Útmutató a bi alkalmazások élszámításhoz történő használatához

Manapság mindenki a szélsőséges számításról beszél, de csak kevesen értik meg, mi ez, még kevésbé, mi köze hozzá. Röviden: az élszámítás az adatforráshoz közel, vagy az érzékelőn, vagy az átjáró közelében történő feldolgozást jelenti. Ha azt szeretné tudni, hogy az informatika hogyan tudja a legjobban kezelni a szélsőséges számításokat, mint alternatívát, akkor nézd meg Wayne Rash, kollégám és a PCMag IT Watch közreműködőjének oszlopát az "5G és az Edge Cloud Computing gondolkodásának megkezdéséhez". De e cikk alkalmazásában elindíthatjuk az IDC piackutató cég magyarázatát, amely az élszámítást úgy határozza meg, mint egy "mikro adatközpontok hálójának hálóját", amelynek "lábnyoma kevesebb mint 100 négyzetláb".

Mint a legtöbb új kifejezésnél a technológiai térben, a „szélsőséges számítástechnikát” széles körben használják, és számos más szóbeszéd technológiával összekapcsolódtak, beleértve a blokkláncot, a tartalomszolgáltató hálózatokat (CDN-ket), a hálózati számítást, a hálószámítást és a peer-to-to- peer computing. A közös feladat, függetlenül attól, hogy melyik technológiát alkalmazzák az élszámításhoz, az adatelemzés és a kapcsolódó műveletek felgyorsítása azáltal, hogy lerövidítjük az adatfeldolgozási hely és a kimeneti eredmény vége közötti távolságot.

Ez a legfontosabb szempont, amikor a nehezen megnyert üzleti intelligencia (BI) betekintést cselekvési alapú betekintéské alakíthatjuk. De annak ellenére, hogy a BI (különösen az alacsony késleltetésű elemzés) és a szélsőséges számítások a tech égbolton egyeztetnek tűnnek, mégis sok szempontot kell mérlegelni a kettő kombinálása előtt.

Analytics az Edge vs. Streaming Analytics oldalon

Az éleken alapuló számítástechnikai elemzés jelentőségét egyértelművé teszi, ha rájössz, hogy nincs más gyakorlati módszer a tárgyak internete (IoT) adatainak folyamatban lévő cunami továbbítására a felhőbe tarthatatlan késleltetés és a hálózati forgalmi dugó létrehozása nélkül. Ez a késleltetési probléma végzetesnek bizonyulhat számos feltörekvő elemző alkalmazásban, például az autonóm vezetésnél. Az adat túlcsordulása kevesebb idő alatt vezet a szélessávú hálózatról a szűk keresztmetszetre, mint amennyit el kell mondani: "Streaming up, Scotty".

Igen, az analitikus adatfolyamokat csak néhány évvel ezelőtt látták el, mint egy késés-érzékeny csodaszer, amely a tárgyak internete adatainak valós idejű beolvasását szolgálja. De bár az analitika streamingje még mindig rengeteg előnye van, ez nem tudta megváltoztatni a fizikát. A hatalmas adatátvitelt számos router-ugrás, virtualizációs csomag késés, megszakadt kapcsolatok és más hálózati fizikai korlátok lassítják. A távoli területeken működő tárgyak internete esetén a hálózati kapcsolat megszerzése egy adott napon nagyon hatalmas javaslat.

Nem számít, hogy ezeket a problémákat az adatok és a számítási folyamatok közötti fizikai távolság növeli. Ezen és más okok miatt a streaming analitika inkább "közel-valós idejű", nem pedig valós időben zajlik. Ez a késés - bármennyire is kicsi - hatalmas probléma, ha mondjuk, időben szükség van a kimenetekre, hogy egy autonóm autó fékezzen és elkerülje az ütközést. Még nagyobb probléma, ha azt akarja, hogy az autópályán lévő összes autó egyszerre fékezzen.

Röviden: a Star Trek és a valós adathordozók meghatározzák a korlátaikat, és az IT-ben semmi skót nem képes erre. Egyszerűen túl sok az internet tárgyi adatainak kezelése a mai hálózatok számára, és a mennyiség továbbra is lélegzetelállító ütemben növekszik. A nagy eljutás itt: Az Edge Computing az információ hullámait hajtja végre a hálózaton keresztül, és gyorsabb analitikai outputokat is biztosít.

Edge Cloud vs Cloud

Mivel ezek a mikroadat-központok összekapcsolódhatnak és gyakran összekapcsolódnak együttműködési, kommunikációs vagy egymástól függő funkciókban, egyesek szeretik használni a "szél felhő" kifejezést.

Például a modern autók százai beágyazott számítógépekkel rendelkeznek, amelyeket az egyes rendszerek kezelésére terveztek, de kapcsolódnak egymáshoz, hogy a rendszerek kommunikálni tudjanak egymással, és szükség szerint alkalmazkodjanak. Más szavakkal, külön-külön, együttesen és erősen használják az élen alapuló számításokat a különféle komplex funkciók elvégzéséhez.

"Nem csak reagálnak a megfigyelt körülményekre, hanem idővel megtanulnak és alkalmazkodnak" - mondta Johnathan Vee Cree, PhD., A beágyazott és vezeték nélküli rendszerek tudósa / mérnöke az Egyesült Államok Energiaügyi Minisztériumának Csendes-óceán északnyugati nemzeti laboratóriumához (PNNL). "Például a modern üzemanyag-befecskendező rendszerek megfigyelik az autó vezetési mintáit az energia és az üzemanyag-hatékonyság optimalizálása érdekében. Ezen adatok valós idejű jellege lehetetlenné tenné a szélén kívüli adatok feldolgozását."

Még a multi-rendszerek fedélzeti kölcsönös függősége esetén is, a "szélső felhő" kifejezés tovább sérti a megértést, mivel pontatlan.

"Az IoT eszközökről beszélve a megfontolások majdnem ellentétesek a felhővel" - mondta Vee Cree. "Az IoT eszközök általában korlátozott tárolási és feldolgozási képességgel rendelkeznek, potenciálisan szakaszos kapcsolatot létesíthetnek a külvilággal, és tápellátást táplálhatnak. Ezekben az eszközökben a legfontosabb érték az, hogy képesek a rendelkezésükre álló nyers érzékelő értékeket értelmes adatokké alakítani."

A Edge Computing Devices fenti ábra ábrázolása a TECHnalysis Research engedélyével történt.

A szélsőséges számítástechnika és a felhőalapú számítástechnika azonban nem zárják ki egymást. Valójában összefonódnak a leghatékonyabb tárgyak internete adatstratégiáival. Ez nem valószínű, hogy hamarosan megváltozik.

"A szélsőséges és a felhőalapú számítások kombinációjának példája a Tesla autopilot szolgáltatásaiból származik. Az autopilot rendszernek érzékelnie kell és reagálnia kell a folyamatosan változó vezetési körülményekre. Ezt gépi tanulási algoritmusok alkalmazásával teszi lehetővé, amelyek képesek felismerni és elkerülni a veszélyeket, miközben Míg ezeket az adatokat valós időben döntések meghozatalához használják, megosztják azokat a felhővel és felhasználják az összes pilóta számára az autopilot funkció javításához ”- magyarázta William Moeglein, a PNNL szoftvermérnöke.

Az él és a felhő kombinált játék egyszerű, mert működik; kihasználja mindkét világ legjobbját, de ez nem az egyetlen játék a városban. Valójában a szélső elemzések 36 százaléka a vállalati adatközpontban, 34 százalék a szélén és 29 százalék a felhőben található, a "Computing on the Edge: Survey Highlights" című jelentés szerint Bob O'Donnell, elnök és a TECHnalysis Research vezető elemzője. Ez azt jelenti, hogy vannak lehetőségek az él elemzés megvalósításához. A választás teljes mértékben attól függ, hogy mit próbál tenni, és attól a körülményektől, amelyek mellett meg akarja valósítani ezt a célt.

"A számítástechnikai teljesítmény és az energiafelhasználás közötti kompromisszum korlátozó tényező lehet az eszközök akkumulátorról történő üzemeltetésekor. Azokban az esetekben, amikor az energiafogyasztás fontos, döntéseket kis adatminták alapján lehet meghozni annak ellenére, hogy hozzáférnek a folyamatos érzékelőmérésekhez" - mondta. PNNL Moeglein.

"Az élek kiszámítása lehetővé teszi a visszajelzést azon eszközök azon területein, ahol a kommunikáció nem garantált, egyirányú vagy korlátozott" - folytatta Moeglein. "Azokban az esetekben, amikor a rendszerek várhatóan évekre vagy évtizedekre fognak működni az akkumulátorokon, az élszámítás felhasználható az eszköz hosszabb élettartama érdekében az átvitt adatok csökkentésével."

A fenti ködszámítási grafikát a Cisco Systems, Inc. engedélyével nyomtattuk át .

A peremfelhő eltávolítása

Az elemzés helyének és módjának kezelésére és optimalizálására szolgáló automatizálás hamarosan követi, ezáltal a „ködszámítás” fogalmához vezet, amelyet az informatikai és hálózati szolgáltató, a Cisco Systems alkotott. Ebben a stratégiában, amint a Cisco egy fehér könyvben kifejti, "a fejlesztők vagy portolnak, vagy írnak IoT-alkalmazásokat a hálózat szélén lévő ködcsomópontokhoz. A hálózati szélhez legközelebb álló ködcsomópontok az IoT-eszközök adatait emésztik be. Ezután - és ez döntő fontosságú - a köd IoT alkalmazás a különféle típusú adatokat az elemzés optimális helyére irányítja. " A fenti ábra szerint a Cisco szerint a ködszámítás a felhőt közelebb hozza az adatgyűjtést végző tényleges eszközökhöz. Azáltal, hogy ködcsomópontokat helyezkedik el az IoT eszközökkel, a Cisco megpróbálja gyorsítani az elemzést, miközben csökkenti a késleltetést.

Egyesek szerint könnyebb ezt úgy gondolni, hogy a felhőalapú számítástechnika szélére tolódik - vagyis decentralizált, más szóval, szemben a szélsőségekkel, amelyek a hálózat szélén, gyakran valójában IoT eszközön működnek. Nagyon árnyalt különbség, az biztos.

Az emberek gyakran használják a "szélsőséges kiszámítást" és a "ködszámítást" felcserélhetően, mivel a két fogalom nagyon hasonló. A ködszámítás azon képessége, hogy rendezze és irányítsa az adatokat különböző helyekre elemzés céljából, amely elválasztja az adatokat. Ez, és a ködszámítás általában "szélén" (azaz egy átjárónál) történik, nem pedig valóban a szélén, például egy tárgyak internete eszközön.

Röviden: nincs egyetértés abban, hogy pontosan mi a szélsőséges számítás, ám sok ember, aki azt állítja, hogy a kérdés elmosódása nem segít. A fent említett TECHnalysis kutatási jelentés szerint "több ember szerint a szélsőséges számítás végpontokból (29, 8 százalék), mint az átjárókból (13, 2 százalék) készül, de 44 százalékuk szerint mindkettő".

Mindenesetre, "a végfelhasználói alkalmazás végső soron meghozza a rendszer igényeit, és célja egyensúly megtalálása a szélén vagy a felhőn történő feldolgozás előnyei között" - mondta a PNNL Vee Cree.

Csak egy hüvelykujjszabály van itt: Ha közeli vagy valós idejű döntésre van szüksége, akkor a feldolgozást az adatforráshoz lehető legközelebb kell végezni. Az élszámítás az a döntés, hogy kiküszöböljük a késést, alacsonyabb energiafelhasználást és csökkentsük a hálózati forgalmat.

API-k, alkalmazások és ökoszisztémák

Általában az élszámításhoz kapcsolódó alkalmazások célja a sebesség és a hatékonyság elérése. Itt kevésbé valószínű, hogy önálló üzleti intelligencia (BI) alkalmazásokat talál, hanem inkább beágyazott BI funkciókat és természetesen alkalmazásprogramozási felületeket (API-kat), hogy az IoT-adatokat összekapcsolják a felhőben lévő meglévő BI alkalmazásokkal és keretekkel.

"A szélsőséges számítás koncepciója segíti a vállalatokat a felhőalapú számítástechnika előnyeinek kiaknázásában, még olyan esetekben is, amikor a késés és a kapcsolódhatóság problémát jelent. Egyes alkalmazások olyan adatmennyiséggel vagy sebesség-követelménnyel foglalkoznak, amely megtiltja a felhőbe történő körbeutazást, és ilyen esetekben a Tableau-t. A helyi alkalmazásokba ágyazott elemzések gyorsan betekintést nyújtanak "- mondta Mark Jewett, a Tableau Software termékmarketing alelnöke.

"Más esetekben a szélsőséges számítástechnika olyan helyzetek kezelésére szolgál, amelyekben a kapcsolat nem megbízható, drága vagy időszakos. Példák például mozgó dolgokra, például hajók, távoli dolgokra, például olajplatformokra vagy aknákra, vagy akár helyzetekre is. ahol jó a kapcsolat, de nem érdemes kockázatot vállalni a megszakításokkal kapcsolatban, például olyan gyártóüzemi rendszereknél, ahol a leállások rendkívül költségesek. Az elemzők és más, a területen működő felhasználók, akik esetleg nem férnek hozzá a teljes munkaállomáshoz, továbbra is ugyanazt az elemzési erőt akarják, mint megismertem."

A Tableau nem az egyetlen BI-gyártó, amely adatokkal vagy a szélén dolgozik. A Microsoft esettanulmányként rámutatott a Schneider Electricre, az egyik ügyfelére. A Schneider Electricnek van egy élelalkalmazása, amely előrejelző karbantartást végez egy olajrudakon, az Azure Machine Learning és az Azure IoT Edge segítségével a biztonság javítása és a távoli területeken bekövetkező események csökkentése érdekében - mondta a Microsoft szóvivője. Az adatfeldolgozás az eszközön történik. Ez úgy érhető el, hogy a felhő intelligenciáját - a felhőben kiképzett ML modelleket - maga a szélső eszközhöz hozza. Ez lehetővé teszi a rendellenességek gyorsabb észlelését a nagy edzési adatkészlet alapján.

Időközben az IBM Watson számtalan felhasználási esetet jelent, ideértve a környezeti és az eszköz hang- és beszélgetési elemzését, a drón kép- és videoanalitikát, valamint a karbantartási és biztonsági akusztikai elemzéseket.

"Ezen esetek mindegyikében az él elemzés javítja a teljesítményt, a költségeket és a magánélet védelmét az eszközökön történő helyben történő üzemeltetés révén" - mondta Bret Greenstein, az IBM Watson IoT, a Fogyasztóvédelmi Szolgáltatások alelnöke. "A növekedés izgalmas, mivel növekszik a számítási teljesítmény a szélén, és az ML érlelődik, és speciálisabb felhasználási eseteket hoz létre.

"Az eszközök" megérthetik "látásukat és hallottaikat, és ezt a megértést használhatják a jobb szolgáltatás biztosítása és a jobb választás meghozatalához. Ez valós időben történik. És mivel a tényleges adatokat át lehet alakítani a szélső eszköz betekintésévé, előfordulhat, hogy nem az adatokat el kell küldeni a felhőbe, ami növeli a költségeket, és elősegíti a magánélet védelmének új formáinak lehetővé tételét."

A magánélet védelmének új rétegeinek hozzáadása jelentősen megkönnyíti a vállalati kötelezettségek csökkentését, miközben továbbra is biztosítja az adatoknak a vállalatok számára történő fejlődését.

Edge Computing Apps a számok alapján

Figyelembe véve, hogy a szélsőséges számítástechnika még gyerekcipőben áll, nem meglepő, hogy csak a szélsőséges számítástechnikai alkalmazások szétosztása új (39 százalék), mondja a TECHnalysis Research. A legtöbb (61 százalék) migrált felhőalapú alkalmazások. De a következők vannak a legfelső szintű számítástechnikai alkalmazásokról:

Műveleti elemzés (44 százalék)

Folyamatfigyelés (35 százalék)

Munkavállalói ellenőrzés (32 százalék)

Távoli eszközfigyelés (28 százalék)

Munkahelyi / biztonsági megfelelés (24 százalék)

Előrejelző karbantartás (22 százalék)

A tárgyi eszköz nyomon követése a helyszínen (20 százalék)

Ugyanezen TECHnalysis kutatási jelentés szerint a felhőalapú alkalmazások élére történő migrálásának öt legfontosabb oka a biztonság javítása, a költségek csökkentése, a késleltetés csökkentése, a helyi ellenőrzés javítása és a hálózati forgalom csökkentése.

A BI objektívje révén a szélsőséges számítástechnika javítja a hatékonyságot és a lehetőségeket. Ezért van értelme először felhőalapú alkalmazásokat áttelepíteni vagy elemzéseket beágyazni a meglévő IoT-alkalmazásokba, amelyek a leggyorsabb helyzetbe hozhatják Önt. Például a robottechnikai egység összes adatainak a streaming és elemzése helyett a gyárpadlón a flotsam kioldható, amely az érzékelő által generált ismétlődő információk látszólag végtelen mennyisége.

Ehelyett a szélsőséges kiszámítás csak a "adatok megváltoztatása" megjelölésére és elemzésére használható, azaz az adatok különböznek az azonos forrásból származó többi adatfolyamtól. Képzeljen el például egy sarki szélmalmat a sarkvidéken: "Jól vagyok. Jól vagyok. Jól vagyok. A penge két másodpercig ragadt. Jól vagyok. Jól vagyok. Jól vagyok." A penge megtapadása kissé a változási adatok. Ugyanez lenne a "széleltolódás", amely a gép forogását és az energia gyűjtését válthatja ki. Pontosan azért, mert megjegyeznek egy változást, a változási adatok a legfontosabb adatpontok.

Ilyen esetekben a szélső alkalmazások csak a releváns adatokkal dolgoznak; egyesek "intelligens adatnak" hívják. Miért forraljuk a tengert, ha a fontos részletek jól láthatók? Az intelligens adatalkalmazások az adatokat felhasználhatóvá teszik a gyűjtési ponton, és eldönthetik, mely adatokat továbbítják a felhőhöz további keverés és elemzés céljából a hagyományos BI-alkalmazásokban. Ily módon optimalizálódik az adatbányászat a maximális üzleti hatás elérése érdekében.

4 tipp a BI és az Edge Computing Stratégiához

Viszonylag könnyű ugrani a szélső számítástechnika trendjére, és úgy dönt, hogy az alkalmazások migrálásával kezdődik a felhőből. A stratégia nélküli cselekvésbe való visszatérés azonban súlyos hiba. Emlékszel az IoT korai napjaira, amikor olyan véletlenszerű dolgokat, mint a kenyérpirító, gyorsan csatlakoztattak az internethez, majd büszkén mutatták be a következő CES-en?

Még az intelligens adatok sem tudnak segíteni abban, ha a stratégiája értelmetlen vagy hiányzik. Tehát, itt négy szempontot kell szem előtt tartani, amikor a BI-t és az élstratégiát alakítja.

1. Értékeld újra a jelenlegi tárgyak internete játékát, hogy további adatbányászati ​​lehetőségeket nyújtsanak. Például egy élelmiszerüzlet vagy gyártó felhasználhatja az ellátási lánc adatait, például hűtési és teherfuvarozási érzékelőket a nyersanyagok forrásainak megállapításához vagy érvényesítéséhez. A fenntarthatósági lánchoz hozzáadott ilyen információk felhasználhatók a marketingben a környezettudatos fogyasztók vonzására.

A kiskereskedő számítógépes látást és élességszámítást használhat üzletében a fogyasztók átkutatása céljából, hogy helyszíni 3D-s ábrázolást nyújtson arról, hogy a vásárló által látott ruházat valójában hogyan illeszkedik számukra. Ez javíthatja az értékesítést, és kiküszöböli az öltözők igényét, valamint a kapcsolódó biztonsági és adatvédelmi kérdéseket. De az adatokat el is küldhetjük a felhőbe, hogy összekeverjük más fogyasztói adatokkal, hogy tájékoztassuk a vállalat nagyobb stratégiáját.

Keressen lehetőségeket arra, hogy jobban kihozza a megvan az internet tárgyát képező tárgyakat. Mit tehetne még az általa generált adatokkal? Milyen más adatokat használhat fel gyűjtésére és feldolgozására?

2. Döntse el, hogy melyik alkalmazásra van szüksége a szélén. Lehet, hogy migrálnia kell egy alkalmazást, be kell ágyaznia néhány elemzést, vagy akár egyéni alkalmazást is írnia kell; minden attól függ, hogy mit akarsz csinálni. Hagyja, hogy üzleti céljai irányítsák Önt az alkalmazások kiválasztásában.

Egy jó hely, ahol többet megtudhat az alkalmazások fejlesztéséről, az OpenDev konferencia, amelyet az OpenStack Alapítvány szervezett. Az OpenStack a nyílt forrású felhőalapú számítástechnikai projekt, és éppen így történik, hogy a szélsőséges számítástechnika nagyon fontos téma. Az is előfordul, hogy a nyílt forráskód forró a szélsőséges számítástechnikában, mint szinte az összes számításban. Megfontolhatja továbbá a szélsőséges számítástechnikai szolgáltatók által kínált alkalmazásokat és a BI-alkalmazások forgalmazói által biztosított beágyazott elemzéseket.

3. Válassza ki a használni kívánt új technológiát. Arra kérheti a forgalmazókat, hogy készítsenek egy bemutatót, így érezheti, hogy melyik technológiát kívánja használni, milyen alkalmazások állnak rendelkezésre, valamint néhány útmutatást az alkalmazások fejlesztéséhez ehhez. Például az Amazon Web Service (AWS) és az AWS Greengrass, a Microsoft Azure IoT Edge, valamint a Cisco és az IBM Watson IoT a tech, valamint az elemzés és az alkalmazások keverékét kínálják az IoT edge számításhoz.

Megtekintheti a sokféle blokkláncot, CDN-t, peer-to-peer és más tiszta játék-szolgáltatókat is. De ne hagyja figyelmen kívül azokat a technológiai óriásokat, mint a Dell Inc., az IBM Corp. és a Hewlett Packard Enterprise (HPE), amelyek mindegyike további tároló, számítástechnikai és elemzési képességeket adott a hardveréhez, hogy ezeket szélső eszközökké alakítsák.

Mielőtt elkezdené komolyan értékelni a gyártókat, mérlegelje lehetőségeit. Mielőtt elkezdené a beszállítókkal való beszélgetést, vegye át a vállalati IoT tech típusait és a hozzáadni kívánt típusokat. Ily módon valószínűbb, hogy a pályán marad.

4. Az evolúció terve. Van egy olyan minta az érettség felé vezető úton, amelyet az összes éretlen technika és trendek követnek. Várható, hogy ugyanaz az evolúció fordul elő a BI-nél és az élnél. Tehát igen, valószínűleg a szállítók konszolidációja lesz; ne feledje ezt.

Szintén keresse meg a felhőtechnika leválasztását a megfelelő felhőtől, hogy szélén is lehessen használni. Érdemes látni egy ilyen elválasztást, mivel ez a maximális rugalmasságot nyújtja a felhő vagy a szél használatakor. Ez valószínűleg csökkenti a költségeket és növeli a hatékonyságot az okosabb alkalmazások révén, különféle ökoszisztémákban, nem pedig egyetlen gyártónál. Tervezze meg rövid és hosszú távú tervét annak biztosítása érdekében, hogy képes legyen alkalmazkodni az előre látható változásokhoz a korábbi beruházások jelentős vesztesége nélkül.