Ցանցային ենթակայություն մշակելիս սովորաբար քննարկում են կամ տեղաշարժային հաշվարկները, կամ Cloud տեխնոլոգիաները։ Սակայն այս երկու տարբերակներն ու դրանց համակցությունները հազվագյուտ են։ Օրինակ, ինչ անել, եթե Cloud հաշվարկներից հրաժարվել չի կարելի, բայց նվագային ընդլայնման կամ ծախսերի պարամետրերը պակասում են։
Ավելացնել միջանկյալ օղակ, որը կատարի հաշվարկների մի մասը տեղական ցանցի կամ արտադրական գործընթացի սահմանների մեջ։ Այս եզրափակիչ կոնցեպցիան կոչվում է Edge Computing — «սահմանային հաշվարկներ»։ Կոնցեպցիան լրացնում է գործող Cloud մոդելը տվյալների օգտագործման համար և այս հոդվածում մենք կքննարկենք անհրաժեշտ սարքավորումները և դրա վերաբերյալ խնդիրների օրինակները։
Edge Computing մակարդակները
Հայկոս, եթե ձեր տանը տեղադրված է բազմաթիվ սենսորներ՝ ճշդագրի, խոնավագրի, լուսավորության, ռուրման ու այլոց։ Լոգիկական կառավարչի՝ դրանցից ստացվող տեղեկությունները մշակում է, իրականացնում է ավտոմատացման սցենարները, տրամադրում է Cloud ծառայությանը մշակված հեռահար տվյալները և ստանում դրանցից վերամշակված ավտոմատացման սցենարներն ու նոր Firmware-ները։ Այսպիսով, անմիջապես օբյեկտում տեղի են ունենում տեղական հաշվարկներ, բայց սարքավորումները կառավարվում են հանգույցից, որը կապում է նման բազմաթիվ սարքեր։
Սա ամենաֆորմալ ջրամուղների համակարգի օրինակ է, բայց դրա վրա արդեն տեսանելի են բոլոր երեք edge computing մակարդակները։
- IoT սարքեր՝ ստեղծում են «մաքուր տվյալներ» և փոխանցում դրանք տարբեր պրոտոկոլներով։
- Պաղպանակական հանգույցներ՝ մշակելով տվյալները տեղեկությունների աղբյուրների մոտակայքում և գործում որպես ժամանակավոր տվյալների պահեստներ։
- Cloud ծառայություններ՝ մտահոգված են ինչպես պաղպանակական, այնպես էլ IoT սարքերի կառավարմամբ, կատարվում է երկարաժամկետ պահեստավորում և տվյալների վերլուծություն։ Բացի դրանից, նրանք աջակցում են այլ կորպորատիվ համակարգերի ինտեգրմանը։
Սա իր աստիճանը Edge Computing խորհրդի մաս է, որը օպտիմիզացնում է տեխնոլոգիական գործընթացը։ Այն ներառում է ինչպես սարքավորական (ստոնային և պարագրաֆային սերվերներ), այնպես էլ ցանցային ու ծրագրային մասեր (օրինակ, պրակտիկայում ՝ AI ալգորիթմներ մշակելու համար)։ Շնորհիվ «հատույց» խցիկը կարող է ձևավորվել «մեծ տվյալներով» ձեվակերպման, փոխանցման և մշակման ժամանակ, ինչպիսին կլինի ամբողջ համակարգը, այս մասերը պետք է հնարավորինս համատեղելի լինեն։
Սահմանային սերվերների առանձնահատկությունները
Երեսփոխանական ծայրամասերում Edge Computing-ում օգտագործում են եզրային սերվերները, որոնք տեղադրում են այնտեղ, որտեղ տեղեկատվությունը մշակվում է: Հասարակաբար, դրանք արտադրական կամ տեխնիկական տարածքներ են, որտեղ չի կարելի տեղադրել սերվերային արկղ և ապահովել մաքրություն: Այսպիսով, եզրային սերվերները կատարելագործվել են կոմպակտ փոշուց և խոնավությունից պաշտպանված կաղապարներում, որոնցn't կարելի տեղադրել արկղում: Այո, այսպիսի սերվերը կարող է հանգիստ կախված լինել երկկողմանի սոսինձից այնպիսի վայրերում, ինչպիսիք են աստիճանների տակ կամ սարկող սենյակում։
Քանի որ եզրային սերվերները տեղադրվում են ֆիզիկապես ոչ պաշտպանված տվյալների կենտրոններում, դրանց համար մանրակրկիտ պահանջներ են ներկայացվում ֆիզիկական անվտանգության համար: Նրանց համար նախատեսված են պաշտպանական կաթսաներ:
Տվյալների հետ աշխատելու մակարդակում եզրային սերվերների համար նախատեսված է սկավառակի Encrypting և պաշտպանված բեռնման գործընթաց: Իր հերթին, Encrypting-ը խլում է 2-3% հաշվիչ հզորությունից, սակայն եզրային սերվերներում սովորաբար օգտագործվում են Xeon D պրոցեսորներ ինտեգրված AES արագացման մոդուլով, որը նվազեցնում է հզորության կորուստները։
Երբ օգտագործվում են եզրային սերվերները
Edge Computing-ի ընթացքում տվյալները կենտրոնական տվյալների կենտրոն ներկրվում են միայն այն դեպքում, երբ հնարավոր չէ կամ անհարմար է դրանք այլ կերպ մշակել: Այսպիսով, եզրային սերվերները օգտագործվում են, երբ պահանջվում է:
- Անվտանգության նկատմամբ ճկուն մոտեցում, քանի որ Edge Computing-ի դեպքում կարելի է նախապես կարգավորել մշակված և պատրաստված տեղեկատվության փոխանցումը կենտրոնական տվյալների կենտրոնը;
- Տվյալների կորցնելու պաշտպանություն, քանի որ կապի կորստի դեպքում տեղական узлы-ները կուտակում են տվյալները;
- Տրանսպորտի տնտեսում, որը հասնում է հիմնական տվյալների զանգվածի մշակման միջոցով տեղում:
Edge computing տրանսպորտի տնտեսման համար
Դանիական Maersk ընկերությունը՝ միջազգային ծովային բեռների տեղափոխման մեջ թիվ մեկ ղեկավարներից մեկը, որոշեց կրճատել իր լողացող նավերի燃料 սպառումը և նվազեցնել արտանետումների խառնուրդները։
Այս խնդիրը լուծելու համար օգտագործվեց տեխնոլոգիա , շարժիչների և նավի հիմնական узлы-ների սենսորներ, ինչպես նաև տեղական BullSequana Edge սերվեր հաշվարկների համար «տեղում»:
Սենսորների շնորհիվ EcoMain Suite համակարգը մշտապես վերահսկում է նավի κρίական узлы-ների վիճակը և դրանց շեղումները նախապես հաշվարկված նորմերից: Սա թույլ է տալիս արագ ախտորոշել անբավարարությունները և կահավորվել մինչև խնդրահարույց узлы-ը: Քանի որ հեռագրությունը մշտապես փոխանցվում է «կենտրոն», սպասարկման տեխնիկը կարող է հեռավար վերլուծություն անել և խորհուրդներ տալ բորտային թիմին: Այս հատվածում կարևոր հարց է՝ որքան է, և ինչ ծավալով տվյալներ պետք է փոխանցվեն կենտրոնական տվյալների կենտրոն։
Պատճառով, որ ծովային կոնտեյներով ինտերնետ կապը միանալու գործընթացը դժվար է, մեծ ծավալներով հում տվյալների փոխանցումը կենտրոնական ծառայողին շատ թանկ է: BullSequana S200 կենտրոնական ծառայողում հաշվարկվում է նավի ընդհանուր տրամաբանական մոդելը, իսկ տվյալների մշակումը և անմիջական կառավարմանը փոխանցվում է տեղական ծառայողին: Արդյունքում, այս համակարգի ներդրումը հատուցվել է երեք ամսվա ընթացքում:
Edge computing՝ ռեսուրսների տնտեսման համար
Մեկ այլ օրինակ ծայրային հաշվարկման՝ տեսանյութերի վերլուծությունն է: Օրինակ, տեխնիկական գազերի սարքավորումների արտադրող Air Liquide-ի տեղական արտադրական գործընթացներից մեկը գազային բալոնների ներկի որակի վերահսկումն է: Սա կատարվում էր ձեռքով և կազմում էր մոտ 7 րոպե մեկ բալոնի համար:
Այս գործընթացը արագացնելու համար մարդու փոխարեն տեղակայվել է 7 բարձր-resolution տեսախցիկներից կազմված բլոկ: Տեսախցիկները կեսից նկարում են բալոնը, ստեղծելով մոտ 1 ԳԲ տեսանյութ մեկ րոպեում: Տեսանյութը ուղարկվում է BullSequana Edge ծայրային ծառայողին՝ Nvidia T4-ի առկայությամբ, որտեղ նյարդային ցանցը, որը պատրաստվել է թերություններ գտնելու համար, վերլուծում է սթրիմը առցանց ռեժիմում: Արդյունքում, միջին ժամանակը ստուգման համար նվազել է մի քանի րոպեից մինչև մի քանի վայրկյան:
Edge computing分析中
Դիսնեյլենդի attractions-ը ոչ միայն զվարճանքի, այլև բարդ տեխնիկական օբյեկտ է: Օրինակ, «Ամերիկյան սարերի» վրա տեղակայված է մոտ 800 տարբեր սենսոր: Այս սենսորները մշտապես ուղարկում են տվյալներ ծառայողին, իսկ տեղական ծառայողը մշակել է այդ տվյալները, հաշվարկել է սարքի խափանվելու հավանականությունը և ազդարարել կենտրոնական տվյալների կենտրոնին:
Այս տվյալների հիման վրա որոշվում է տեխնիկական խափանման հավանականությունը և սկսվում է կանխարգելիչ վերանորոգումը: Ատրակցիոնը շարունակում է աշխատել աշխատանքային օրվա ավարտին, իսկ այդ ընթացքում արդեն կազմվել է վերանորոգման կարգ, և աշխատողները արագությամբ վերանորոգում են ատրակցիոնը գիշերը:
BullSequana Edge
BullSequana Edge սերվերները մեծ տվյալների մշակման ենթակառուցվածքի մի մասն են, արդեն փորձարկվել են Microsoft Azure և Siemens MindSphere, VMware WSX պլատֆորմներով՝ ունենալով NVidia NGC/EGX ականջները: Այս սերվերները մշակված են հատուկ ծայրային հաշվարկման համար և թողարկվում են U2 ձևաչափի կորպուսներում, ստանդարտ պահոցների տեղակայման, DIN-քայլի, պատի և հատակային տարբերակներով:
BullSequana Edge-ը կառուցված է սեփական մշակման մայր տպագրության և Intel Xeon D-2187NT պրոցեսորի վրա: Դրանք աջակցում են մինչև 512 ԳԲ օպերատիվ հիշողություն, 2 SSD մինչև 960 ԳԲ կամ 2 HDD մինչև 8 կամ 14ԹԲ: Ավելին, դրանց մեջ հնարավոր է տեղադրել 2 Nvidia T4 16 ԳԲ GPU վիդեո աշխատանքի համար; Wi-fi, LoRaWAN և 4G մոդուլներ; մինչև 2 10-գիգաբիտային SFP մոդուլներ: Սերվերներում արդեն վառելիքի ծածկի բացման սենսոր է առկա, որը միացված է IPMI կառավարման BMC մոդուլին: Այն կարելի է կարգավորել ինքնաբերաբար սնուցումը անջատելու համար սենսորի արձանագրության դեպքում.
BullSequana Edge սերվերների ամբողջական տեխնիկական բնութագրերը կարելի է գտնել այստեղ. . Եթե ձեզ հետաքրքրում են մանրամասները, ուրախ կլինենք պատասխանել մեր հարցերին մեկնաբանություններում.
Ընտանիք: habr.com
