Kapag bumubuo ng isang imprastraktura ng network, karaniwang isinasaalang-alang ng isa ang alinman sa lokal na computing o cloud computing. Ngunit ang dalawang pagpipiliang ito at ang kanilang mga kumbinasyon ay kakaunti. Halimbawa, ano ang gagawin kung hindi mo maaaring tanggihan ang cloud computing, ngunit walang sapat na bandwidth o masyadong mahal ang trapiko?
Magdagdag ng intermediate na magsasagawa ng bahagi ng mga kalkulasyon sa gilid ng lokal na network o proseso ng produksyon. Ang konsepto ng gilid na ito ay tinatawag na Edge Computing. Ang konsepto ay umaakma sa kasalukuyang modelo ng paggamit ng data ng ulap, at sa artikulong ito titingnan natin ang kinakailangang hardware at mga halimbawang gawain para dito.
Mga antas ng Edge computing
Sabihin nating mayroon kang isang buong grupo ng mga sensor na naka-install sa bahay: isang thermometer, isang hygrometer, isang light sensor, isang leak sensor, at iba pa. Pinoproseso ng lohikal na controller ang impormasyong natanggap mula sa kanila, nagpapatupad ng mga senaryo ng automation, naglalabas ng naprosesong telemetry sa serbisyo ng cloud at tumatanggap ng na-update na mga senaryo ng automation at sariwang firmware mula dito. Kaya, ang lokal na pag-compute ay direktang ginagawa sa site, ngunit ang kagamitan ay kinokontrol mula sa isang node na pinagsasama ang maraming ganoong mga device.
Ito ay isang halimbawa ng isang napakasimpleng edge computing system, ngunit ipinapakita na nito ang lahat ng tatlong antas ng edge computing:
- Mga IoT device: bumuo ng "raw data" at ipadala ito sa iba't ibang protocol.
- Mga node sa gilid: Iproseso ang data nang malapit sa mga pinagmumulan ng impormasyon at kumilos bilang mga pansamantalang tindahan ng data.
- Mga serbisyo sa cloud: nag-aalok ng mga function ng pamamahala para sa parehong peripheral at IoT device, nagsasagawa ng pangmatagalang pag-iimbak at pagsusuri ng data. Bilang karagdagan, sinusuportahan nila ang pagsasama sa iba pang mga corporate system.
Ang konsepto ng Edge computing mismo ay bahagi ng isang malaking ecosystem na nag-o-optimize sa teknolohikal na proseso. Kabilang dito ang parehong hardware (rack at edge server), at mga bahagi ng network at software (halimbawa, platform para sa pagbuo ng mga algorithm ng AI). Dahil ang mga bottleneck ay maaaring lumitaw sa panahon ng paglikha, paghahatid at pagproseso ng malaking data at nililimitahan ang pagganap ng buong system, ang mga bahaging ito ay dapat na magkatugma sa isa't isa.
Mga tampok ng edge server
Sa antas ng edge node, gumagamit ang Edge Computing ng mga edge server na direktang inilalagay kung saan ginawa ang impormasyon. Kadalasan ang mga ito ay produksyon o teknikal na lugar kung saan imposibleng mag-install ng server rack at matiyak ang kalinisan. Kaya, ang mga edge server ay inilalagay sa mga compact, dust- at moisture-proof na mga kaso na may pinahabang hanay ng temperatura; hindi sila maaaring ilagay sa isang rack. Oo, ang naturang server ay madaling makabitin sa mga double-sided tape na anchor sa isang lugar sa ilalim ng hagdan o sa utility room.
Dahil ang mga edge server ay naka-install sa labas ng mga secure na data center, mayroon silang mas mataas na pisikal na mga kinakailangan sa seguridad. Ang mga proteksiyon na lalagyan ay ibinigay para sa kanila:
Sa antas ng pagpoproseso ng data, ang mga edge server ay nagbibigay ng disk encryption at secure na booting. Ang pag-encrypt mismo ay kumokonsumo ng 2-3% ng computing power, ngunit ang mga edge server ay karaniwang gumagamit ng Xeon D processors na may built-in na AES acceleration module, na nagpapaliit ng power loss.
Kailan Gamitin ang Mga Edge Server
Sa Edge Computing, ang data center ay tumatanggap para sa pagproseso lamang ng mga data na imposible o hindi makatwiran na iproseso sa anumang iba pang paraan. Kaya, ginagamit ang mga edge server kapag kinakailangan:
- Flexible na diskarte sa seguridad, dahil sa kaso ng Edge Computing maaari mong i-configure ang paglipat ng pre-processed at handa na impormasyon sa central data center;
- Proteksyon laban sa pagkawala ng impormasyon, dahil kung ang komunikasyon sa sentro ay nawala, ang mga lokal na node ay mag-iipon ng impormasyon;
- Ang mga pagtitipid sa trapiko ay nakakamit sa pamamagitan ng pagproseso ng karamihan ng impormasyon sa site.
Edge computing upang makatipid ng trapiko
Ang kumpanyang Danish na Maersk, isa sa mga pinuno sa maritime cargo transportation sa mundo, ay nagpasya na bawasan ang pagkonsumo ng gasolina ng mga barko nito at bawasan ang mga emisyon ng mga pollutant sa atmospera.
Ang teknolohiya ay ginamit upang malutas ang problemang ito , mga sensor sa mga makina at pangunahing bahagi ng barko, pati na rin ang lokal na server ng BullSequana Edge para sa on-site na computing.
Salamat sa mga sensor, patuloy na sinusubaybayan ng sistema ng EcoMain Suite ang kondisyon ng mga kritikal na bahagi ng barko at ang kanilang paglihis mula sa isang paunang nakalkulang pamantayan. Binibigyang-daan ka nitong mabilis na ma-diagnose ang isang fault at i-localize ito hanggang sa node ng problema. Dahil ang telemetry ay patuloy na ipinapadala "sa gitna", ang isang service technician ay maaaring magsagawa ng pagsusuri nang malayuan at gumawa ng mga rekomendasyon sa on-board crew. At ang pangunahing tanong dito ay kung gaano karaming data at kung anong dami ang ililipat sa central data center.
Dahil napakaproblema ng pagkonekta ng murang wired na Internet sa isang barkong lalagyan ng dagat, masyadong mahal ang paglilipat ng malaking halaga ng raw data sa isang central server. Sa gitnang server ng BullSequana S200, ang pangkalahatang lohikal na modelo ng barko ay kinakalkula, at ang pagproseso ng data at direktang kontrol ay inililipat sa lokal na server. Bilang resulta, ang pagpapatupad ng sistemang ito ay nagbayad para sa sarili nito sa loob ng tatlong buwan.
Edge computing upang makatipid ng mga mapagkukunan
Ang isa pang halimbawa ng edge computing ay ang video analytics. Kaya, para sa tagagawa ng kagamitan para sa mga teknikal na gas na Air Liquide, ang isa sa mga lokal na gawain ng ikot ng produksyon ay ang kontrol sa kalidad ng pagpipinta ng mga gas cylinder. Ito ay isinagawa nang manu-mano at tumagal ng halos 7 minuto bawat silindro.
Upang mapabilis ang prosesong ito, pinalitan ang tao ng isang bloke ng 7 high-definition na video camera. Kinukuha ng mga camera ang lobo mula sa ilang panig, na bumubuo ng humigit-kumulang 1 GB ng video bawat minuto. Ipinapadala ang video sa server ng BullSequana Edge na may nakasakay na Nvidia T4, kung saan sinusuri ng isang neural network na sinanay na maghanap ng mga depekto ang stream online. Bilang resulta, ang average na oras ng inspeksyon ay nabawasan mula sa ilang minuto hanggang sa ilang segundo.
Edge computing sa analytics
Ang mga rides sa Disneyland ay hindi lamang masaya, kundi pati na rin mga kumplikadong teknikal na bagay. Kaya, humigit-kumulang 800 iba't ibang mga sensor ang naka-install sa "Roller Coaster". Patuloy silang nagpapadala ng data tungkol sa pagpapatakbo ng atraksyon sa server, at pinoproseso ng lokal na server ang data na ito, kinakalkula ang posibilidad na mabigo ang atraksyon, at sinenyasan ito sa central data center.
Batay sa data na ito, ang posibilidad ng isang teknikal na pagkabigo ay tinutukoy at ang mga preventive repair ay inilunsad. Ang atraksyon ay patuloy na gumagana hanggang sa katapusan ng araw ng trabaho, at pansamantala ang isang repair order ay naibigay na, at ang mga manggagawa ay mabilis na nag-aayos ng atraksyon sa gabi.
BullSequana Edge
Ang mga server ng BullSequana Edge ay bahagi ng isang malaking imprastraktura para sa pagtatrabaho sa "malaking data"; nasubok na sila sa mga platform ng Microsoft Azure at Siemens MindSphere, VMware WSX at may mga sertipiko ng NVidia NGC/EGX. Ang mga server na ito ay partikular na idinisenyo para sa edge computing at available sa U2 form factor chassis sa karaniwang rack, DIN rail, wall at tower mount na mga opsyon.
Ang BullSequana Edge ay binuo sa isang proprietary motherboard at isang Intel Xeon D-2187NT processor. Sinusuportahan nila ang pag-install ng hanggang 512 GB ng RAM, 2 SSD na 960 GB o 2 HDD na 8 o 14 TB. Maaari rin silang mag-install ng 2 Nvidia T4 16 GB GPU para sa pagpoproseso ng video; Mga module ng Wi-fi, LoRaWAN at 4G; hanggang sa 2 10-Gigabit SFP modules. Ang mga server mismo ay mayroon nang naka-install na lid opening sensor, na konektado sa BMC na kumokontrol sa IPMI module. Maaari itong i-configure upang awtomatikong patayin ang power kapag na-trigger ang isang sensor.
Ang buong teknikal na mga detalye para sa mga server ng BullSequana Edge ay matatagpuan sa . Kung interesado ka sa mga detalye, ikalulugod naming sagutin ang aming mga tanong sa mga komento.
Pinagmulan: www.habr.com