مرا به خاطر بسپار

رایانش لبه و رایانش مه چیست؟

بازدید: 689 آخرین به‌روزرسانی: 16 خرداد 1403

مقدمه

رایانش لبه و رایانش مه را می‌توان به عنوان روش‌هایی تعریف کرد که پردازش داده را به نزدیکی محلی که داده ابتدا تولید و جمع‌آوری می‌شود، می‌آورند. این مقاله جزئیات رایانش لبه و رایانش مه را توضیح می‌دهد و شباهت‌ها و تفاوت‌های مهم بین این دو روش محاسبات را برجسته می‌کند.

رایانش لبه چیست؟

محاسبات در لبه، همانطور که از نامش پیداست، محاسبات داده‌ها را نزدیک‌تر به "لبه" شبکه که داده‌ها تولید می‌شوند، قرار می‌دهد. این می‌تواند به کاهش یا حتی حذف نیاز به یک مرکز داده راه دور کمک کند، زیرا تمامی داده‌ها در همان محل جمع‌آوری، پردازش می‌شوند. تأخیر نیز کاهش می‌یابد و به تصمیم‌گیری در زمان واقعی کمک می‌کند، زیرا نیازی به انتظار برای پردازش داده‌ها در مکان دیگری وجود ندارد.
برای بهتر درک کردن محاسبات در لبه، نمونه‌ای از آن را در دنیای واقعی در نظر بگیرید. فرض کنید بخواهیم در یک شرکت صنعتی، زمان نگهداری و تعمیرات تجهیزات را پیش از خراب شدن آن‌ها پیش‌بینی کنیم. با استفاده از حسگرهای جاسازی شده در تجهیزات، داده‌ها می‌توانند به صورت مداوم به یک سرور لبه (در شرکت و یا بسیار نزدیک به آن) ارسال شوند.
داده‌های جمع‌آوری شده می‌‎توانند با استفاده از الگوریتم‌های هوش مصنوعی پردازش و تحلیل شوند تا احتمال و زمان خرابی تجهیزات را تعیین کنند. در واقع، نگهداری و تعمیرات تجهیزات به صورت پیش‌بینانه می‌تواند به کاهش خرابی غیربرنامه‌ریزی شده تا 70 درصد کمک کند.
وجود سرور لبه می‌تواند ما را از ارسال مداوم داده‌ها به بستر ابر بی‌نیاز کند و سرعت پردازش داده‌ها را به دلیل کاهش تاخیر ارسال داده افزایش دهد.

چالش‌های رایانش لبه

اگرچه محاسبات در لبه برای بسیاری از برنامه‌ها (به ویژه برنامه‌هایی که به تاخیر حساس هستند) مناسب است، قبل از پیاده‌سازی آن به عنوان یک راه حل، مهم است که نقاط ضعف فناوری لبه را نیز درک کنیم.
هزینه زیرساخت اولیه ممکن است با محاسبات در لبه بالا باشد. برخلاف محاسبات ابری که از یک "ابر" خارج از محل استفاده می‌کند و اغلب توسط یک شرکت ثالث ارائه می‌شود تا داده‌ها را ذخیره کند، محاسبات در لبه داده‌ها را به صورت محلی پردازش و ذخیره می‌کند. این به این معنی است که نیاز به سخت‌افزار بیشتری در محل نصب محاسبات در لبه دارید.

همچنین، محاسبات در لبه خطرهای ذخیره‌سازی داده‌ها را به همراه دارد. اگر دستگاه‌های لبه در محل نصب اطلاعاتی را ذخیره کنند که پشتیبان‌گیری نشده باشند، اگر سخت‌افزار مورد استفاده خراب شود، از بین برود، گم شود یا دزدیده شود، ممکن است داده‌هایتان را به طور دائمی از دست بدهید. برای کمک به کاهش این خطرها، همیشه باید داده‌های خود را به صورت قابل اعتماد پشتیبان‌گیری کنید و اطمینان حاصل کنید که قابلیت اعتماد سخت‌افزار یکی از معیار‌های اصلی در انتخاب دستگاه‌های لبه باشد.

رایانش مه چیست؟

رایانش مه یا شبکه مه، یک لایه محاسباتی بین ابر و لبه است. در حالی که رایانش لبه ممکن است جریان‌های بزرگی از داده را مستقیم به ابر ارسال کند، لایه مه می‌تواند داده را از لایه لبه دریافت کرده و قبل از رسیدن به ابر تصمیم بگیرد کدام داده مرتبط است و کدام داده مرتبط نیست. داده‌های مرتبط در ابر ذخیره می‌شوند، در حالی که داده‌های غیرمرتبط می‌توانند حذف شوند یا در لایه مه برای دسترسی از راه دور یا اطلاع رسانی مدل‌های یادگیری محلی تجزیه و تحلیل شوند.
یک نمونه واقعی از رایانش مه می‌تواند در یک برنامه تعبیه شده (Embedded System Application) در یک خط تولید کارخانه باشد که در آن یک حسگر دما متصل به یک سرور لبه، دمایی را هر ثانیه اندازه‌گیری می‌کند. سپس این داده به برنامه ابری برای نظارت بر افزایش دما ارسال می‌شود. تصور کنید که تمام اندازه‌گیری‌های دما، هر ثانیه در یک چرخه اندازه‌گیری ۲۴ ساعته، به ابر ارسال می‌شوند.

در صورت استفاده از لایه مه، سرور لبه ابتدا داده را از طریق یک شبکه محلی به لایه مه ارسال می‌کند. سرور مه این داده را دریافت کرده و بر اساس معیارهای مشخصی تصمیم می‌گیرد که آیا ارسال آن به ابر لازم است یا خیر. نتیجه نهایی منجر به کاهش ترافیک شبکه می‌گردد.

برای اندازه‌گیری‌های ساده دما، این صرفه‌جویی در داده‌ها ممکن است به نظر بی‌اثر بیاید. اما تصور کنید اگر شما به طور مداوم اطلاعات پیچیده یا فایل‌های بزرگی مانند تصاویر یا ویدیوها را استریم کنید. تأثیر بر پهنای باند و تاخیر ممکن است بسته به نوع برنامه، بسیار زیاد باشد.

رایانش ابری، رایانش مه و رایانش لبه

مزایای رایانش مه

یکی از مزایای اضافی ایجاد لایه مه بین لایه لبه و لایه ابر، بهبود کارایی ترافیک داده و کاهش تاخیر است. با پیاده‌سازی لایه مه، داده‌هایی که ابر از برنامه تعبیه شده خاص شما دریافت می‌کند، کمتر پراکنده و کم‌دردسر خواهد بود. بدون وجود لایه مه، ابر ابتدا باید داده‌های غیرضروری را پردازش کرده، آن‌ها را فیلتر نماید و سپس نتایج را بازگرداند، اما با وجود لایه مه، ابر می‌تواند مستقیماً داده‌های مفیدی که از مه دریافت می‌کند، پردازش نماید.

در نگاه کلی، مزایای بسیار بیشتری وجود دارد. مقدار فضای ذخیره‌سازی مورد نیاز برای برنامه ابری شما به طور قابل توجهی کاهش می‌یابد. این به این دلیل است که ابر تنها داده‌های مرتبط را ذخیره و پردازش می‌کند. انتقال داده نیز سریعتر خواهد بود زیرا حجم داده‌هایی که به ابر ارسال می‌شود به طور قابل توجهی کاهش می‌یابد.

معایب رایانش مه

یک نکته‌ای که باید روشن باشد این است که رایانش مه نمی‌تواند رایانش لبه را جایگزین کند. با این حال، رایانش لبه می‌تواند به راحتی بدون رایانش مه انجام شود. بنابراین، نقطه ضعف این است که رایانش مه نیاز به سرمایه‌گذاری دارد.

سیستم دارای رایانش مه، طبیعتا یک سیستم پیچیده‌تر است که باید با زیرساخت ابری یکپارچه شود. این کار هزینه، زمان و دانش زیادی را می‌طلبد. بایستی توجه شود که رایانش مه در هر سناریویی راه‌حل ایده‌آل نیست، اما مزایای آن می‌تواند برای کسانی که در حال حاضر از معماری داده مستقیم لبه به ابر استفاده می‌کنند، جذاب باشد.

رایانش مه در برابر رایانش لبه؛ تفاوت چیست؟

رایانش مه و رایانش لبه در بسیاری از جوانب شباهت دارند. در واقع، هر دو آن‌ها فراهم کننده ترافیک داده به ابر هستند. رایانش لبه در جایی که داده تولید می‌شود، یعنی در "لبه" شبکه، انجام می‌شود.
این مفهوم بدان معناست که یک رایانه لبه به حسگرها و کنترل‌کننده‌های یک دستگاه خاص متصل می‌شود و سپس داده را به ابر ارسال می‌کند. با این حال، ترافیک داده می‌تواند بسیار بزرگ و ناکارآمد باشد. در نتیجه ممکن است به همراه اطلاعات مفیدی که واقعاً نیاز است، اطلاعات غیرمربوط نیز به ابر ارسال شود.

متأسفانه، حتی ابر نیز در زمانی که به طور مستقیم به دستگاه‌های لبه متصل است، محدودیت‌هایی در ظرفیت، امنیت و کارایی دارد. به همین علت از رایانش مه استفاده می‌شود.

جدول مقایسه رایانش لبه و مه و رایانش ابری

آیا می‌توان در رایانش مه و رایانش لبه از سخت‌افزار یکسان استفاده کرد؟

از نظر سخت‌افزار و نوع کامپیوترهای قابل استفاده، می‌توانید به راحتی از سخت‌افزار رایانش لبه برای همان هدفی که یک سرور مه استفاده می‌شود، استفاده کنید. تفاوت در محل و نحوه جمع‌آوری و پردازش داده‌ها است و نه لزوماً ویژگی‌ها و قابلیت‌های سخت‌افزاری.

جمع‌بندی

به طور خلاصه، رایانش لبه محاسباتی است که در لبه شبکه، در نزدیکی مکان فیزیکی دستگاه‌های تولیدکننده داده‌ها، انجام می‌شود. از سوی دیگر، رایانش مه به عنوان یک واسط بین لبه و ابر برای اهداف مختلفی مانند فیلتر کردن داده‌ها عمل می‌کند. در نهایت، رایانش مه نمی‌تواند رایانش لبه را جایگزین کند، اما رایانش لبه می‌تواند در بسیاری از برنامه‌ها بدون رایانش مه انجام شود.
آیا سوالی درباره نیازهای سخت‌افزاری برای رایانش لبه یا رایانش لبه دارید؟ با متخصصان ابررایانه سیمرغ تماس بگیرید تا اطلاعات بیشتری درباره پیشنهادات سخت‌افزاری بدست آورید.

سوالات متداول

  1. رایانش لبه چیست؟

رایانش لبه (Edge computing) به معنای انجام محاسبات و پردازش داده‌ها در نزدیکی محل تولید و جمع‌آوری آن‌ها، به جای انتقال کامل داده‌ها به مراکز ابری است.

 

  1. رایانش مه چیست؟

رایانش مه (Fog computing) به معنای انجام محاسبات و پردازش داده‌ها در مجاورت و در نزدیکی منابع محلی و شبکه‌های محلی (مانند رایانه‌ها، سرورها و دستگاه‌های شبکه) است که به عنوان یک واسطه بین لبه (Edge) و ابر (Cloud) عمل می‌کند.

 

  1. مزایای استفاده از رایانش مه چیست؟

مزایای استفاده از رایانش مه شامل کاهش تاخیر در ارسال و دریافت داده‌ها، افزایش کارایی سیستم‌ها به واسطه کاهش بار مراکز ابری، افزایش امنیت با پردازش و تصمیم‌گیری محلی در نزدیکی منبع تولید داده، حفظ حریم خصوصی داده‌ها با کاهش میزان انتقال داده‌ها به ابر، و پشتیبانی از برنامه‌های کاربردی زمان‌ واقعی (Real-Time) است.

 

  1. چرا در همه کاربردها از رایانش مه استفاده نمی‌شود؟

به دلیل محدودیت‌هایی مانند حجم و پیچیدگی پردازش، نیاز به استفاده از قابلیت‌های ابری، نیاز به پاسخ‌دهی در زمان واقعی و همچنین هزینه‌های مربوط به پیاده‌سازی و مدیریت زیرساخت‌ها، ممکن است نتوان از رایانش مه بهره جست.

تا چه حد این مطلب برای شما مفید بود؟
بر اساس رای 0 نفر

اگر بازخوردی درباره این مطلب دارید یا پرسشی دارید که بدون پاسخ مانده است، آن را از طریق بخش نظرات مطرح کنید.

ثبت نظر

نظر دادن