پردازش لبه چیست؟

پردازش لبه (Edge Computing) یک چارچوب محاسبات توزیع‌شده است که برنامه‌های سازمانی را به منابع داده مانند دستگاه‌های اینترنت اشیاء (IoT) یا سرورهای لبه محلی نزدیک‌تر می‌کند. این نزدیکی به داده‌ها می‌تواند مزایای تجاری قابل توجهی ارائه دهد، از جمله اطلاعات سریع‌تر، بهبود زمان پاسخ و بهره‌برداری بهتر از پهنای باند.

رشد انفجاری و افزایش قدرت محاسباتی دستگاه‌های IoT منجر به تولید حجم بی‌سابقه‌ای از داده‌ها شده است. ارسال تمام داده‌های تولید شده توسط دستگاه‌ها به یک مرکزداده مرکزی یا به ابر، باعث بروز مشکلات پهنای باند و تأخیر می‌شود. پردازش لبه یک جایگزین کارآمد با پردازش و تحلیل داده‌ها نزدیک به نقطه‌ای که ایجاد شده‌اند؛ و کاهش تأخیر و امکان تحلیل سریع‌تر و جامع‌تر داده‌ها را ارائه می‌دهد .

پردازش لبه از توانایی محاسباتی رو به رشد در دستگاه‌ها استفاده می‌کند تا اطلاعات عمیق و تحلیل‌های پیش‌بینی‌کننده را در زمان نزدیک به واقعی فراهم کند. این قابلیت تحلیل پیشرفته در دستگاه‌های لبه می‌تواند نوآوری را تقویت و کیفیت را بهبود بخشیده و ارزش را افزایش دهد. همچنین سوالات استراتژیک مهمی را در مورد مدیریت امور و استفاده از هوش تعبیه‌شده در دستگاه‌ها برای تأثیرگذاری بر فرآیندهای عملیاتی مطرح می‌کند.

پردازش لبه با انتقال بخشی از منابع ذخیره‌سازی و محاسبات از مرکزداده مرکزی به محلی نزدیک‌تر به منبع داده، در حال تغییر شکل فناوری اطلاعات و محاسبات تجاری است. این رویکرد به کاهش محدودیت‌ پهنای باند، مشکلات تأخیر و اختلالات غیرقابل پیش‌بینی شبکه کمک می‌کند. پردازش لبه در صنایع مختلفی از جمله خرده‌فروشی، تولید، کشاورزی، بهینه‌سازی شبکه، ایمنی محیط کار، مراقبت‌های بهداشتی و حمل‌ونقل برای تحلیل داده‌ها و ارائه اطلاعات مفید و قابل اقدام در زمان واقعی استفاده می‌شود.

وظایف محاسباتی به یک معماری مؤثر نیاز دارند. برخی معماری‌ها ممکن است برای یک نوع خاص از وظیفه محاسباتی به خوبی کار کنند، اما برای دیگری نه. پردازش لبه به عنوان یک معماری مهم پدید آمده که محاسبات و منابع ذخیره‌سازی را بسیار نزدیک به منابع داده توزیع می‌کند (ترجیحاً در همان مکان فیزیکی).

مدل محاسبات پردازش لبه جدید نیست و مفاهیم دفاتر از راه دور، دفاتر شعبه، میزبانی در مراکز داده و رایانش ابری از مدت‌ها پیش وجود داشته‌اند. با این حال، توزیع و تمرکززدایی می‌تواند دشوار باشد و نیاز به سطح بالایی از نظارت و کنترل دارد. این مسئله اغلب در هنگام دور شدن از مدل‌های سنتی محاسبات متمرکز نادیده گرفته می‌شود.

اهمیت پردازش لبه هر روز در حال افزایش است، زیرا راه‌حل‌های مؤثری برای چالش‌های جدید شبکه که با حجم عظیمی از داده‌های تولید شده و مصرف شده مرتبط است، ارائه می‌دهد. پردازش لبه نه تنها می‌تواند هزینه‌ها را کاهش دهد، بلکه در زمان نیز صرفه‌جویی می‌کند. برنامه‌ها به طور فزاینده‌ای به پردازش و پاسخگویی حساس به زمان متکی هستند، که این امر در معماری‌های پردازش لبه بسیار آسان‌تر قابل دستیابی است.

وسایل نقلیه خودران باید داده‌ها را به صورت لحظه‌ای تحلیل کنند تا به طور قابل اعتماد و ایمن عمل کنند. با این حال، تحلیل لحظه‌ای در ابر نیازمند انتقال حجم عظیمی از داده‌ها (به طور تخمینی ترابایت‌ها) است که توسط وسیله نقلیه تولید می‌شود، که اغلب منجر به تأخیر یا قطع اتصال از شبکه می‌شود.

در حالی که فناوری ۵G می‌تواند ظرفیت بیشتری نسبت به ۴G مدیریت کند، نمی‌تواند ترابایت‌های داده را با سرعت مورد نیاز برای اطمینان از رانندگی ایمن خودران به ابر منتقل کند. قدرت محاسباتی داخلی و مراکز داده لبه می‌توانند از پردازش حیاتی برای ارتباطات وسیله به وسیله، ادغام با شهرهای هوشمند و ناوبری پشتیبانی کنند.

مورد استفاده واقعی:

نمونه‌ای از پردازش لبه در وسایل نقلیه خودران، سیستم Autopilot تسلا است. این سیستم از دوربین‌ها، حسگرهای اولتراسونیک و رادارها برای جمع‌آوری داده‌ها و تصمیم‌گیری درباره نحوه ناوبری وسیله نقلیه در جاده استفاده می‌کند. داده‌ها به جای ارسال به یک مرکز داده مرکزی، توسط کامپیوترهای داخلی در وسیله نقلیه پردازش می‌شوند. این امر به وسیله نقلیه اجازه می‌دهد تا در لحظه به محیط اطراف خود پاسخ دهد و در نتیجه دقت و سرعت تصمیم‌گیری آن را بهبود می‌بخشد.

ارائه‌دهندگان خدمات بهداشتی، مقادیر عظیمی از داده‌ها را از منابع مختلف مانند دستگاه‌های پزشکی در مطب‌های پزشکان، بیمارستان‌ها و همچنین دستگاه‌های پوشیدنی، پردازش و ذخیره می‌کنند. تا چندی پیش، ارائه‌دهندگان خدمات بهداشتی همه این داده‌ها را به سرورهای مرکزی برای ذخیره‌سازی و تحلیل منتقل می‌کردند که منجر به ازدحام پهنای باند و هزینه‌های بالای ذخیره‌سازی می‌شد.

اما امروزه دستگاه‌های لبه می‌توانند داده‌ها را به صورت محلی بلعیده و تحلیل کنند تا داده‌هایی را که می‌توان دور ریخت، نگه داشت یا نیاز به اقدام فوری دارند، شناسایی کنند. همچنین از ارائه مراقبت‌های پزشکی مانند جراحی‌های رباتیک پشتیبانی می‌کند.

مورد استفاده واقعی:

نمونه‌ای از یک محصول پردازش لبه برای بهداشت و درمان، سیستم مشاوره تصمیم‌گیری بالینی GE Healthcare (CDSS) است. این سیستم یک راه‌حل قابل حمل و مبتنی بر لبه است که پشتیبانی تصمیم‌گیری بالینی را در زمان واقعی به پزشکان و کارمندان بخش خدمات بهداشتی در محل مراقبت ارائه می‌دهد. CDSS با دستگاه‌های پزشکی مختلف و سوابق بهداشتی الکترونیکی ادغام می‌شود و با استفاده از الگوریتم‌ها و یادگیری ماشین، اطلاعات و توصیه‌های قابل اجرا را به کادر درمان ارائه می‌دهد.

کارخانه‌های تولیدی می‌توانند میلیون‌ها دستگاه متصل را به کار گیرند که داده‌ها را در مورد عملکرد تجهیزات، محصولات نهایی و خطوط تولید جمع‌آوری و تولید می‌کنند. داده‌های صنعتی IoT (اینترنت اشیاء) معمولاً در سرورهای مرکزی مدیریت می‌شوند و نیاز به انتقال داده‌های بزرگ به سرورهای مرکزی در محل یا در ابر دارند، که منجر به هزینه‌های بالایی می‌شود.

چندین راه وجود دارد که پردازش لبه به حمایت از تولید و فرآیندهای صنعتی کمک می‌کند:

• ارائه قدرت پردازش محلی، انتقال داده‌های تجمیعی به سیستم‌های مرکزی یا اجرای اقدامات از پیش تعیین‌شده در نقطه انتهایی با سرعت مورد نیاز برای حمایت از عملیات صنعتی و تولیدی.
• پشتیبانی از نگهداری پیش‌بینی‌شده، بهره‌وری انرژی، تولید سفارشی، عملیات هوشمند و تولید هوشمند.
• کمک به نظارت، مدیریت و تحلیل مصرف انرژی در کارخانه‌ها، دفاتر و کارگاه‌ها.

مورد استفاده واقعی:

نمونه‌ای از این مورد، کنترلر Rockwell Automation Edge CompactLogix 5370 L3 است. این دستگاه یک کنترلر اتوماسیون برنامه‌ریزی‌شده است که کنترل و مدیریت داده‌های واقعی را برای فرآیندهای تولید فراهم می‌کند. این دستگاه وظایفی مانند کنترل حرکت، جمع‌آوری داده‌ها و کنترل فرآیند را در لبه شبکه انجام می‌دهد.

پردازش لبه به خدمات استریمینگ و تحویل محتوا کمک می‌کند تا با کمترین تأخیر عمل کنند و تجربه کاربری مثبتی را برای قابلیت‌های موجود و نوظهور مانند جستجو، تجربه‌های شخصی‌سازی‌شده، قابلیت‌های تعاملی و پیشنهادات محتوا فراهم کند. این تکنولوژی به تحویل رویدادهای زنده و محتواهای منطقه‌ای و اصلی با یک تجربه کاربری یکپارچه کمک می‌کند.

مورد استفاده واقعی:

پلتفرم Akamai Edge یک سرویس ابری است که شبکه جهانی از سرورها برای تحویل و تسریع محتوا فراهم می‌کند. این پلتفرم از پردازش لبه برای نزدیک‌تر کردن محاسبات و ذخیره‌سازی به کاربران استفاده می‌کند، کاهش تأخیر، بهبود عملکرد و قابلیت اطمینان، و کاهش بار ترافیک از مراکز داده مرکزی.

پردازش لبه به کاهش استفاده از پهنای باند و منابع سرور کمک می‌کند. پهنای باند و منابع ابری محدود و گران هستند. بر اساس آمار Statista، تا سال ۲۰۲۵ بیش از ۷۵ میلیارد دستگاه IoT در سراسر جهان نصب خواهند شد. پشتیبانی از همه این دستگاه‌ها نیازمند انتقال مقدار زیادی از محاسبات به لبه است.

یکی از بزرگ‌ترین مزایای انتقال فرآیندها به لبه، کاهش تأخیر است. هر بار که یک دستگاه نیاز به ارتباط با سرور راه دور دارد، یک تأخیر رخ می‌دهد. با جلوگیری از نیاز به ارتباط با سرور راه دور، پردازش لبه به تأخیر بسیار کمتری دست می‌یابد.

پردازش لبه همچنین می‌تواند قابلیت‌های جدیدی که قبلاً در دسترس نبودند را فراهم کند. به عنوان مثال، کسب‌وکارها می‌توانند از پردازش لبه برای پردازش و تحلیل داده‌ها در لبه استفاده کنند تا پردازش در زمان واقعی را ممکن سازند.

از معایب پردازش لبه می‌توان به ایجاد مسیرهای جدید حمله اشاره کرد. ترکیب دستگاه‌های IoT با کامپیوترهای جاسازی‌شده و تنوع روزافزون دستگاه‌های هوشمند، مانند سرورهای لبه، فرصت‌های جدیدی برای مهاجمان مخرب و هکرها فراهم می‌کند تا این دستگاه‌ها را به خطر بیاندازند.

یکی دیگر از معایب این است که پردازش لبه نیاز به سخت‌افزار محلی پیچیده‌تر و گران‌تری دارد. به عنوان مثال، دوربین‌های IoT نیاز به یک کامپیوتر داخلی برای ارسال داده‌های ویدیویی خام به یک سرور وب دارند، اما نیاز به یک کامپیوتر پیچیده‌تر با قدرت پردازش بیشتر برای اجرای الگوریتم‌های تشخیص حرکت خود دارند.

اینترنت اشیا به فرآیند اتصال اشیای فیزیکی به اینترنت اشاره دارد. IoT به یک دستگاه فیزیکی یا سیستم سخت‌افزاری اشاره دارد که داده‌ها را بدون دخالت انسان از طریق یک شبکه ارسال و دریافت می‌کند . یک سیستم معمولی IoT با ارسال، دریافت و تحلیل مداوم داده‌ها در یک حلقه بازخورد کار می‌کند. تحلیل‌ها می‌توانند توسط انسان‌ها یا الگوریتم‌های هوش مصنوعی و یادگیری ماشین (AI/ML) در زمان نزدیک به واقعی یا به صورت دسته‌ای در یک دوره زمانی طولانی انجام شوند.

پردازش لبه در محدوده مکان فیزیکی کاربران یا منابع داده انجام می‌شود. با قرار دادن خدمات محاسباتی نزدیک‌تر به این مکان‌ها، کاربران می‌توانند از خدمات سریع‌تر، قابل اعتمادتر و تجربیات کاربری بهتر برخوردار شوند و کسب‌وکارها می‌توانند بهتر از برنامه‌های حساس به تأخیر پشتیبانی کنند تا بتوانند محصولات و خدمات بهتری ارائه دهند.

در زمینه IoT، پردازش لبه می‌تواند قدرت محاسباتی را نزدیک‌ترین مکان به جایی که دستگاه فیزیکی یا منبع داده قرار دارد، منتقل کند. برای اینکه دستگاه‌های IoT بتوانند سریع‌تر پاسخ دهند و مشکلات را کاهش دهند، تحلیل‌ها باید در لبه انجام شوند، نه اینکه برای تحلیل به یک سایت مرکزی بازگردند.

هوش مصنوعی لبه ترکیبی از پردازش لبه و هوش مصنوعی (AI) است. این مفهوم شامل اجرای الگوریتم‌های AI بر روی دستگاه‌های محلی با قابلیت‌های پردازش لبه می‌باشد. هوش مصنوعی لبه نیاز به اتصال و یکپارچگی بین سیستم‌ها ندارد و به کاربران اجازه می‌دهد داده‌ها را در زمان واقعی بر روی دستگاه‌های خود پردازش کنند.

اکثر فرآیندهای AI امروز بر روی هاب‌های مبتنی بر ابر اجرا می‌شوند، زیرا نیاز به قدرت محاسباتی زیادی دارند. نقطه ضعف این است که مشکلات شبکه می‌توانند باعث توقف خدمات یا کند شدن خدمات AI شوند. هوش مصنوعی لبه این چالش‌ها را با تبدیل پردازش AI به بخشی از دستگاه‌های پردازش لبه برطرف می‌کند. این کار زمان را صرفه‌جویی می‌کند، داده‌ها را تجمیع می‌کند و به کاربران خدمات می‌دهد بدون اینکه نیاز به ارتباط با مکان‌های فیزیکی دیگر باشد.

معماری پردازش لبه شامل یک اکوسیستم از اجزای زیرساخت توزیع‌شده است که از یک مرکز داده شرکتی یا مکان سرور مرکزی و مکان‌های متعدد لبه تشکیل شده است. این اکوسیستم شامل تجهیزات محاسباتی و ذخیره‌سازی، برنامه‌ها، دستگاه‌ها، حسگرها و اتصال شبکه به یک مرکزداده مرکزی یا ابر می‌شود.

دستگاه‌ها و حسگرها جایی هستند که اطلاعات جمع‌آوری و پردازش می‌شوند. پهنای باند، حافظه، قدرت پردازش و منابع محاسباتی کافی برای جمع‌آوری، پردازش و پردازش داده‌ها در زمان واقعی بدون کمک بقیه شبکه وجود دارند. نوعی از اتصال به شبکه امکان ارتباط بین دستگاه و پایگاه داده از یک مکان مرکزی را فراهم می‌کند.

یک سرور لبه یا مرکز داده کوچک‌تر در محل می‌تواند به راحتی به یک مکان راه دور کوچک‌تر منتقل و مقیاس‌دهی شود. انعطاف‌پذیری و مقیاس‌پذیری به عنوان نیازهای شرکت شما تکامل می‌یابند، حیاتی هستند. گزینه‌های توپولوژی انعطاف‌پذیر می‌توانند نیازهای محیطی کوچک‌تر یا متغیر، از جمله اتصالات شبکه متناوب را بپذیرند.

پردازش ابری به کسب‌وکارها اجازه می‌دهد داده‌ها را بر روی سرورهای راه دور که از طریق اینترنت قابل دسترسی است، ذخیره، پردازش و دستکاری کنند. ارائه‌دهندگان تجاری پردازش ابری مجموعه‌ای از پلتفرم‌ها و خدمات محاسباتی دیجیتال ارائه می‌دهند که کسب‌وکارها می‌توانند برای کاهش یا حذف زیرساخت IT فیزیکی خود و هزینه‌های مرتبط استفاده کنند. پردازش ابری همچنین به سازمان‌ها اجازه می‌دهد قابلیت‌های کار از راه دور امن را به کارکنان خود ارائه دهند و به راحتی داده‌ها و برنامه‌ها را مقیاس‌دهی کنند.

پردازش لبه به جمع‌آوری، پردازش و تحلیل داده‌ها در “لبه” ، از دورترین نقاط شبکه سازمان کمک می‌کند. این به سازمان‌ها اجازه می‌دهد داده‌ها را در زمان نزدیک به واقعی پردازش کنند. ممکن است نیازی به ارتباط با یک مرکز داده اصلی نباشد؛ و اگر هم باشد، فقط مرتبط‌ ترین داده‌ها می‌توانند به مرکز داده اصلی ارسال شوند. این امر می‌تواند به کاهش تأخیر کلی و هزینه‌های شبکه کمک کند.

پردازش مه زمانی که داده‌های لبه به دلیل محدودیت‌های محاسبات دستگاه لبه قابل پردازش نباشند، اجازه می‌دهد داده‌ها به طور موقت در لایه محاسباتی بین ابر و لبه ذخیره و تحلیل شوند. پردازش مه می‌تواند داده‌های مرتبط را به سرورهای ابری برای ذخیره‌سازی بلندمدت و تحلیل آینده ارسال کند. رایانش مه به کسب‌وکارها اجازه می‌دهد بار سرورهای ابری را کاهش دهند و با ارسال فقط برخی از داده‌های دستگاه لبه به مرکز داده مرکزی برای پردازش، بهره‌وری IT را بهینه کنند.

لازم به ذکر است که پردازش لبه وابسته به رایانش مه نیست. رایانش مه یک گزینه اضافی است که به کسب‌وکارها کمک می‌کند سرعت، عملکرد و بهره‌وری بیشتری در برخی از سناریوهای پردازش لبه بدست آورند.

تعیین مالکیت واضح (Assign Clear Ownership)

قبل از شروع یک پروژه پردازش لبه، مهم است که اطمینان حاصل کنید که با هر ذی‌نفع درگیر و هدف نهایی هماهنگ است. پردازش لبه فناوری اطلاعات (information technology) را برای مدیریت فناوری پردازش اطلاعات، مستقر می‌کند. سپس فناوری ارتباطات (communication technology) وجود دارد که مسئول پردازش و انتقال اطلاعات است.

در نهایت، شما نیاز به فناوری عملیاتی (operational technology) دارید تا سخت‌افزار و نرم‌افزار را در نقاط انتهایی مشتری، مدیریت و نظارت کند. چالش در اینجا تسهیل همکاری و هماهنگی بین این سه حوزه است. در هم شکستن سیلوها در این مواقع مهم است تا همکاری بین همه عناصر یک برنامه پردازش لبه تسهیل شود.

استقرار لبه به عنوان افزونه ای از ابر (Deploy Edge as an Extension to Cloud)

بر خلاف باور عمومی، لبه و ابر رقیب نیستند. بلکه لبه می‌تواند به عنوان مکملی برای ابر مستقر شود. پردازش لبه می‌تواند تلاش‌های تحول دیجیتال سازمان‌ها را در کنار ابر، تقویت کند.

در بیشتر موارد، اجرای پردازش لبه به تنهایی ایده‌آل نیست. با اجرای همزمان لبه و ابر، می‌توانید امور کسب‌وکار خود را به طور بهینه سازماندهی کنید. ترکیب پردازش لبه با ابر می‌تواند نتایج مثبتی به همراه داشته باشد، به ویژه در تحول دیجیتال در مقیاس بزرگ.

پرداختن به نگرانی‌های امنیتی (Address Security Concerns)

در کار با لبه، باید توجه ویژه‌ای به امنیت شود. کسب‌وکارها باید سیاست‌های امنیتی در لبه را همانند کل چشم‌انداز IT (فناوری اطلاعات) خود، یکپارچه کنند. ایجاد شیوه‌های امنیتی سازمانی کافی نیست و نمی‌توانید به راه‌حل‌های مدیریت پچ (patch management)، زمانی که اشکالات کشف می‌شوند، تکیه کنید.

یک استراتژی هوشمند کمک می‌کند تا محیط لبه امن گردد. هنگام در نظر گرفتن امنیت پردازش لبه، شما نیاز به همان سطح امنیت و دید خدماتی دارید که در یک مرکزداده اصلی وجود دارد. با پذیرش بهترین شیوه‌های امنیتی مانند احراز هویت چند عاملی (MFA)، ضد بدافزار، حفاظت از نقاط انتهایی و آموزش کاربران نهایی شروع کنید.

در نظر گرفتن توافقنامه‌های سطح خدمات، رعایت مقررات و پشتیبانی (Consider Service Level Agreements, Compliance, and Support)

مهم است که توافقنامه‌های سطح خدمات (SLA) و رعایت مقررات را از پیش بررسی کنید. در دنیای کسب‌وکار پرسرعت امروز، کندی یا توقف خدمات می‌تواند برای یک کسب‌وکار زیان‌بار باشد. تمام داده‌ها و اطلاعات جمع‌آوری‌شده باید از دسترسی افراد مخرب محافظت شوند.

بنابراین، مهم است که همه چیز را از نگهداری تا انعطاف پذیری، امنیت، مقیاس‌پذیری و پایداری در نظر بگیرید. به علاوه، محیط پردازش لبه باید به اندازه کافی قوی باشد تا تغییرات فناوری را تحمل کند و به اندازه کافی ساده باشد تا با گذشت زمان به‌روزرسانی شود.

هوش مصنوعی لبه با Run:AI

پلتفرم Kubernetes، که برنامه‌ریز Run:AI بر اساس آن بنا شده است، یک نسخه سبک به نام K3s دارد که برای محیط‌های محاسباتی با منابع محدود مانند هوش مصنوعی لبه طراحی شده است. Run:AI مدیریت منابع و تنظیم بار کاری برای زیرساخت‌های یادگیری ماشین را خودکار و بهینه می‌کند. با Run:AI، می‌توانید بار کاری بیشتری را بر روی سرورهای با منابع محدود خود اجرا کنید.

در اینجا برخی از قابلیت‌هایی که با استفاده از Run:AI به دست می‌آید آورده شده است:

دید پیشرفته: ایجاد یک خط لوله کارآمد برای اشتراک منابع با تجمیع منابع محاسباتی GPU.

دیگر هیچ گلوگاهی وجود ندارد: می‌توانید بار کاری را بر روی بخش‌هایی از GPU اجرا کنید و اولویت‌بندی‌ها را به طور کارآمدتری مدیریت کنید.

سطح بالاتری از کنترل: Run:AI به شما امکان می‌دهد تخصیص منابع را به طور پویا تغییر دهید و اطمینان حاصل کنید که هر کار در هر زمان، منابع مورد نیاز خود را دریافت می‌کند.

Run:AI زیرساخت‌های یادگیری ماشین را ساده می‌کند و به دانشمندان داده کمک می‌کند تا بهره‌وری و کیفیت مدل‌های یادگیری عمیق خود را تسریع کنند.