محاسبات مه چیست؟ مه در مقابل محاسبات لبه توضیح داده شد

پردازش داده ها در نزدیکی منبع می تواند هزینه ها را کاهش داده و پردازش را سرعت بخشد.

نکات کلیدی

• محاسبات مه مفهوم محاسبات لبه را با ایجاد یک زیرساخت محاسباتی توزیع شده که محدوده جغرافیایی وسیع تری را در بر می گیرد، گسترش می دهد.
• محاسبات مه در مقایسه با رایانش ابری به منبع داده نزدیکتر عمل می کند، اما نه دقیقاً در منبع، با استفاده از گره های مه راهبردی در سراسر شبکه.
• محاسبات مه سلسله مراتبی از منابع محاسباتی را فراهم می کند، از دستگاه های لبه گرفته تا گره های مه گرفته تا مراکز داده ابری، بهینه سازی کارایی، کاهش تأخیر و ارائه یک سیستم ساختاریافته و در عین حال انعطاف پذیر.

درک ما از الگوهای پردازش و ذخیره سازی داده ها با تحولات سریع دنیای دیجیتال تکامل می یابد. اصطلاحات “ابر”، “لبه” و “مه” فقط اصطلاحات هواشناسی نیستند. آنها سه سیستم محاسباتی منحصر به فرد را نشان می دهند. محاسبات لبه و مه در پاسخ به محدودیت های قبلی خود پدیدار شدند، اما هر کدام دارای ویژگی ها و مزایای متمایز هستند.

محاسبات مه چیست؟ محاسبات مه توضیح داد

بیایید به این بپردازیم که محاسبات مه چیست و نحوه عملکرد آن را توضیح دهیم. با این حال، قبل از بررسی محاسبات مه، مفید است که بفهمیم چه چیزی قبل از آن اتفاق افتاده است و چگونه در محاسبات مه به پایان رسیدیم.

رایانش ابری به عنوان یک مدل انقلابی برای مدیریت و پردازش داده ظاهر شد. ارائه ذخیره سازی و پردازش متمرکز داده در مراکز داده وسیع – اغلب در قاره هایی دور از منبع داده یا کاربر – رایانش ابری امکان مقیاس پذیری، چابکی و کارایی هزینه بی نظیر را فراهم می کند.

در حالی که رایانش ابری مزایای زیادی دارد، اما بدون اشکال نیست. انتقال داده ها در فواصل زیاد به مراکز ابری، پردازش آن ها و سپس ارسال مجدد آن با تأخیر همراه است. برای کارهایی که نیاز به پاسخ فوری یا پردازش بی‌درنگ داده دارند، این تاخیر غیرقابل قبول بود. علاوه بر این، پهنای باند عظیم مورد نیاز برای ارسال هر بایت داده به سرورهای مرکزی، همراه با تراکم شبکه بالقوه، مدل صرفاً مبتنی بر ابر را برای برنامه‌های خاص ناکارآمد کرد.

محاسبات لبه و عمل بعدی آن، محاسبات مه را وارد کنید.

Edge Computing چیست؟

با شناخت محدودیت‌های محاسبات ابری، محاسبات لبه برای به حداقل رساندن تأخیر و بهینه‌سازی پهنای باند در نظر گرفته شد. تفاوت اصلی بین محاسبات ابری و لبه‌ای، میزان داده‌ای است که باید پردازش شود. رایانش ابری مقادیر زیادی را مدیریت می کند، در حالی که edge بر زیر مجموعه های بسیار کوچکتر تمرکز می کند.

به جای مسیریابی همه چیز به سرورهای متمرکز، فرآیندهای داده به منبع داده نزدیک‌تر شدند – شاید یک دوربین امنیتی، یک دستگاه پوشیدنی یا یک حسگر کارخانه. این نزدیکی به این معنی است که داده ها را می توان در محل پردازش کرد، که امکان ساخت برنامه های کاربردی پاسخگو و بلادرنگ را افزایش می دهد. پردازش داده‌های محلی نیز به‌خوبی برای بهره‌وری انرژی و کاهش هزینه‌های کلی انتقال داده است.

اما در حالی که رایانش لبه به چالش‌های تاخیر و پهنای باند می‌پردازد، نگرانی‌های جدیدی را نیز ایجاد می‌کند. امنیت به موضوع پیچیده‌تری تبدیل شده است، زیرا داده‌ها در دستگاه‌های متعددی پردازش می‌شوند. بسیاری از دستگاه های کوچک برای انجام کارهای سخت به عضلات محاسباتی بیشتری نیاز داشتند. علاوه بر این، مدیریت و نگهداری دستگاه های لبه بی شمار پیچیدگی های جدیدی را معرفی کرد.

محاسبات مه چیست؟

محاسبات مه برای غلبه بر محدودیت های پیشینیان محاسباتی خود، ابر و لبه وارد بازی شد. مفهوم محاسبات لبه را با ایجاد یک زیرساخت محاسباتی توزیع شده که محدوده جغرافیایی وسیع تری را در بر می گیرد، نه فقط دستگاه های فردی را گسترش می دهد.

به جای پردازش داده‌ها در منبع (مانند لبه) یا در مکان‌های متمرکز دور (مانند ابر)، محاسبات مه نزدیک‌تر به منبع عمل می‌کند اما دقیقاً در منبع کار نمی‌کند. در این مدل محاسباتی، گره های مه به صورت استراتژیک در سراسر شبکه، از جمله در لبه و در زیرساخت شبکه قرار می گیرند. این گره ها نسبت به دستگاه های لبه معمولی قدرت محاسباتی بیشتری دارند و می توانند پردازش و تحلیل داده های پیچیده تری را انجام دهند.

این به طور موثر یک «ابر نزدیک‌تر» یا یک «ابر توزیع‌شده» ایجاد می‌کند که بهترین‌های هر دو جهان را که مدل‌های محاسباتی قبلی ارائه می‌دهند، ارائه می‌کند. هدف محاسبات مه ارائه سلسله مراتبی از منابع محاسباتی، از دستگاه های لبه گرفته تا گره های مه گرفته تا مراکز داده ابری است. این کارایی را بهینه می‌کند، تأخیر را کاهش می‌دهد و یک سیستم ساختاریافته‌تر و در عین حال انعطاف‌پذیرتر از یک مدل لبه یا ابری خالص ارائه می‌دهد.

ابر در مقابل لبه. محاسبات مه: مقایسه ویژگی ها

این تکامل از ابر به لبه و در نهایت به مه، تصویر واضحی از تلاش بی‌وقفه ما برای بهینه‌سازی پردازش داده‌ها ترسیم می‌کند، و تضمین می‌کند که کارآمدترین، پاسخ‌گوترین و مقرون‌به‌صرفه‌ترین سیستم‌ها برای برآورده کردن خواسته‌های مختلف وجود دارند.

ویژگی

پردازش ابری

محاسبات لبه

محاسبات مه

مکان پردازش داده ها

مراکز داده متمرکز

نزدیک به منبع داده (به عنوان مثال، دستگاه)

شبکه محلی

تاخیر

به دلیل مسافت بالاتر

به دلیل نزدیکی پایین تر

در حد متوسط؛ بهینه سازی شده برای کارایی

استفاده از پهنای باند

بالا

کاهش

بهینه شده است

مقیاس پذیری

بسیار مقیاس پذیر

بستگی به زیرساخت های محلی دارد

مقیاس پذیر اما به زیرساخت شبکه بستگی دارد

هزینه

صرفه جویی در مقیاس می تواند هزینه را کاهش دهد

به دلیل زیرساخت های محلی به طور بالقوه بالاتر است، اما باعث صرفه جویی در انرژی و هزینه انتقال می شود

بستگی به اجرا داره

امنیت

پروتکل های امنیتی متمرکز

غیر متمرکز؛ می تواند آسیب پذیرتر باشد

یک رویکرد لایه ای تعادلی بین هر دو ارائه می دهد

همانطور که گفته شد، باید درک کرد که عملکرد و اثربخشی راه‌حل‌های محاسباتی ابر، لبه یا مه می‌تواند به طور قابل‌توجهی تحت تأثیر قابلیت‌ها و ویژگی‌های دستگاه‌های محلی درگیر باشد. عوامل محدود کننده عبارتند از قدرت پردازش دستگاه، حافظه، و قابلیت های ذخیره سازی. ملاحظات مکان و تأخیر؛ ظرفیت انتقال داده؛ و مقیاس پذیری و تناسب کلی برای کار مورد نظر.

نمونه های دنیای واقعی از محاسبات ابری، لبه و مه

هر مدل محاسباتی – ابر، لبه و مه – در حل چالش‌های خاص در صنعت فناوری تأثیرگذار بوده است. درک کاربردهای عملی هر کدام مزایای خود را هم برای مصرف کنندگان و هم برای کاربران تجاری دارد.

پردازش ابری

ستون فقرات بی‌شماری خدمات دیجیتال مدرن، قابلیت‌های ذخیره‌سازی و پردازش گسترده رایانش ابری، قابلیت دسترسی را دوباره تعریف کرده است. امروزه، نمونه هایی از رایانش ابری در عمل، عمیقاً در زندگی روزمره ما جا افتاده است، چه متوجه باشیم چه ندانیم.

خدمات استریم، مانند نتفلیکس و اسپاتیفای، نمونه های کلاسیکی هستند. به جای کاربرانی که کتابخانه‌های فیلم یا موسیقی گسترده را در دستگاه‌های خود ذخیره می‌کنند، مشترکین می‌توانند محتوای میزبانی شده در مراکز داده ابری عظیم را پخش کنند.

به عنوان مثال، هنگامی که نتفلیکس ویژگی توقف و از سرگیری فیلم‌ها و نمایش‌های تلویزیونی را در هر دستگاهی در هر اتاقی در خانه اعلام کرد، سرویس استریم از منابع رایانش ابری بهره می‌برد و دارد. این تمرکز به این معنی است که می‌توانید تماشای یک فیلم را در یک دستگاه شروع کنید، آن را متوقف کنید، و مشاهده محتوا را در دستگاه دیگر از سر بگیرید، همه اینها به لطف ماهیت متمرکز داده در فضای ابری است.

محاسبات لبه

همانطور که دستگاه‌ها هوشمندتر می‌شوند و بیشتر در روال‌های روزمره ما یکپارچه می‌شوند، نیاز به قابلیت‌های تصمیم‌گیری سریع به‌طور تصاعدی افزایش می‌یابد. به عنوان مثال، گوشی های هوشمند از محاسبات لبه برای انجام تشخیص گفتار، پردازش تصویر و سایر وظایف استفاده می کنند. دوربین‌های هوشمند و سایر دستگاه‌های خانه هوشمند نیز به عنوان اهرم محاسبات لبه شناخته شده‌اند.

و در نهایت، خودروهای خودران به شدت به محاسبات لبه برای تصمیم گیری در زمان واقعی متکی هستند. حسگرها و رایانه‌های داخلی داده‌های دوربین‌ها، LiDAR، رادار و سایر حسگرها را تجزیه و تحلیل می‌کنند تا بدون نیاز به سرور ابری دور، محیط خود را هدایت کنند و به آن پاسخ دهند.

محاسبات مه

با ترکیب بهترین ویژگی‌های ابر و لبه، محاسبات مه در سناریوهایی که نیاز به تصمیم‌های هماهنگ و محلی بدون بارگذاری بیش از حد دستگاه‌ها دارند، می‌درخشد. نمونه بارز ابتکارات شهر هوشمند است.

یک سیستم ترافیکی هوشمند را در یک شهر تصور کنید: به جای اینکه هر چراغ راهنمایی به طور مستقل تصمیم بگیرد (مانند لبه) یا صرفاً به یک سیستم مرکزی دور (مانند ابر) تکیه کند، چراغ های راهنمایی در یک منطقه خاص ممکن است با یک گره مه محلی ارتباط برقرار کنند. برای تصمیم گیری هماهنگ تر

به عنوان مثال، اگر یک ترافیک در یک منطقه ظاهر شود، سیستم می تواند زمان بندی نور را در مناطق اطراف تنظیم کند تا ازدحام را کاهش دهد بدون اینکه داده ها را تا آخر به ابر مرکزی ارسال کند.

Cloud Jargon Demystified

در حالی که هر کدام جایگاه خود را دارند، محاسبات ابر، لبه و مه در یک اکوسیستم محاسباتی بهینه، کارآمد و پاسخگو نقش دارند. کاربران و کسب و کارها با ابهام زدایی از اصطلاحات و درک کاربردهای عملی آن سود می برند. همانطور که ما به استفاده از قدرت داده ها ادامه می دهیم، اطمینان از پردازش کارآمد، ایمن و سریع در خط مقدم پیشرفت تکنولوژی باقی خواهد ماند.

منبع مقاله