Disvolvante retan infrastrukturon, oni kutime konsideras aŭ lokan komputadon aŭ nuban komputadon. Sed ĉi tiuj du opcioj kaj iliaj kombinaĵoj estas malmultaj. Ekzemple, kion fari se vi ne povas rifuzi nuban komputadon, sed ne estas sufiĉe da larĝa de bando aŭ trafiko estas tro multekosta?
Aldonu interan, kiu plenumos parton de la kalkuloj ĉe la rando de la loka reto aŭ produktada procezo. Ĉi tiu randkoncepto estas nomita Edge Computing. La koncepto kompletigas la nunan nuban datuman uzadon-modelon, kaj en ĉi tiu artikolo ni rigardos la postulatajn aparataron kaj ekzemplajn taskojn por ĝi.
Randaj komputikniveloj
Ni diru, ke vi havas tutan aron da sensiloj instalitaj hejme: termometro, higrometro, lumsensilo, liksensilo ktp. La logika regilo prilaboras la informojn ricevitajn de ili, efektivigas aŭtomatigajn scenarojn, eldonas prilaboritan telemetrion al la nuba servo kaj ricevas ĝisdatigitajn aŭtomatigajn scenarojn kaj freŝan firmvaron de ĝi. Tiel, loka komputado estas farita rekte surloke, sed la ekipaĵo estas kontrolita de nodo, kiu kombinas multajn tiajn aparatojn.
Ĉi tio estas ekzemplo de tre simpla randa komputiksistemo, sed ĝi jam montras ĉiujn tri nivelojn de randa komputado:
- IoT-aparatoj: generu "krudajn datumojn" kaj transdonu ĝin per diversaj protokoloj.
- Randaj nodoj: Prilaboru datumojn proksime al informfontoj kaj agu kiel provizoraj datumbutikoj.
- Nubaj servoj: ofertu administrajn funkciojn por ambaŭ ekstercentraj kaj IoT-aparatoj, plenumu longdaŭran datumstokadon kaj analizon. Krome, ili subtenas integriĝon kun aliaj kompaniaj sistemoj.
La koncepto de Edge-komputado mem estas parto de granda ekosistemo, kiu optimumigas la teknologian procezon. Ĝi inkluzivas kaj aparataron (rakaj kaj randserviloj), kaj retajn kaj programajn partojn (ekzemple platformo). por evoluigado de AI-algoritmoj). Ĉar botelpunktoj povas aperi dum la kreado, transdono kaj prilaborado de grandaj datumoj kaj limigi la agadon de la tuta sistemo, ĉi tiuj partoj devas esti kongruaj unu kun la alia.
Trajtoj de randserviloj
Sur la randnodnivelo, Edge Computing uzas randservilojn kiuj estas metitaj rekte kie informoj estas produktitaj. Kutime ĉi tiuj estas produktado aŭ teknikaj lokoj, en kiuj estas neeble instali servilon-rakon kaj certigi purecon. Tiel, randserviloj estas enhavitaj en kompaktaj, polvo- kaj humidecrezistaj kazoj kun plilongigita temperaturintervalo; ili ne povas esti metitaj en rako. Jes, tia servilo povas facile pendi sur duflankaj bendaj ankroj ie sub la ŝtuparo aŭ en la servejo.
Ĉar randserviloj estas instalitaj ekster sekuraj datumcentroj, ili havas pli altajn fizikajn sekurecpostulojn. Protektaj ujoj estas provizitaj por ili:
Je la datumtraktadnivelo, randserviloj disponigas diskon ĉifradon kaj sekuran ekfunkciigon. Ĉifrado mem konsumas 2-3% de komputika potenco, sed randserviloj tipe uzas Xeon D-procesorojn kun enkonstruita AES-akcela modulo, kiu minimumigas potencoperdon.
Kiam Uzi Edge-Servilojn
Kun Edge Computing, la datumcentro ricevas por prilaborado nur tiujn datumojn, kiuj estas neeblaj aŭ neraciaj por prilabori alimaniere. Tiel, randserviloj estas uzitaj kiam bezonate:
- Fleksebla aliro al sekureco, ĉar en la kazo de Edge Computing vi povas agordi la translokigon de antaŭprocesitaj kaj pretaj informoj al la centra datumcentro;
- Protekto kontraŭ informa perdo, ĉar se la komunikado kun la centro estas perdita, lokaj nodoj amasigos informojn;
- Ŝparoj pri trafiko estas atingita per prilaborado de la plejparto de informoj surloke.
Randa komputado por ŝpari trafikon
La dana kompanio Maersk, unu el la gvidantoj en la mara kargotransporto en la mondo, decidis redukti la konsumon de fuelo de siaj ŝipoj kaj redukti ellason de malpurigaĵoj en la atmosferon.
Teknologio estis uzata por solvi ĉi tiun problemon , sensiloj sur la motoroj kaj ĉefaj komponentoj de la ŝipo, same kiel loka BullSequana Edge-servilo por surloka komputado.
Danke al sensiloj, la sistemo EcoMain Suite konstante kontrolas la kondiĉon de kritikaj komponantoj de la ŝipo kaj ilian devion de antaŭkalkulita normo. Ĉi tio permesas vin rapide diagnozi misfunkciadon kaj lokalizi ĝin malsupren al la problema nodo. Ĉar telemetrio estas konstante elsendita "al la centro", servoteknikisto povas fari analizon malproksime kaj fari rekomendojn al la surŝipa skipo. Kaj la ĉefa demando ĉi tie estas kiom da datumoj kaj en kia volumo transdoni al la centra datumcentro.
Ĉar konekti malmultekostan kablan Interreton al mara kontenera ŝipo estas tre problema, transdoni grandan kvanton da krudaj datumoj al centra servilo estas tro multekosta. Sur la centra servilo BullSequana S200, la ĝenerala logika modelo de la ŝipo estas kalkulita, kaj datumtraktado kaj rekta kontrolo estas transdonitaj al la loka servilo. Kiel rezulto, la efektivigo de ĉi tiu sistemo pagis sin en tri monatoj.
Randa komputado por ŝpari rimedojn
Alia ekzemplo de randa komputado estas videoanalitiko. Tiel, por la fabrikanto de ekipaĵoj por teknikaj gasoj Air Liquide, unu el la lokaj taskoj de la produktada ciklo estas kvalito-kontrolo de la pentrado de gasaj bombonoj. Ĝi estis farita permane kaj daŭris ĉirkaŭ 7 minutojn per cilindro.
Por akceli ĉi tiun procezon, la persono estis anstataŭigita per bloko de 7 altdifinaj vidbendaj kameraoj. La fotiloj filmas la balonon de pluraj flankoj, generante proksimume 1 GB da video je minuto. La video estas sendita al la BullSequana Edge-servilo kun Nvidia T4 surŝipe, kie neŭrala reto trejnita por serĉi difektojn analizas la fluon interrete. Kiel rezulto, la averaĝa inspekta tempo estis reduktita de kelkaj minutoj al pluraj sekundoj.
Randa komputado en analitiko
La veturoj ĉe Disneyland estas ne nur amuzaj, sed ankaŭ kompleksaj teknikaj objektoj. Tiel, ĉirkaŭ 800 malsamaj sensiloj estas instalitaj sur la "Rulmontaro". Ili konstante sendas datumojn pri la funkciado de la altiro al la servilo, kaj la loka servilo prilaboras ĉi tiujn datumojn, kalkulas la probablon de malsukceso de la altiro kaj signalas tion al la centra datumcentro.
Surbaze de ĉi tiuj datumoj, la probablo de teknika fiasko estas determinita kaj preventaj riparoj estas lanĉitaj. La altiro daŭre funkcias ĝis la fino de la labortago, kaj intertempe jam estis eldonita riparado, kaj laboristoj rapide riparas la allogaĵon nokte.
BullSequana Edge
BullSequana Edge-serviloj estas parto de granda infrastrukturo por labori kun "grandaj datumoj"; ili jam estis provitaj per Microsoft Azure kaj Siemens MindSphere-platformoj, VMware WSX kaj havas NVidia NGC/EGX-atestojn. Ĉi tiuj serviloj estas dezajnitaj specife por randa komputado kaj disponeblas en ĉasio de formo de U2 en normaj rako, DIN-relo, muro kaj tur-muntaj opcioj.
BullSequana Edge estas konstruita sur propra baztabulo kaj procesoro Intel Xeon D-2187NT. Ili subtenas instaladon de ĝis 512 GB da RAM, 2 SSD-oj de 960 GB aŭ 2 HDD-oj de 8 aŭ 14 TB. Ili ankaŭ povas instali 2 GPU-ojn Nvidia T4 16 GB por prilaborado de video; Wi-fi, LoRaWAN kaj 4G-moduloj; ĝis 2 10-Gigabit SFP-moduloj. La serviloj mem jam havas kovrilan malferman sensilon instalitan, kiu estas konektita al la BMC, kiu kontrolas la IPMI-modulon. Ĝi povas esti agordita por aŭtomate malŝalti potencon kiam sensilo estas ekigita.
Plenaj teknikaj specifoj por BullSequana Edge-serviloj troveblas ĉe . Se vi interesiĝas pri detaloj, ni volonte respondos niajn demandojn en la komentoj.
fonto: www.habr.com