Vid utformningen av nÀtverksinfrastruktur beaktas vanligtvis antingen lokal databehandling eller molnet. Men dessa tvÄ alternativ och deras kombinationer Àr inte tillrÀckliga. Vad gör man till exempel om man inte kan avstÄ frÄn molndatabehandling, men bandbredden Àr otillrÀcklig eller trafiken Àr för dyr?
LĂ€gg till ett mellansteg som utför en del av berĂ€kningarna vid grĂ€nsen till det lokala nĂ€tverket eller produktionsprocessen. Denna perifera koncept kallas Edge Computing â "grĂ€nsberĂ€kningar". Konceptet kompletterar den nuvarande molnmodellen för dataanvĂ€ndning, och i denna artikel kommer vi att gĂ„ igenom nödvĂ€ndig hĂ„rdvara och exempel pĂ„ uppgifter för den.
NivÄer av edge computing
Anta att du har installerat en mĂ€ngd sensorer hemma: termometer, hygrometer, ljussensor, lĂ€ckagesensorer och mer. En logisk kontroller bearbetar den information som mottas frĂ„n dem, implementerar automatiseringsscenarier, skickar den bearbetade telemetrin till molntjĂ€nsten och fĂ„r uppdaterade automatiseringsscenarier och nya firmware tillbaka. PĂ„ sĂ„ sĂ€tt utförs lokala berĂ€kningar direkt pĂ„ objektet, men utrustningen kontrolleras frĂ„n en enhet som sammanför flera sĂ„dana enheter.Â
Detta Àr ett exempel pÄ ett mycket enkelt system för grÀnsberÀkningar, men redan hÀr kan man se alla tre nivÄer av edge computing:
- IoT-enheter: genererar "rĂ„data" och överför dem via olika protokoll.Â
- Perifera noder: bearbetar data i nÀra anslutning till informationskÀllorna och fungerar som temporÀrt datalagring.
- MolntjĂ€nster: erbjuder funktioner för hantering av bĂ„de perifera och IoT-enheter, utför lĂ„ngsiktig lagring och analys av data. Dessutom stödjer de integration med andra företagsystem.Â
SjÀlva konceptet Edge computing Àr en del av ett stort ekosystem som optimerar teknologiska processer. Det innefattar bÄde hÄrdvarudelarna (rack- och grÀnsservrar) samt nÀtverks- och mjukvarudelarna (till exempel plattformen för utveckling av AI-algoritmer). Eftersom "flaskhalsar" kan uppstÄ vid skapande, överföring och bearbetning av "big data" och begrÀnsa systemets totala prestanda, mÄste dessa delar vara kompatibla med varandra.
Egenskaper hos Edge-servrar
PÄ nivÄn av perifera noder inom Edge Computing anvÀnds Edge-servrar, som placeras direkt dÀr informationen produceras. Vanligtvis Àr detta produktions- eller tekniska lokaler dÀr man inte kan installera rackservrar och upprÀtthÄlla renhet. DÀrför har Edge-servrar kompakta, damm- och fuktresistenta chassin med ett utökat temperaturintervall, och de kan inte installeras i ett rack. Ja, sÄdana servrar kan utan problem hÀnga pÄ dubbelsidigt tejp i ankare nÄgonstans under trappan eller i ett lager.
Eftersom Edge-servrar installeras utanför skyddade datacenter, har de högre krav pÄ fysisk sÀkerhet. För dem förutses skyddande containrar:
PÄ nivÄn av databehandling i Edge-servrar förutses kryptering av diskar och sÀker boot. SjÀlva krypteringen tar 2-3% av den berÀknade kraften, men i Edge-servrar anvÀnds vanligtvis Xeon D-processorer med inbyggda AES-hastighetsmoduler, vilket minimerar kraftförluster.
NÀr Edge-servrar anvÀnds
Vid Edge Computing gÄr endast de data som inte kan eller Àr oekonomiska att bearbeta pÄ annat sÀtt in i datacentret för bearbetning. DÀrför anvÀnds Edge-servrar nÀr det krÀvs:
- En flexibel sĂ€kerhetsansats, eftersom i fallet med Edge Computing kan man pĂ„ förhand konfigurera överföring av förberedd och bearbetad information till det centrala datacentret;Â
- Skydd mot informationsförlust, eftersom lokala noder kommer att lagra informationen vid förlust av anslutning till centrum;Â
- Besparingar pĂ„ trafik, vilket uppnĂ„s genom att bearbeta den huvudsakliga mĂ€ngden information pĂ„ plats.Â
Edge computing för trafikbesparingar
Det danska företaget Maersk - en av vĂ€rldens ledande aktörer inom sjöfrakt - har beslutat att minska brĂ€nsleförbrukningen pĂ„ sina fartyg och sĂ€nka utslĂ€ppen av föroreningar i atmosfĂ€ren.Â
För att lösa detta problem anvĂ€ndes teknologin , sensorer pĂ„ motorerna och viktiga delar av fartyget, samt en lokal BullSequana Edge-server för berĂ€kningar "pĂ„ plats".Â
Tack vare sensorerna övervakar EcoMain Suite-systemet stĂ€ndigt tillstĂ„ndet för kritiska delar av fartyget och deras avvikelse frĂ„n de förutberĂ€knade normerna. Detta gör det möjligt att snabbt diagnostisera fel och lokalisera dem ner till den problematiska komponenten. Eftersom telemetri kontinuerligt sĂ€nds "till centret" kan serviceteknikern utföra analysen pĂ„ distans och ge rekommendationer till besĂ€ttningen. Den stora frĂ„gan hĂ€r Ă€r hur mycket data och i vilken volym som ska skickas till det centrala datacentret.Â
Eftersom det Àr ganska problematiskt att ansluta billig fast internet till ett fartyg behöver överföring av stora volymer rÄdata till den centrala servern kosta mycket. PÄ den centrala BullSequana S200-servern berÀknas den totala logiska modellen för fartyget, och databehandling och direkt kontroll överförs till den lokala servern. Som ett resultat har implementeringen av detta system betalat sig inom tre mÄnader.
Edge computing för resursbesparingar
Ett annat exempel pÄ grÀnsberÀkningar Àr videoanalys. SÄ, för tillverkaren av tekniska gaser Air Liquide Àr en av de lokala uppgifterna i produktionscykeln att kontrollera kvaliteten pÄ lackeringen av gasflaskor. Detta gjordes manuellt och tog cirka 7 minuter per flaska.
För att pÄskynda denna process ersattes mÀnniskan av en enhet med 7 högupplösta videokameror. Kamerorna filmar flaskan frÄn flera sidor och genererar cirka 1 GB video per minut. Videon skickas till den lokala BullSequana Edge-servern med Nvidia T4 ombord, dÀr ett neuralt nÀtverk, trÀnat pÄ att upptÀcka defekter, analyserar strömmen i realtid. Som resultat har den genomsnittliga inspektionstiden minskat frÄn flera minuter till nÄgra sekunder.
Edge computing i analysen
Attraktionerna pĂ„ Disneyland Ă€r inte bara nöje, utan ocksĂ„ en komplex teknisk anlĂ€ggning. PĂ„ "Amerikan Thunder" finns omkring 800 olika sensorer. De sĂ€nder kontinuerligt data om attraktionens drift till servern, medan den lokala servern behandlar dessa data, berĂ€knar sannolikheten för att attraktionen ska gĂ„ sönder och meddelar detta till det centrala datacentret.Â
Baserat pĂ„ dessa uppgifter bestĂ€ms sannolikheten för tekniskt fel och ett förebyggande underhĂ„ll pĂ„börjas. Attraktionen fortsĂ€tter att fungera fram till slutet av arbetsdagen, medan arbetet med reparationen redan har inletts, och arbetarna reparerar attraktionen snabbt pĂ„ natten.Â
BullSequana EdgeÂ
BullSequana Edge-servrarna ingĂ„r i en stor infrastruktur för bearbetning av "big data", de har redan testats med plattformarna Microsoft Azure och Siemens MindSphere, VMware WSX och har certifikat frĂ„n NVidia NGC/EGX. Dessa servrar har utvecklats specifikt för grĂ€nskostnader och finns i U2-formfaktorer för installation i standardrack, pĂ„ DIN-skena, pĂ„ vĂ€gg och i golvmodell.Â
BullSequana Edge Ă€r byggda pĂ„ ett moderkort av egen design och med Intel Xeon D-2187NT-processorn. De stöder installation av upp till 512 GB RAM, 2 SSD-enheter pĂ„ 960 GB eller 2 HDD-enheter pĂ„ 8 eller 14 TB. Dessutom kan de installera 2 Nvidia T4 16 GB GPU:er för videobearbetning; Wi-fi, LoRaWAN och 4G-moduler; upp till 2 10-gigabit SFP-moduler. SjĂ€lva servrarna har redan en locköppningssensor som Ă€r kopplad till BMC som styr IPMI-modulen. Den kan konfigureras för att automatiskt stĂ€nga av strömmen vid aktivering av sensorn.Â
De fullstÀndiga tekniska specifikationerna för BullSequana Edge-servrarna finns pÄ . Om du Àr intresserad av detaljer, Àr vi glada att svara pÄ vÄra frÄgor i kommentarerna.
KĂ€lla: habr.com
