Ցանցային ենթակառուցվածք մշակելիս սովորաբար հաշվի են առնվում տեղական հաշվարկները կամ ամպային հաշվարկները: Բայց այս երկու տարբերակներն ու դրանց համակցությունները քիչ են։ Օրինակ, ի՞նչ անել, եթե չես կարող հրաժարվել ամպային հաշվարկից, բայց բավականաչափ թողունակություն չկա, կամ երթևեկությունը չափազանց թանկ է:
Ավելացրեք միջանկյալ նյութ, որը հաշվարկների մի մասը կկատարի տեղական ցանցի կամ արտադրական գործընթացի եզրին: Այս եզրային հայեցակարգը կոչվում է Edge Computing: Հայեցակարգը լրացնում է ամպային տվյալների օգտագործման ներկայիս մոդելը, և այս հոդվածում մենք կանդրադառնանք դրա համար անհրաժեշտ ապարատային և առաջադրանքների օրինակին:
Եզրային հաշվողական մակարդակներ
Ենթադրենք, դուք ունեք տանը տեղադրված սենսորների մի ամբողջ փունջ՝ ջերմաչափ, խոնավաչափ, լույսի սենսոր, արտահոսքի սենսոր և այլն: Տրամաբանական վերահսկիչը մշակում է նրանցից ստացված տեղեկատվությունը, իրականացնում է ավտոմատացման սցենարներ, մշակված հեռաչափություն է թողարկում ամպային ծառայությանը և ստանում է ավտոմատացման թարմացված սցենարներ և թարմ որոնվածը դրանից: Այսպիսով, տեղական հաշվարկն իրականացվում է անմիջապես տեղում, սակայն սարքավորումները կառավարվում են այնպիսի հանգույցից, որը միավորում է բազմաթիվ նման սարքեր:
Սա շատ պարզ եզրային հաշվողական համակարգի օրինակ է, բայց այն արդեն ցույց է տալիս եզրային հաշվարկի բոլոր երեք մակարդակները.
- IoT սարքեր. առաջացնում են «հում տվյալներ» և դրանք փոխանցում տարբեր արձանագրությունների միջոցով:
- Եզրային հանգույցներ. Տվյալները մշակում են տեղեկատվության աղբյուրների մոտ և գործում են որպես տվյալների ժամանակավոր պահեստներ:
- Ամպային ծառայություններ. առաջարկում են կառավարման գործառույթներ ինչպես ծայրամասային, այնպես էլ IoT սարքերի համար, կատարել տվյալների երկարաժամկետ պահպանում և վերլուծություն: Բացի այդ, նրանք աջակցում են այլ կորպորատիվ համակարգերի հետ ինտեգրմանը:
Edge computing-ի հայեցակարգն ինքնին մեծ էկոհամակարգի մի մասն է, որը օպտիմալացնում է տեխնոլոգիական գործընթացը: Այն ներառում է ինչպես ապարատային (դարակ և եզրային սերվերներ), այնպես էլ ցանցային և ծրագրային մասեր (օրինակ՝ հարթակ AI ալգորիթմների մշակման համար): Քանի որ խցանումները կարող են առաջանալ մեծ տվյալների ստեղծման, փոխանցման և մշակման ընթացքում և սահմանափակել ամբողջ համակարգի աշխատանքը, այդ մասերը պետք է համատեղելի լինեն միմյանց հետ:
Edge սերվերների առանձնահատկությունները
Եզրային հանգույցի մակարդակում Edge Computing-ը օգտագործում է եզրային սերվերներ, որոնք տեղադրվում են անմիջապես այնտեղ, որտեղ տեղեկատվությունը արտադրվում է: Սովորաբար դրանք արտադրական կամ տեխնիկական տարածքներ են, որոնցում անհնար է տեղադրել սերվերի դարակ և ապահովել մաքրությունը։ Այսպիսով, եզրային սերվերները տեղադրվում են կոմպակտ, փոշուց և խոնավությունից պաշտպանված պատյաններում՝ երկարացված ջերմաստիճանի տիրույթով, դրանք չեն կարող տեղադրվել դարակում: Այո, նման սերվերը կարող է հեշտությամբ կախել երկկողմանի ժապավենի խարիսխներից ինչ-որ տեղ աստիճանների տակ կամ կոմունալ սենյակում:
Քանի որ եզրային սերվերները տեղադրվում են անվտանգ տվյալների կենտրոններից դուրս, նրանք ունեն ֆիզիկական անվտանգության ավելի բարձր պահանջներ: Նրանց համար նախատեսված են պաշտպանիչ տարաներ.
Տվյալների մշակման մակարդակում եզրային սերվերները ապահովում են սկավառակի կոդավորումը և անվտանգ բեռնումը: Կոդավորումն ինքնին սպառում է հաշվողական հզորության 2-3%-ը, սակայն եզրային սերվերները սովորաբար օգտագործում են Xeon D պրոցեսորներ՝ ներկառուցված AES արագացման մոդուլով, ինչը նվազագույնի է հասցնում էներգիայի կորուստը:
Երբ օգտագործել Edge սերվերները
Edge Computing-ի միջոցով տվյալների կենտրոնը ստանում է միայն այն տվյալները, որոնք այլ կերպ մշակելն անհնար է կամ իռացիոնալ: Այսպիսով, եզրային սերվերները օգտագործվում են, երբ պահանջվում է.
- Անվտանգության ճկուն մոտեցում, քանի որ Edge Computing-ի դեպքում դուք կարող եք կարգավորել նախապես մշակված և պատրաստված տեղեկատվության փոխանցումը կենտրոնական տվյալների կենտրոն.
- Պաշտպանություն տեղեկատվության կորստից, քանի որ եթե կենտրոնի հետ կապը կորչի, տեղական հանգույցները տեղեկատվություն կկուտակեն.
- Տրաֆիկի խնայողությունները ձեռք են բերվում տեղում տեղեկատվության հիմնական մասը մշակելով:
Եզրային հաշվարկ՝ երթևեկությունը խնայելու համար
Դանիական Maersk ընկերությունը, որն աշխարհում ծովային բեռնափոխադրումների առաջատարներից մեկն է, որոշել է նվազեցնել իր նավերի վառելիքի սպառումը և նվազեցնել մթնոլորտ աղտոտող նյութերի արտանետումները։
Այս խնդիրը լուծելու համար օգտագործվել է տեխնոլոգիա , նավի շարժիչների և հիմնական բաղադրիչների սենսորները, ինչպես նաև տեղական BullSequana Edge սերվերը տեղում հաշվարկելու համար։
Սենսորների շնորհիվ EcoMain Suite համակարգը մշտապես վերահսկում է նավի կարևոր բաղադրիչների վիճակը և դրանց շեղումը նախապես հաշվարկված նորմայից: Սա թույլ է տալիս արագ ախտորոշել անսարքությունը և տեղայնացնել այն մինչև խնդրահարույց հանգույց: Քանի որ հեռաչափությունը մշտապես փոխանցվում է «կենտրոն», սպասարկող տեխնիկը կարող է հեռակա կարգով վերլուծություն կատարել և առաջարկություններ անել ինքնաթիռի անձնակազմին: Եվ այստեղ հիմնական հարցն այն է, թե որքան տվյալներ և ինչ ծավալով փոխանցել կենտրոնական տվյալների կենտրոն։
Քանի որ էժան լարային ինտերնետը միացնելը ծովային բեռնարկղային նավին շատ խնդրահարույց է, մեծ քանակությամբ չմշակված տվյալների փոխանցումը կենտրոնական սերվերին չափազանց թանկ է: Կենտրոնական BullSequana S200 սերվերի վրա հաշվարկվում է նավի ընդհանուր տրամաբանական մոդելը, և տվյալների մշակումն ու անմիջական վերահսկողությունը փոխանցվում են տեղական սերվերին: Արդյունքում, այս համակարգի ներդրումն իրեն վճարեց երեք ամսում։
Եզրային հաշվարկ՝ ռեսուրսները խնայելու համար
Եզրային հաշվարկների մեկ այլ օրինակ է վիդեո վերլուծությունը: Այսպիսով, Air Liquide տեխնիկական գազերի սարքավորումներ արտադրողի համար արտադրական ցիկլի տեղական խնդիրներից մեկը գազի բալոնների ներկման որակի վերահսկումն է: Այն իրականացվել է ձեռքով և յուրաքանչյուր բալոնի վրա տևել է մոտ 7 րոպե:
Այս գործընթացը արագացնելու համար անձը փոխարինվել է 7 բարձր հստակությամբ տեսախցիկների բլոկով: Տեսախցիկները նկարահանում են օդապարիկը մի քանի կողմերից՝ րոպեում արտադրելով մոտ 1 ԳԲ տեսագրություն։ Տեսանյութն ուղարկվում է BullSequana Edge սերվերին Nvidia T4-ով, որտեղ նեյրոնային ցանցը, որը վարժեցված է թերություններ որոնելու համար, վերլուծում է հոսքը առցանց: Արդյունքում ստուգման միջին ժամանակը մի քանի րոպեից կրճատվել է մի քանի վայրկյանի։
Եզրային հաշվարկը վերլուծության մեջ
Դիսնեյլենդում զբոսանքները ոչ միայն զվարճալի են, այլև բարդ տեխնիկական առարկաներ: Այսպիսով, «Roller Coaster»-ի վրա տեղադրված են մոտ 800 տարբեր սենսորներ։ Նրանք անընդհատ տվյալներ են ուղարկում ատրակցիոնի աշխատանքի մասին սերվերին, և տեղական սերվերը մշակում է այդ տվյալները, հաշվարկում է ատրակցիոնի ձախողման հավանականությունը և դա ազդանշան է տալիս կենտրոնական տվյալների կենտրոնին:
Այս տվյալների հիման վրա որոշվում է տեխնիկական անսարքության հավանականությունը և իրականացվում են կանխարգելիչ վերանորոգման աշխատանքներ։ Ատրակցիոնը շարունակում է գործել մինչև աշխատանքային օրվա ավարտը, իսկ այդ ընթացքում արդեն տրվել է վերանորոգման հրաման, և աշխատողներն արագորեն վերանորոգում են ատրակցիոնը գիշերը։
BullSequana Edge
BullSequana Edge սերվերները «մեծ տվյալների» հետ աշխատելու մեծ ենթակառուցվածքի մաս են կազմում, դրանք արդեն փորձարկվել են Microsoft Azure և Siemens MindSphere հարթակներում, VMware WSX և ունեն NVidia NGC/EGX վկայագրեր: Այս սերվերները նախագծված են հատուկ եզրային հաշվարկների համար և հասանելի են U2 ձևաչափի շասսիով՝ ստանդարտ դարակաշարի, DIN երկաթուղու, պատի և աշտարակի ամրացման տարբերակներում:
BullSequana Edge-ը կառուցված է սեփական մայր տախտակի և Intel Xeon D-2187NT պրոցեսորի վրա: Նրանք աջակցում են մինչև 512 ԳԲ օպերատիվ հիշողության, 2 ԳԲ 960 SSD կամ 2 կամ 8 ՏԲ 14 HDD-ի տեղադրում: Նրանք կարող են նաև տեղադրել 2 Nvidia T4 16 ԳԲ GPU՝ տեսամշակման համար; Wi-Fi, LoRaWAN և 4G մոդուլներ; մինչև 2 10 Գիգաբիթ SFP մոդուլ: Սերվերներն իրենք արդեն ունեն կափարիչի բացման ցուցիչ տեղադրված, որը միացված է BMC-ին, որը կառավարում է IPMI մոդուլը: Այն կարող է կազմաձևվել այնպես, որ ավտոմատ անջատվի հոսանքը, երբ սենսորը գործարկվի:
BullSequana Edge սերվերների ամբողջական տեխնիկական բնութագրերը կարող եք գտնել այստեղ . Եթե ձեզ հետաքրքրում է մանրամասները, սիրով կպատասխանենք մեր հարցերին մեկնաբանություններում։
Source: www.habr.com