Ao desenvolver uma infraestrutura de rede, geralmente se considera computação local ou na nuvem. No entanto, essas duas opções e suas combinações são limitadas. Por exemplo, o que fazer se a computação em nuvem for imprescindível, mas a largura de banda for insuficiente ou o tráfego for muito caro?
Adicionar um elo intermediário que realize parte dos cálculos na borda da rede local ou do processo de produção. Essa concepção periférica é chamada de Edge Computing — "computação na borda". O conceito complementa o modelo existente de uso de dados na nuvem, e neste artigo abordaremos o hardware necessário e exemplos de tarefas para ele.
Níveis de edge computing
Suponha que você tenha instalado em casa um monte de sensores: termômetro, higrômetro, sensor de iluminação, de vazamento e outros. Um controlador lógico processa as informações recebidas deles, implementa cenários de automação, envia ao serviço na nuvem a telemetria processada e recebe dele cenários de automação atualizados e novos firmwares. Assim, cálculos locais são realizados diretamente no local, mas o equipamento é controlado a partir de um nó que agrega muitos desses dispositivos.
Esse é um exemplo de um sistema muito simples de computação na borda, mas já mostra todos os três níveis de edge computing:
- Dispositivos IoT: geram "dados brutos" e os transmitem por vários protocolos.
- Nós periféricos: processam dados nas proximidades das fontes de informação e atuam como armazenamentos temporários de dados.
- Serviços na nuvem: oferecem funções de gerenciamento tanto para dispositivos periféricos quanto para IoT, realizam armazenamento e análise de dados a longo prazo. Além disso, suportam integração com outros sistemas corporativos.
O conceito de Edge computing, por si só, é parte de um grande ecossistema que otimiza o processo tecnológico. Ele inclui tanto a parte de hardware (servidores em rack e servidores de borda), quanto a parte de rede e software (por exemplo, a plataforma para desenvolver algoritmos de IA). Uma vez que um "gargalo" pode se formar na criação, transferência e processamento de "big data" e limitar o desempenho de todo o sistema, essas partes devem ser compatíveis entre si.
Características dos servidores de borda
No nível dos nós periféricos em Edge Computing, utilizam-se servidores de borda, que são colocados diretamente onde a informação é gerada. Normalmente, estes ficam em instalações de produção ou técnicas, onde não é possível instalar um rack de servidores e garantir limpeza. Assim, os servidores de borda são fabricados em gabinetes compactos, protegidos contra poeira e umidade, com uma faixa de temperatura expandida, e não podem ser montados em um rack. Sim, um servidor pode ser facilmente fixado com fita adesiva dupla face em algum lugar sob a escada ou em um depósito.
Como os servidores de borda são instalados fora dos data centers protegidos, há requisitos mais elevados de segurança física. Para eles, são previstos contêineres de proteção:
No nível de manipulação de dados, os servidores de borda prevêem a criptografia de discos e um processo de inicialização seguro. A própria criptografia consome de 2 a 3% da potência computacional, mas nos servidores de borda normalmente utilizam-se processadores Xeon D com um módulo de aceleração AES embutido, que minimiza as perdas de potência.
Quando os servidores de borda são aplicados
Em Edge Computing, apenas os dados que não podem ou não são razoáveis de serem processados de outra forma entram no data center para processamento. Assim, os servidores de borda são utilizados quando é necessário:
- Uma abordagem flexível à segurança, já que em Edge Computing é possível configurar a transmissão para o data center central de informações já processadas e preparadas;
- Proteção contra perda de informação, uma vez que, em caso de perda de conexão com o centro, os nós locais acumularão informações;
- Economia de tráfego, que é alcançada graças ao processamento da maior parte das informações no local.
Edge computing para economia de tráfego
A empresa dinamarquesa Maersk — um dos líderes em transporte marítimo de cargas no mundo — decidiu reduzir o consumo de combustível de seus navios e diminuir as emissões de poluentes na atmosfera.
Para resolver esse problema, foi utilizada a tecnologia , sensores nos motores e principais nós do navio, assim como o servidor local BullSequana Edge para cálculos 'no local'.
Graças aos sensores, o sistema EcoMain Suite monitora constantemente o estado de componentes críticos do navio e suas variações em relação ao normativo previamente calculado. Isso permite diagnosticar rapidamente falhas e localizá-las até o nó problemático. Como a telemetria é constantemente enviada "para o centro", o técnico de serviço pode realizar análises remotamente e fornecer recomendações à equipe de bordo. E a principal pergunta aqui é — quantos dados e em qual volume devem ser enviados para o centro de dados central.
Dado que é bastante problemático conectar a internet cabeada barata a um porta-contêiner marítimo, a transmissão de grandes volumes de dados brutos para o servidor central acaba sendo muito cara. No servidor central BullSequana S200, é calculado um modelo lógico geral do navio, enquanto o processamento de dados e o controle imediato são transferidos para um servidor local. Como resultado, a implementação deste sistema recuperou o investimento em três meses.
Computação em borda para economia de recursos
Mais um exemplo de computação em borda é a videoanálise. Assim, para o fabricante de equipamentos para gases técnicos Air Liquide, uma das tarefas locais no ciclo de produção é o controle de qualidade da pintura dos cilindros de gás. Este processo era feito manualmente, levando cerca de 7 minutos por cilindro.
Para acelerar esse processo, uma unidade com 7 câmeras de alta resolução substituiu o operador humano. As câmeras filmam o cilindro de vários ângulos, gerando cerca de 1 GB de vídeo por minuto. O vídeo é enviado para o servidor de borda BullSequana Edge com Nvidia T4 a bordo, onde uma rede neural treinada para identificar defeitos analisa o fluxo em tempo real. Como resultado, o tempo médio de inspeção foi reduzido de vários minutos para apenas alguns segundos.
Computação em borda na análise
As atrações da Disneyland não são apenas diversão, mas também um complexo objeto técnico. Por exemplo, na "Montanha Russa Americana", existem cerca de 800 sensores diferentes instalados. Eles enviam continuamente dados sobre o funcionamento da atração para o servidor, enquanto o servidor local processa esses dados, calcula a probabilidade de falha da atração e sinaliza isso para o centro de dados central.
Com base nesses dados, é determinada a probabilidade de falha técnica e iniciado o reparo preventivo. A atração continua a funcionar até o final do dia de trabalho, enquanto isso, já foi elaborado um pedido de reparo, e os trabalhadores rapidamente consertam a atração à noite.
BullSequana Edge
Os servidores BullSequana Edge são parte de uma grande infraestrutura para trabalhar com ‘big data’, já testados com as plataformas Microsoft Azure e Siemens MindSphere, VMware WSX e possuem certificados NVidia NGC/EGX. Esses servidores foram projetados especificamente para computação de borda e são disponibilizados em gabinetes de formato U2 nas versões para instalação em racks padrão, montagem em trilhos DIN, montagem na parede e em versão de piso.
Os BullSequana Edge são construídos em uma placa-mãe de desenvolvimento próprio e processador Intel Xeon D-2187NT. Eles suportam a instalação de até 512 GB de memória RAM, 2 SSD de 960 GB ou 2 HDD de 8 ou 14 TB. Além disso, é possível instalar 2 GPUs Nvidia T4 de 16 GB para trabalho com vídeo; módulos Wi-Fi, LoRaWAN e 4G; até 2 módulos SFP de 10 gigabits. Os próprios servidores já possuem um sensor de abertura de tampa, que está conectado ao BMC, módulo de controle IPMI. Ele pode ser configurado para desligar automaticamente ao acionar o sensor.
As especificações técnicas completas dos servidores BullSequana Edge podem ser encontradas em . Se você estiver interessado em mais detalhes, teremos o prazer de responder às suas perguntas nos comentários.
Fonte: habr.com
