სად და როგორ გამოიყენება edge სერვერები

ქსელური ინფრასტრუქტურის შემუშავებისას, ჩვეულებრივ, განიხილება ადგილობრივი გამოთვლები ან ღრუბლოვანი გამოთვლები. მაგრამ ეს ორი ვარიანტი და მათი კომბინაციები ცოტაა. მაგალითად, რა უნდა გააკეთოთ, თუ არ შეგიძლიათ უარი თქვათ ღრუბლოვან გამოთვლებზე, მაგრამ არ არის საკმარისი გამტარობა ან ტრაფიკი ძალიან ძვირია?

დაამატეთ შუალედური, რომელიც შეასრულებს გამოთვლების ნაწილს ადგილობრივი ქსელის ან წარმოების პროცესის ზღვარზე. ამ ზღვრის კონცეფციას ეწოდება Edge Computing. კონცეფცია ავსებს ღრუბლის მონაცემთა გამოყენების ამჟამინდელ მოდელს და ამ სტატიაში ჩვენ განვიხილავთ საჭირო აპარატურას და მის მაგალითებს.

Edge გამოთვლითი დონეები

ვთქვათ, თქვენ გაქვთ სახლში დამონტაჟებული სენსორების მთელი თაიგული: თერმომეტრი, ჰიგირომეტრი, სინათლის სენსორი, გაჟონვის სენსორი და ა.შ. ლოგიკური კონტროლერი ამუშავებს მათგან მიღებულ ინფორმაციას, ახორციელებს ავტომატიზაციის სცენარებს, გასცემს დამუშავებულ ტელემეტრიას ღრუბლოვან სერვისზე და იღებს განახლებულ ავტომატიზაციის სცენარებს და მისგან ახალ პროგრამულ უზრუნველყოფას. ამრიგად, ადგილობრივი გამოთვლები ხორციელდება უშუალოდ ადგილზე, მაგრამ აღჭურვილობა კონტროლდება კვანძიდან, რომელიც აერთიანებს ბევრ ასეთ მოწყობილობას. 

ეს არის ძალიან მარტივი ზღვრის გამოთვლითი სისტემის მაგალითი, მაგრამ ის უკვე აჩვენებს ზღვარზე გამოთვლის სამივე დონეს:

• IoT მოწყობილობები: შექმენით „ნედლეული მონაცემები“ და გადაიტანეთ ისინი სხვადასხვა პროტოკოლებით. 
• კიდეების კვანძები: ამუშავებს მონაცემებს ინფორმაციის წყაროებთან ახლოს და მოქმედებს როგორც მონაცემთა დროებითი მაღაზიები.
• ღრუბლოვანი სერვისები: გთავაზობთ მართვის ფუნქციებს როგორც პერიფერიული, ასევე IoT მოწყობილობებისთვის, შეასრულეთ მონაცემთა გრძელვადიანი შენახვა და ანალიზი. გარდა ამისა, ისინი მხარს უჭერენ ინტეგრაციას სხვა კორპორატიულ სისტემებთან. 

თავად Edge computing-ის კონცეფცია არის დიდი ეკოსისტემის ნაწილი, რომელიც ოპტიმიზაციას უკეთებს ტექნოლოგიურ პროცესს. იგი მოიცავს როგორც აპარატურას (რაკისა და კიდეების სერვერები), ასევე ქსელის და პროგრამული უზრუნველყოფის ნაწილებს (მაგალითად, პლატფორმა). Codex AI Suite AI ალგორითმების შემუშავებისთვის). ვინაიდან შეფერხებები შეიძლება წარმოიშვას დიდი მონაცემების შექმნის, გადაცემის და დამუშავების დროს და შეზღუდოს მთელი სისტემის მუშაობა, ეს ნაწილები უნდა იყოს თავსებადი ერთმანეთთან.

Edge სერვერების მახასიათებლები

კიდეების კვანძის დონეზე, Edge Computing იყენებს ზღვრულ სერვერებს, რომლებიც განთავსებულია პირდაპირ იქ, სადაც ინფორმაცია იწარმოება. ჩვეულებრივ, ეს არის საწარმოო ან ტექნიკური ნაგებობები, რომლებშიც შეუძლებელია სერვერის თაროს დაყენება და სისუფთავის უზრუნველყოფა. ამრიგად, edge სერვერები მოთავსებულია კომპაქტურ, მტვრისგან და ტენიანობისგან დამცავ კორპუსებში გაფართოებული ტემპერატურის დიაპაზონით; მათი განთავსება შეუძლებელია თაროში. დიახ, ასეთ სერვერს ადვილად შეუძლია დაკიდოს ორმხრივი ფირის წამყვანები სადმე კიბეების ქვეშ ან კომუნალურ ოთახში.

მას შემდეგ, რაც edge სერვერები დამონტაჟებულია უსაფრთხო მონაცემთა ცენტრების გარეთ, მათ აქვთ უმაღლესი ფიზიკური უსაფრთხოების მოთხოვნები. მათთვის გათვალისწინებულია დამცავი კონტეინერები:

მონაცემთა დამუშავების დონეზე, edge სერვერები უზრუნველყოფენ დისკის დაშიფვრას და უსაფრთხო ჩატვირთვას. დაშიფვრა თავისთავად მოიხმარს გამოთვლითი ენერგიის 2-3%-ს, მაგრამ edge სერვერები, როგორც წესი, იყენებენ Xeon D პროცესორებს ჩაშენებული AES აჩქარების მოდულით, რაც ამცირებს ენერგიის დაკარგვას.

როდის გამოვიყენოთ Edge სერვერები

Edge Computing-ით, მონაცემთა ცენტრი იღებს მხოლოდ იმ მონაცემებს, რომელთა სხვა გზით დამუშავება შეუძლებელია ან ირაციონალურია. ამრიგად, edge სერვერები გამოიყენება საჭიროების შემთხვევაში:

• მოქნილი მიდგომა უსაფრთხოების მიმართ, რადგან Edge Computing-ის შემთხვევაში შეგიძლიათ დააკონფიგურიროთ წინასწარ დამუშავებული და მომზადებული ინფორმაციის ცენტრალურ მონაცემთა ცენტრში გადაცემა; 
• დაცვა ინფორმაციის დაკარგვისგან, ვინაიდან თუ ცენტრთან კომუნიკაცია დაიკარგება, ლოკალური კვანძები დაგროვებენ ინფორმაციას; 
• ტრაფიკის დაზოგვა მიიღწევა ადგილზე ინფორმაციის დიდი ნაწილის დამუშავებით. 

Edge Computing ტრაფიკის დაზოგვის მიზნით

დანიურმა კომპანია Maersk-მა, მსოფლიოში ერთ-ერთმა ლიდერმა საზღვაო ტვირთების გადაზიდვაში, გადაწყვიტა შეამციროს თავისი გემების საწვავის მოხმარება და შეამციროს დამაბინძურებლების ემისიები ატმოსფეროში. 

ამ პრობლემის გადასაჭრელად გამოიყენეს ტექნოლოგია Siemens EcoMain Suite, სენსორები ძრავებზე და გემის ძირითად კომპონენტებზე, ასევე ადგილობრივი BullSequana Edge სერვერი ადგილზე გამოთვლებისთვის. 

სენსორების წყალობით EcoMain Suite სისტემა მუდმივად აკონტროლებს გემის კრიტიკული კომპონენტების მდგომარეობას და მათ გადახრას წინასწარ გათვლილი ნორმიდან. ეს საშუალებას გაძლევთ სწრაფად დაადგინოთ ხარვეზი და მოაწყოთ იგი პრობლემურ კვანძში. იმის გამო, რომ ტელემეტრია მუდმივად გადადის "ცენტრში", სერვის ტექნიკოსს შეუძლია დისტანციურად შეასრულოს ანალიზი და რეკომენდაციები გაუწიოს ბორტზე მყოფ ეკიპაჟს. და აქ მთავარი კითხვაა რამდენი მონაცემი და რა მოცულობით გადავიტანოთ ცენტრალურ მონაცემთა ცენტრში. 

ვინაიდან იაფი სადენიანი ინტერნეტის დაკავშირება საზღვაო კონტეინერების გემთან ძალიან პრობლემურია, დიდი რაოდენობით ნედლეული მონაცემების ცენტრალურ სერვერზე გადატანა ძალიან ძვირია. ცენტრალურ BullSequana S200 სერვერზე გამოითვლება გემის საერთო ლოგიკური მოდელი და მონაცემთა დამუშავება და პირდაპირი კონტროლი გადადის ლოკალურ სერვერზე. შედეგად, ამ სისტემის დანერგვამ სამ თვეში გადაიხადა.

Edge Computing რესურსების დაზოგვის მიზნით

Edge Computing-ის კიდევ ერთი მაგალითია ვიდეო ანალიტიკა. ამრიგად, ტექნიკური აირების აღჭურვილობის მწარმოებლისთვის Air Liquide, წარმოების ციკლის ერთ-ერთი ადგილობრივი ამოცანაა გაზის ცილინდრების შეღებვის ხარისხის კონტროლი. იგი განხორციელდა ხელით და თითო ცილინდრზე დაახლოებით 7 წუთი დასჭირდა.

ამ პროცესის დასაჩქარებლად, ადამიანი შეიცვალა 7 მაღალი გარჩევადობის ვიდეოკამერით. კამერები ბუშტს რამდენიმე მხრიდან იღებენ, რაც წუთში დაახლოებით 1 გბ ვიდეოს გამოიმუშავებს. ვიდეო იგზავნება BullSequana Edge სერვერზე Nvidia T4-ით, სადაც დეფექტების მოსაძებნად გაწვრთნილი ნერვული ქსელი აანალიზებს ნაკადს ონლაინ რეჟიმში. შედეგად, შემოწმების საშუალო დრო რამდენიმე წუთიდან რამდენიმე წამამდე შემცირდა.

Edge Computing ანალიტიკაში

დისნეილენდში გასეირნება არა მხოლოდ სახალისო, არამედ რთული ტექნიკური ობიექტებია. ამრიგად, დაახლოებით 800 სხვადასხვა სენსორი დამონტაჟებულია "ატრაქციონზე". ისინი მუდმივად უგზავნიან მონაცემებს ატრაქციონის მუშაობის შესახებ სერვერზე, ხოლო ლოკალური სერვერი ამუშავებს ამ მონაცემებს, ითვლის ატრაქციონის წარუმატებლობის ალბათობას და ამის სიგნალს აწვდის ცენტრალურ მონაცემთა ცენტრს. 

ამ მონაცემებზე დაყრდნობით დგინდება ტექნიკური გაუმართაობის ალბათობა და იწყება პროფილაქტიკური რემონტი. ატრაქციონი აგრძელებს მუშაობას სამუშაო დღის ბოლომდე და ამასობაში უკვე გაცემულია სარემონტო ბრძანება და მუშები ღამით ატრაქციონს სწრაფად არემონტებენ. 

BullSequana Edge 

BullSequana Edge სერვერები დიდი ინფრასტრუქტურის ნაწილია „დიდ მონაცემებთან“ მუშაობისთვის; ისინი უკვე გამოცდილია Microsoft Azure და Siemens MindSphere პლატფორმებით, VMware WSX და აქვთ NVidia NGC/EGX სერთიფიკატები. ეს სერვერები შექმნილია სპეციალურად ზღვარზე გამოთვლებისთვის და ხელმისაწვდომია U2 ფორმა ფაქტორით შასისში სტანდარტული თაროს, DIN სარკინიგზო, კედელზე და კოშკზე დამაგრების ვარიანტებში. 

BullSequana Edge აგებულია საკუთრებაში არსებულ დედაპლატზე და Intel Xeon D-2187NT პროცესორზე. ისინი მხარს უჭერენ 512 GB ოპერატიული მეხსიერების, 2 SSD 960 GB ან 2 HDD 8 ან 14 TB ინსტალაციას. მათ ასევე შეუძლიათ დააინსტალირონ 2 Nvidia T4 16 GB GPU ვიდეო დამუშავებისთვის; Wi-fi, LoRaWAN და 4G მოდულები; 2-მდე 10-გიგაბიტიანი SFP მოდული. თავად სერვერებს უკვე აქვთ დაყენებული სახურავის გახსნის სენსორი, რომელიც დაკავშირებულია BMC-თან, რომელიც აკონტროლებს IPMI მოდულს. ის შეიძლება იყოს კონფიგურირებული ისე, რომ ავტომატურად გამორთოს ენერგია სენსორის გაშვებისას. 

BullSequana Edge სერვერების სრული ტექნიკური მახასიათებლები შეგიძლიათ იხილოთ აქ ლინკები. თუ გაინტერესებთ დეტალები, მოხარული ვიქნებით უპასუხოთ ჩვენს კითხვებს კომენტარებში.

წყარო: www.habr.com