отчету «Компьютеры на грани: основные моменты опроса», отчет Боба О'Доннелла, президента и главный аналитик в TECHnalysis Research. Это означает, что существуют варианты того, как реализована аналитика ребер. Выбор полностью зависит от того, что вы пытаетесь сделать, и условий, при которых вы пытаетесь достичь этой цели.

«Компромисс между вычислительной мощностью и потреблением энергии может быть ограничивающим фактором, когда устройства работают от батареи. В случаях, когда энергопотребление важно, решения могут приниматься на основе небольших выборок данных, несмотря на доступ к непрерывным показаниям датчиков», - сказал он. МНЕГЛЕЙН ПННЛ.

«Пограничные вычисления обеспечивают обратную связь для устройств в полевых условиях, где связь не гарантируется, является односторонней или ограниченной», - продолжил Мёглейн. «В тех случаях, когда ожидается, что системы будут работать в течение многих лет или десятилетий от батарей, можно использовать новейшие вычисления, чтобы продлить срок службы устройства за счет сокращения передаваемых данных».

Вышеуказанные графические изображения в тумане перепечатаны с разрешения Cisco Systems, Inc.

Удаление тумана с краевого облака

Вскоре последовала автоматизация для управления и оптимизации того, где и как проводится аналитика, что привело к концепции «туманных вычислений», термина, который придумал поставщик ИТ и сетевых технологий Cisco Systems. В этой стратегии, как поясняет Cisco в официальном документе, «разработчики либо переносят, либо пишут приложения IoT для узлов тумана на границе сети. Узлы тумана, расположенные ближе всего к краю сети, получают данные от устройств IoT. Затем - и это крайне важно - Приложение IoT для тумана направляет различные типы данных в оптимальное место для анализа ». Как показано на рисунке выше, по мнению Cisco, туманные вычисления расширяют облако ближе к фактическим устройствам, выполняющим сбор данных. Размещая узлы тумана в непосредственной близости от устройств IoT, Cisco стремится ускорить аналитику при уменьшении задержки.

Некоторые говорят, что легче думать об этом как о облачных вычислениях, выдвинутых на край - децентрализованно, другими словами, - в отличие от пограничных вычислений, которые вычисляют на границе сети, часто фактически на устройстве IoT. Разница очень нюансированная, чтобы быть уверенным.

Часто люди используют «граничные вычисления» и «туманные вычисления» взаимозаменяемо, поскольку эти два понятия очень похожи. Это способность туманных вычислений сортировать и направлять данные в различные места для анализа, которые выделяют их. Это, и вычисления тумана чаще всего "ближний край" (т. Е. Шлюз), а не на самом краю, как на устройстве IoT.

Короче говоря, нет единого мнения о том, что же такое именно периферийные вычисления, но многие люди, которые говорят, что решение проблемы не помогает никому. Согласно вышеупомянутому отчету TECHnalysis Research, «все больше людей считают, что современные вычисления состоят из конечных точек (29, 8 процента), чем шлюзов (13, 2 процента), но 44 процента считают, что это оба».

В любом случае, «приложение для конечного использования в конечном итоге определяет потребности системы и стремится найти баланс между преимуществами обработки на границе или в облаке», - сказал Vee Cree из PNNL.

Здесь есть только одно практическое правило: если вам необходимо принять решение в режиме реального времени или в режиме реального времени, то выполняйте обработку как можно ближе к источнику данных. Пограничные вычисления - это выбор, позволяющий устранить задержки, снизить затраты энергии и уменьшить сетевой трафик.

API, приложения и экосистемы

В общем, приложения, используемые в сочетании с периферийными вычислениями, нацелены на достижение скорости и эффективности. Здесь вы с меньшей вероятностью найдете автономные приложения бизнес-аналитики (BI), а скорее встроенные функции BI и, разумеется, интерфейсы прикладного программирования (API) для присоединения данных IoT к существующим приложениям и инфраструктурам BI в облаке.

«Концепция периферийных вычислений помогает компаниям использовать преимущества облачных вычислений даже в тех случаях, когда возникают проблемы с задержкой и возможностью подключения. Некоторые приложения имеют дело с размером данных или требованиями к скорости, которые запрещают циклический переход в облако, а в таких случаях - с таблицей аналитика, встроенная в локальные приложения, позволяет быстро понять, - сказал Марк Джеветт, вице-президент по маркетингу продуктов в Tableau Software.

«В других случаях периферийные вычисления предлагают способ иметь дело со сценариями, в которых подключение не является надежным, дорогостоящим или периодическим. Примеры, такие как движущиеся объекты, такие как корабли, удаленные объекты, такие как нефтяные платформы или шахты, или даже ситуации там, где подключение хорошее, но не стоит рисковать перебоями, такими как производственные системы, где простои очень дорогие. Аналитики и другие пользователи на местах, которые могут не иметь доступа к полноценной рабочей станции, по-прежнему хотят иметь ту же мощь аналитики, что и им. узнал ".

Tableau - не единственный поставщик BI, работающий с данными или на грани. В качестве примера исследования Microsoft указала на Schneider Electric, одного из своих клиентов. По словам представителя Microsoft, у Schneider Electric есть передовое приложение, которое выполняет профилактическое обслуживание нефтяной штанги с использованием машинного обучения Azure и Azure IoT Edge для повышения безопасности и сокращения инцидентов в отдаленных районах. Обработка данных выполняется на устройстве. Это достигается путем переноса облачного интеллекта - моделей ML, которые они обучали в облаке, - на само периферийное устройство. Это позволяет быстрее обнаруживать аномалии на основе большого набора обучающих данных.

Между тем, IBM Watson сообщает о множестве вариантов использования, включая аналитику окружения и голоса и разговоров на устройствах, анализ изображений дронов и видео, а также техобслуживание и акустическую аналитику безопасности.

«Во всех этих случаях периферийная аналитика позволяет повысить производительность, стоимость и конфиденциальность благодаря локальной работе на устройствах», - говорит Брет Гринштейн, вице-президент IBM Watson IoT, Consumer Offerings. «Рост впечатляет, так как вычислительные мощности на грани растут, а ML созревает и создает более специализированные сценарии использования.

«Устройства могут« понимать »то, что они видят и слышат, и использовать это понимание для обеспечения лучшего обслуживания и принятия более правильных решений. Это происходит в режиме реального времени. А поскольку фактические данные могут быть преобразованы в аналитические данные на пограничном устройстве, вы не можете отправлять данные в облако, что повышает стоимость и позволяет использовать новые формы защиты конфиденциальности ».

Добавление новых уровней защиты конфиденциальности потенциально может значительно снизить обязательства компании, но при этом предоставлять компании данные, необходимые для процветания.

Приложения Edge Computing по номерам

Принимая во внимание тот факт, что периферийные вычисления находятся в зачаточном состоянии, неудивительно, что только небольшое количество приложений периферийных вычислений являются новыми (39 процентов), по данным TECHnalysis Research. Большинство (61%) - это перенесенные облачные приложения. Тем не менее, следующие самые передовые вычислительные приложения:

Операционная аналитика (44 процента)

Мониторинг процесса (35 процентов)

Мониторинг сотрудников (32 процента)

Удаленный мониторинг активов (28 процентов)

Соответствие требованиям безопасности на рабочем месте (24 процента)

Прогнозирующее обслуживание (22 процента)

Отслеживание физических активов на месте (20 процентов)

Согласно тому же отчету TECHnalysis Research, пять главных причин перехода облачных приложений на периферию - это повышение безопасности, снижение затрат, снижение задержек, улучшение локального контроля и уменьшение сетевого трафика.

Через призму BI эффективность и возможности улучшаются с помощью современных вычислений. Следовательно, имеет смысл сначала перенести облачные приложения или внедрить аналитику в существующие приложения IoT, которые помогут вам быстрее всего занять лучшую позицию. Например, вместо того, чтобы передавать и анализировать все данные из робототехнического подразделения на заводском цехе, вы можете выбросить из строя флотационную камеру, которая представляет собой бесконечный объем повторяющейся информации, генерируемой датчиком.

Вместо этого, граничные вычисления могут использоваться для записи и анализа только «данных об изменениях», то есть данных, которые каким-то образом отличаются от других потоков данных из того же источника. Например, представьте ветряную мельницу в полярном круге, которая сообщает: «Я в порядке. Я в порядке. Я в порядке. Лезвие застряло на две секунды. Я в порядке. Я в порядке. Я в порядке». Немного о залипании лезвия будут данные изменения. То же самое можно сказать и о «сдвиге ветра», который мог бы заставить машину вращаться и собирать больше энергии. Данные об изменениях - это точки данных, которые имеют наибольшее значение именно потому, что они отмечают изменение.

В таких случаях приложения на периферии работают только с соответствующими данными; некоторые назвали бы это «умными данными». Зачем кипятить море, когда важные детали можно легко увидеть? Приложения для интеллектуальных данных позволяют использовать данные в точке сбора, а также могут решать, какие данные отправлять в облако для дальнейшего смешивания и анализа в традиционных приложениях BI. Таким образом, интеллектуальный анализ данных оптимизирован для максимального бизнес-эффекта.

4 совета для вашей бизнес-стратегии и стратегии Edge Computing

Относительно легко подключиться к тенденциям современных вычислений и начать с миграции приложений из облака. Но начать действовать без стратегии было бы серьезной ошибкой. Помните первые дни IoT, когда случайные вещи, такие как тостеры, были быстро подключены к Интернету и затем гордо отображались на следующей выставке CES?

Даже умные данные не могут помочь вам, если ваша стратегия бессмысленна или отсутствует. Итак, вот четыре соображения, которые следует учитывать при формировании вашей бизнес-стратегии и пограничной стратегии.

1. Пересмотрите свою текущую игру IoT для дополнительных возможностей интеллектуального анализа данных. Например, бакалейщик или производитель может захотеть использовать данные из своей цепочки поставок, такие как датчики охлаждения и грузоперевозок, для установления или проверки источника сырья. Такая информация, добавленная в блокчейн устойчивости, может быть использована в маркетинге для привлечения экологически сознательных потребителей.

Ритейлер может использовать компьютерное зрение и периферийные вычисления в своем магазине, чтобы сканировать покупателей, чтобы на месте отобразить трехмерное представление о том, как одежда, на которую смотрит покупатель, действительно подойдет им. Это может улучшить продажи, а также устранить необходимость в гардеробных комнатах и ​​связанные с этим проблемы безопасности и конфиденциальности. Но данные также могут быть отправлены в облако для смешивания с другими данными потребителей, чтобы проинформировать о более масштабной стратегии компании.

Ищите возможности получить больше от Интернета вещей, который у вас есть. Что еще вы можете сделать с данными, которые он генерирует? Какие еще данные вы можете использовать для сбора и обработки?

2. Решите, какие приложения вам нужны по краю. Вам может понадобиться перенести приложение, добавить аналитику или даже написать собственное приложение; все зависит от того, что вы пытаетесь сделать. Пусть ваши бизнес-цели помогут вам в выборе приложений.

Хорошее место, чтобы узнать больше о разработке приложений для края - конференция OpenDev, организованная Фондом OpenStack. OpenStack - это проект облачных вычислений с открытым исходным кодом, и так уж вышло, что краевые вычисления - это горячая тема. Бывает и так, что с открытым исходным кодом горячо в пограничных вычислениях, как это почти во всех вычислениях. Вы также можете рассмотреть приложения, предлагаемые поставщиками периферийных вычислений, и встроенную аналитику, предоставляемую поставщиками приложений BI.

3. Выберите новую технологию, которую вы хотите использовать. Вы можете попросить поставщиков предоставить вам демонстрационную версию, чтобы вы могли понять, какую технологию вы хотите использовать, какие приложения доступны, и некоторые рекомендации по разработке приложений для нее. Например, Amazon Web Service (AWS) и AWS Greengrass, Microsoft Azure IoT Edge, а также Cisco и IBM Watson IoT предлагают сочетание технологий, а также аналитики и приложений для пограничных вычислений IoT.

Вы также можете ознакомиться с широким спектром блокчейнов, CDN, одноранговых и других поставщиков чистой игры. Но не забывайте о технических гигантах, таких как Dell Inc., IBM Corp. и Hewlett Packard Enterprise (HPE), которые все взяли на себя обязательство добавить дополнительные возможности хранения, вычислений и аналитики в свое оборудование, чтобы превратить их в периферийные устройства.

Узнайте о своих возможностях, прежде чем приступить к серьезной оценке поставщиков. Кроме того, проведите инвентаризацию типов IoT-технологий, которые ваша компания использует в настоящее время, и типов, которые она хотела бы добавить, прежде чем начинать разговор с поставщиками. Таким образом, вы, скорее всего, останетесь на правильном пути.

4. План развития. На пути к зрелости есть модель, которой следуют все незрелые технологии и тенденции. Ожидайте, что та же самая эволюция произойдет с BI и преимуществом. Так что, да, скорее всего, произойдет консолидация вендоров какой-то точки; имейте это в виду.

Также обратите внимание на разделение облачных технологий и самого облака, чтобы их также можно было использовать на самом краю. Вы захотите увидеть такое разделение, поскольку это даст вам максимальную гибкость в использовании облака или края. Это, вероятно, приведет к снижению затрат и повышению эффективности за счет более интеллектуальных приложений из разнообразной экосистемы, а не от одного поставщика. Составьте свой план как на краткосрочную, так и долгосрочную перспективу, чтобы обеспечить возможность адаптации к предсказуемым изменениям без значительных потерь в предыдущих инвестициях.