Довідник по використанню бі-додатків із обчислюванням по краю

Усі сьогодні говорять про обчислювальні технології, але мало хто розуміє, що це таке, тим більше, що з цим робити. Вкрай обчислювальний апарат означає обробку близько до джерела даних, або на датчику, або близько до шлюзу. Якщо ви хочете дізнатися, як ІТ найкраще керувати кращими обчисленнями як альтернативу, перегляньте "ІТ-потреби, щоб почати думати про 5G та обчислення хмарних обчислень", стовпець Wayne Rash, мого колеги та розробника PCMag IT Watch. Але для цілей цієї статті ми можемо почати з пояснення фірми IDC, що визначає крайові обчислення як "сітчасту мережу мікро-центрів обробки даних", яка має "площу менше 100 квадратних футів".

Як і у більшості нових термінів у технологічному просторі, "обчислення крайових даних" широко використовується і пов'язане з багатьма іншими технологіями мовлення, включаючи блокчейн, мережі доставки вмісту (CDN), обчислення в сітці, обчислення в мережі та обчислювальну мережу. однорангові обчислення. Загальне завдання, залежно від того, яка технологія застосовується разом з обчислюванням, - пришвидшити будь-який аналіз даних та пов'язані з цим дії, скорочуючи відстань між тим, де обробляються дані, і де кінцевим результатом цього результату буде мати вплив.

Що стосується того, щоб перетворити ваші важко виграні відомості про бізнес-аналітику (BI) на зрозумілі, це головне. Але хоча BI (особливо аналітика із низьким рівнем затримки) та обчислювальні технології, як здається, є збігом, зробленим у технічному небі, є багато, що потрібно подумати, перш ніж поєднувати ці два.

Аналітика на краю та потокова аналітика

Значення крайових обчислень для аналітики стає зрозумілим, як тільки ви зрозумієте, що немає іншого практичного способу перенести поточне цунамі з Інтернету речей (IoT) у хмару, не створюючи непереборної затримки та одного пробілу пробки в мережевому трафіку. Ця проблема затримки може виявитися фатальною у багатьох нових програмах аналітики, таких як автономне водіння. Переповнення даних перенесе вас від широкосмугового доступу до вузького місця за менший час, ніж потрібно, щоб сказати "Потік вгору, Скотті".

Так, поточну аналітику рекламували лише пару років тому як панацею, залежну від затримки, для отримання даних, прочитаних в реальному часі, на даних IoT. Але, хоча поточна аналітика все ще має багато плюсів, вона не змогла змінити фізику. Величезні передачі даних сповільнюються численними скачками маршрутизаторів, затримками пакетів віртуалізації, відхиленими з'єднаннями та іншими фізичними обмеженнями в мережі. Що стосується ІОТ у віддалених районах, то підключення до мережі взагалі є потужною пропозицією в будь-який день.

Не допомагає мати значення те, що всі ці проблеми збільшуються фізичною відстані між даними та обчислювальними процесами. З цих причин та інших, поточна аналітика має тенденцію знаходитися в «майже-реальному часі», а не в реальному часі. Ця затримка - як би не мала - це величезна проблема, якщо, скажімо, вам потрібні виходи вчасно, щоб автономна машина гальмувала і уникала зіткнення. Це ще більша проблема, якщо ви хочете, щоб усі машини на цьому шосе гальмували відразу.

Коротше кажучи, Star Trek та передавачі даних у реальному житті мають свої межі, і Скотті в ІТ не може нічого з цим зробити. Для мереж поточного дня просто занадто багато даних IoT, і обсяг все ще зростає із захоплюючою швидкістю. Великий процес тут: обчислювальна грань спричиняє приплив інформації через мережу та забезпечує швидший аналіз результатів.

Edge Cloud vs. Cloud

Оскільки ці центри мікро-даних можуть бути і часто є об'єднаними у спільних, комунікативних або взаємозалежних функціях, деякі люди люблять використовувати термін "крайова хмара".

Наприклад, у сучасних автомобілях є сотні вбудованих комп'ютерів, призначених для управління окремими системами, але також підключені один до одного, щоб системи могли спілкуватися між собою та адаптуватись за потребою. Іншими словами, вони окремо, спільно та активно використовують крайові обчислення для виконання різноманітних складних функцій.

"Вони не тільки реагують на спостережувані умови, але й навчаються та адаптуються з часом", - сказав науковець / інженер із вбудованих та бездротових систем Джоннатан Ві Ві, Інженер / Інженер з вбудованих та бездротових систем з Тихоокеанської національної лабораторії Міністерства енергетики США (PNNL). "Наприклад, сучасні системи вприскування палива будуть дотримуватися моделей руху автомобіля, щоб оптимізувати енергію та економію палива. Ці дані в режимі реального часу унеможливлять обробку в іншому місці, крім на межі".

Навіть при багатосистемній бортовій взаємозалежності термін "крайова хмара" схильний до мутного розуміння далі, оскільки це неточність.

"Якщо говорити про пристрої IoT, міркування майже протилежні хмарі", - сказала Ві Ві. "Пристрої IoT, як правило, мають обмежену потужність зберігання та обробки, потенційно переривають зв'язок із зовнішнім світом, і можуть живитись від акумулятора. Ключовим значенням у цих пристроях є їх здатність перетворювати наявні для них значення датчиків у значущі дані".

Графічні пристрої обчислювальних вершин перевидані з дозволу TECHnalysis Research.

Однак крайові та хмарні обчислення не є взаємовиключними. Дійсно, вони переплітаються в найуспішніших стратегіях передачі даних IoT. Це, швидше за все, не скоро зміниться.

"Приклад поєднання крайових та хмарних обчислень походить від функцій автопілоту Tesla. Система автопілоту повинна відчувати та реагувати на постійно мінливі умови водіння. Це робиться завдяки використанню алгоритмів машинного навчання, які здатні виявляти та уникати небезпек при цьому Контроль автомобіля. Хоча ці дані використовуються для прийняття рішень у режимі реального часу, вони також обмінюються з хмарою та використовуються для вдосконалення функції автопілоту для всіх водіїв ", - пояснив Вільям Моглен, інженер програмного забезпечення в PNNL.

Комбіновані гра з крайовими та хмарними звичними просто тому, що вона працює; він використовує найкращі з обох світів, але це не єдина гра в місті. Насправді, 36 відсотків крайової аналітики розташовані в корпоративному центрі обробки даних, 34 відсотків - на краю, а 29 відсотків - у хмарі, згідно з повідомленням “Computing on the Edge: Survey Highlights”, доповіддю президента Боба О’Доннелла. та головний аналітик із досліджень технології Technalysis. Це означає, що існують варіанти втілення крайової аналітики. Вибір повністю залежить від того, що ви намагаєтесь зробити, та умов, за яких ви намагаєтесь досягти цієї мети.

"Компроміс між обчислювальною потужністю та споживанням енергії може бути обмежуючим фактором, коли пристрої працюють від акумулятора. У випадках, коли споживання електроенергії важливе, рішення можуть прийматися на основі невеликих зразків даних, незважаючи на доступ до безперервного зчитування датчиків", - сказав Moeglein PNNL.

"Обчислення по краях забезпечує зворотний зв'язок для пристроїв у тій галузі, де комунікації не гарантовані, є односторонніми або обмеженими", - продовжував Меглейн. "У випадках, коли очікується, що системи працюватимуть на батареях роками чи десятиліттями, крайові обчислення можна використовувати для забезпечення тривалішого терміну служби пристрою за рахунок скорочення переданих даних."

Зображення вищевказаних туманів на графіку передруковано з дозволу Cisco Systems, Inc.

Розмивання крайового хмари

Незабаром слідує автоматизація управління та оптимізація того, де і як проводиться аналітика, що призводить до поняття "обчислення туманів", терміна, який ввів постачальник ІТ та мереж Cisco Systems. У цій стратегії, як пояснює Cisco у Білій книзі, "розробники або портують, або записують IoT-програми для туманних вузлів на межі мережі. Вузоли туману, найближчі до краю мережі, поглинають дані з пристроїв IoT. Тоді - і це важливо - додаток IoT туману спрямовує різні типи даних на оптимальне місце для аналізу ". Як зображено на графіці вище, на думку Cisco, обчислення туману розширює хмару ближче до фактичних пристроїв, що здійснюють збір даних. Розміщуючи вузли туману в безпосередній близькості від IoT-пристроїв, Cisco прагне прискорити аналітику, зменшуючи затримку.

Деякі кажуть, що простіше думати про це, як хмарні обчислення, висунуті на край - децентралізовані, іншими словами - на відміну від крайових обчислень, які обчислюються на межі мережі, часто насправді на пристрої IoT. Дуже важлива різниця.

Часто люди використовують «обчислення краю» та «обчислення туману» взаємозамінно, оскільки ці два поняття дуже схожі. Саме туманні обчислення здатні сортувати та спрямовувати дані до різних місць для аналізу, що виділяє їх. Це і туманне обчислення найчастіше "біля краю" (тобто шлюзу), а не по-справжньому на краю, наприклад, на пристрої IoT.

Коротше кажучи, немає єдиної думки щодо того, що саме є кращими обчисленнями, але багато людей, які кажуть, що вирішення проблеми не допомагає. Відповідно до вищезгаданого звіту «Техналіз досліджень», «більшість людей думають, що крайові обчислення складаються з кінцевих точок (29, 8%), ніж шлюзів (13, 2%), але 44% вважають, що це обоє».

У будь-якому випадку, "кінцеве застосування в кінцевому підсумку визначає потреби системи і має на меті знайти баланс між перевагами обробки на краю або хмари", - сказала Vee Cree від PNNL.

Тут є лише одне головне правило: якщо вам потрібно рішення в найближчому чи в реальному часі, виконайте обробку якомога ближче до джерела даних. Крайові обчислення - це вибір для усунення затримки, зниження витрат енергії та зменшення мережевого трафіку.

API, програми та екосистеми

Загалом, додатки, які використовуються разом з крайовими обчисленнями, спрямовані на досягнення швидкості та ефективності. Тут ви рідше знайдете автономні програми бізнес-аналітики (BI), але, скоріше, вбудовані функції BI та, звичайно, інтерфейси програмування програм (API) для приєднання даних IoT до існуючих BI-програм та фреймворків у хмарі.

"Концепція крайових обчислень допомагає компаніям усвідомити переваги хмарних обчислень навіть у сценаріях, коли проблеми із затримкою та підключенням пов'язані. Деякі додатки стосуються розміру даних або вимоги швидкості, що забороняють кругове вимикання на хмару і, в таких випадках, Табау Аналітика, вбудована в локальні програми, швидко дає зрозуміти ", - сказав Марк Джуетт, віце-президент з маркетингу продуктів компанії Tableau Software.

"В інших випадках крайові обчислення пропонують спосіб вирішення сценаріїв, коли підключення не є надійним або дорогим або періодичним. Наприклад, такі речі, як переміщення, наприклад, кораблі, віддалені речі, такі як нафтові платформи або шахти, або навіть ситуації де підключення хороше, але не варто ризикувати перебоями, наприклад, на виробництві систем, де простої дуже дорогі. Аналітики та інші користувачі в цій галузі, які, можливо, не мають доступу до повної робочої станції, все ще хочуть тієї ж сили аналітики, яку вони дізналися ».

Tableau - не єдиний постачальник біологічних технологій, що працює над даними або має дані на краю. Microsoft вказала на Schneider Electric, одного із своїх клієнтів, як тематичне дослідження. Schneider Electric має спеціальний додаток, який робить передбачуване обслуговування нафтового стрижня, використовуючи машинне навчання Azure та Azure IoT Edge для підвищення безпеки та зменшення інцидентів у віддалених районах, заявив речник Microsoft. Обробка даних проводиться на пристрої. Це досягається шляхом залучення хмарного інтелекту - моделей ML, які вони навчалися в хмарі - до самого крайового пристрою. Це дозволяє швидше виявити аномалії на основі великого набору навчальних даних.

Тим часом, IBM Watson повідомляє про безліч випадків використання, включаючи зовнішню та пристрій для голосової та розмовної інформації, бездротові зображення та відео-аналітику, а також технічну підтримку та безпеку акустичної аналітики.

"У всіх цих випадках краєзнавча аналітика дозволяє покращити продуктивність, вартість та конфіденційність, працюючи локально на пристроях", - сказав Брет Грінштейн, віце-президент IBM Watson IoT, Consumer Offerings. "Зростання є захоплюючим, коли обчислювальна потужність на межі зростає, і ML дозріває та створює більш спеціалізовані випадки використання.

"Пристрої можуть" розуміти "те, що вони бачать і чують, і використовувати це розуміння для надання кращого обслуговування та кращого вибору. Це відбувається в режимі реального часу. І оскільки фактичні дані можуть бути перетворені на розуміння крайового пристрою, ви не можете повинні надсилати дані в хмару, що покращує вартість та сприяє включенню нових форм захисту конфіденційності ".

Додавання нових шарів захисту конфіденційності потенційно може пройти довгий шлях у зменшенні зобов'язань компанії, в той час як компаніям, що надають дані, потрібно процвітати.

Прикладні обчислювальні версії за номерами

Маючи на увазі, що крайові обчислення зароджуються, не дивно, що лише дещо додатки крайових обчислень є новими (39 відсотків), згідно з дослідженням Technalysis Research. Більшість (61 відсоток) мігрують хмарні програми. При цьому наведені нижче програми для обчислень у верхньому краї:

Аналітика операцій (44 відсотки)

Моніторинг процесів (35 відсотків)

Моніторинг працівників (32 відсотки)

Віддалений моніторинг активів (28 відсотків)

Дотримання робочого місця / безпеки (24 відсотки)

Прогнозне обслуговування (22 відсотки)

Відстеження фізичних активів на місці (20 відсотків)

Відповідно до цього ж звіту TECHnalysis Research, п’ять основних причин переміщення хмарних додатків на край - покращення безпеки, зниження витрат, зниження затримки, покращення місцевого контролю та зменшення мережевого трафіку.

Завдяки об'єктиву BI підвищується ефективність та можливості покращення обчислень. Тому має сенс спочатку перенести хмарні програми або вбудувати аналітику в існуючі програми IoT, які зможуть швидше поставити вас у найкращу позицію. Наприклад, замість того, щоб передавати та аналізувати всі дані з робототехнічного підрозділу на заводській підлозі, ви можете видалити флотсам, що представляє собою нескінченну кількість повторюваної інформації, що генерується датчиком.

Натомість крайові обчислення можуть використовуватися для відмітки та аналізу лише "змін даних", тобто даних, які певним чином відрізняються від інших потоків даних з того самого джерела. Наприклад, уявіть вітряк в арктичному колі, який повідомляє: "Я добре. Я добре. Я добре. Клинок застряг на дві секунди. Я добре. Я добре. Я добре". Трохи про приклеювання леза будуть дані про зміни. Так би і "зміна вітру", яка могла б змусити машину повернутися і зібрати більше енергії. Дані про зміну - це точки даних, які мають найбільш важливе значення саме тому, що вони відзначають зміну.

У таких випадках програми біля краю працюють лише з відповідними даними; дехто би назвав це "розумними даними". Навіщо кип'ятити море, коли важливі деталі можна легко побачити? Розумні програми для даних дозволяють використовувати дані в точці збору, а також можуть вирішити, які дані надсилати до хмари для подальшого змішування та аналізу в традиційних BI-програмах. Таким чином оптимізація передачі даних оптимізується для досягнення максимального ефекту від бізнесу.

4 поради щодо вашої стратегії обчислення BI та Edge

Досить просто перейти на борт тенденції обчислень крайових даних і вирішити почати з міграції програм з хмари. Але введення в дію без стратегії було б серйозною помилкою. Пам’ятаєте перші дні IoT, коли випадкові речі, такі як тостери, швидко були підключені до Інтернету і потім з гордістю відображалися на наступному CES?

Навіть розумні дані не можуть допомогти вам, якщо ваша стратегія є безглуздою або відсутньою. Отже, ось чотири міркування, які слід пам’ятати, формуючи свою BI та крайню стратегію.

1. Переоцініть свою поточну гру в Інтернеті для додаткових можливостей пошуку даних. Наприклад, бакалійний виробник або виробник, можливо, захочуть використовувати дані з його ланцюга постачання, такі як датчики охолодження та вантажоперевезення, для встановлення або перевірки джерела сировини. Така інформація, що додається до блокчейна стійкості, може використовуватися в маркетингу для залучення екологічно свідомих споживачів.

Роздрібний продавець може використовувати комп’ютерне бачення та обчислення крайових даних у своєму магазині, щоб сканувати споживачів, щоб показати на місці 3D-зображення того, як одяг, на який дивиться покупець, насправді їм підходить. Це може покращити продажі, а також усунути потребу в роздягальнях та пов’язані з цим проблеми безпеки та конфіденційності. Але дані також можуть бути відправлені в хмару, щоб їх змішати з іншими споживчими даними, щоб повідомити про більшу стратегію компанії.

Шукайте можливості отримати більше від ІОТ, який у вас є. Що ще можна зробити з отриманими даними? Які ще дані ви можете використовувати їх для збору та обробки?

2. Вирішіть, які додатки вам потрібні на краю. Можливо, вам доведеться перенести додаток, внести деякі аналітики або навіть написати спеціальний додаток; все залежить від того, що ви намагаєтеся зробити. Нехай ваші бізнес-цілі спрямовують вас у виборі програм.

Хорошим місцем, щоб дізнатися більше про розробку додатків для краю, є конференція OpenDev, організована Фондом OpenStack. OpenStack - проект хмарних обчислень з відкритим кодом, і просто так трапляється, що крайові обчислення є гарячою темою. Буває і так, що відкритий код є гарячим у крайових обчисленнях, як це майже у всіх обчисленнях. Ви також можете розглянути додатки, пропоновані крайовими постачальниками обчислень та вбудовану аналітику, що надаються постачальниками BI-програм.

3. Виберіть нову техніку, яку хочете використовувати. Ви можете попросити постачальників дати вам демонстрацію, щоб ви могли відчути, які технології ви хочете використовувати, які програми доступні та деякі рекомендації щодо розробки програм для цього. Наприклад, веб-сервіс Amazon (AWS) і AWS Greengrass, Microsoft Azure IoT Edge, а також Cisco та IBM Watson IoT пропонують поєднання технологій, а також аналітики та програм для обчислювачів краю IoT.

Ви також можете перевірити широкий спектр blockchain, CDN, однорангових та інших постачальників чистої гри. Але не слід оминати уваги таких гігантів, як Dell Inc., IBM Corp. та Hewlett Packard Enterprise (HPE), які все взяли на себе додавання додаткових можливостей для зберігання та обчислювальної техніки та аналітики до свого обладнання, щоб перетворити їх на крайні пристрої.

Подумайте про свої варіанти, перш ніж почати серйозно оцінювати постачальників. Також перед тим, як розпочати розмову з постачальниками, проаналізуйте типи IoT-технологій, якими зараз користується ваша компанія, та типи, які вона хотіла б додати. Таким чином, ви більше шансів залишитися на трасі.

4. План еволюції. На шляху до зрілості існує закономірність, за якою слідують усі незрілі технології та тенденції. Очікуйте, що ця сама еволюція відбудеться з BI та краєм. Так, так, швидше за все, буде консолідація постачальників; майте це на увазі

Також шукайте роз'єднання хмарних технологій від власної хмари, щоб їх також можна було використовувати на краю. Ви хочете побачити таку розв'язку, яка надасть вам максимальну гнучкість у використанні хмари або краю. Це, швидше за все, знизить витрати і підвищить ефективність за рахунок розумніших додатків з різних екосистем, а не від одного постачальника. Складіть свій план як короткостроковий, так і довгостроковий, щоб гарантувати, що ви можете адаптуватися до передбачуваних змін без великих втрат у попередніх інвестиціях.