Ръководство за използване на bi приложения с ръбови изчисления

Всички говорят за компютърни изчисления в наши дни, но малцина разбират какво представлява, още по-малко какво да правим с него. В кратък случай, изчисляването на ръба означава обработка близо до източника на данни, или на сензора, или близо до шлюза. Ако искате да знаете как ИТ може да управлява най-добре компютърните изчисления като алтернатива, проверете „Нуждата от ИТ, за да започнете да мислите за 5G и Edge Cloud Computing“, колона от Wayne Rash, моя колега и сътрудник на PCMag IT Watch. Но за целите на тази статия можем да започнем с обяснение от фирмата за проучване на пазара IDC, която определя ръбните изчисления като „мрежеста мрежа от микро центрове за данни“, които имат „отпечатък по-малък от 100 квадратни фута“.

Както при повечето нови термини в технологичното пространство, „изчисляването на ръбовете“ се използва широко и е свързано с различни други технологии на buzzword, включително blockchain, мрежи за доставяне на съдържание (CDNs), мрежови изчисления, мрежови изчисления и peer-to-to изчисления на връстници. Общата задача, която и технология да се използва във връзка с изчисляване на ръба, е да ускори всеки анализ на данни и свързаните с това действия, като скъси разстоянието между мястото, където се обработват данните, и където крайният резултат от този изход ще има ефект.

Когато става въпрос за превръщането на вашите трудно спечелени бизнес анализи (BI) в разумни действия, това е ключов момент. Но въпреки че BI (особено аналитика с ниска латентност) и изчисляване на ръбовете изглежда са съвпадение, направени в технологичното небе, има много да се помисли, преди да се комбинират двете.

Анализ в ръба срещу поточна анализация

Значението на Edge изчисленията за анализа е ясно, след като разберете, че няма друг практически начин да прехвърлите текущото цунами от Интернет на нещата (IoT) в облака, без да създавате непреодолима латентност и един дявол задръстване на мрежовия трафик. Този проблем с латентността може да се окаже фатален в много нови приложения за анализи, като автономно шофиране. Преливането на данни ще ви отведе от широколентов достъп до затруднение за по-малко време, отколкото е необходимо да кажете „Предайте го, Скоти“.

Да, аналитиката за стрийминг е била рекламирана само преди няколко години като чувствителна към латентността панацея за получаване на прочетени в реално време данни на IoT. Но въпреки че поточната аналитика все още има много въздействия, тя не е в състояние да промени физиката. Огромният трансфер на данни се забавя от многобройни скачания на маршрутизатори, забавяне на пакети за виртуализация, отпаднали връзки и други физически ограничения в мрежата. В случай на IoT в отдалечени райони, въвеждането на мрежова връзка изобщо е мощно предложение на всеки ден.

Не е от значение въпросите, че всички тези проблеми се увеличават от физическото разстояние между данните и изчислителните процеси. Поради тези причини и други, поточната анализа е по-скоро в "почти реално време", а не в реално време. Това забавяне - колкото и да е малко - е огромен проблем, ако, да речем, се нуждаете от изходите навреме, за да може автономната кола да спира и да избегне сблъсък. Още по-голям е проблемът, ако искате всички автомобили по тази магистрала да спират наведнъж.

Накратко, Star Trek и преносителите на данни в реалния живот имат своите граници и няма какво много Скоти в ИТ да направи за това. Просто има твърде много данни за IoT, за да могат да се справят текущите мрежи и обемът все още расте със спираща дъха скорост. Голямото поемане тук: Edge изчисленията ограничават прилива на информация по мрежата и също така осигуряват по-бързи аналитични резултати.

Edge Cloud vs. Cloud

Тъй като тези центрове за микро данни могат да бъдат и често са обединени в съвместни, комуникативни или взаимозависими функции, някои хора обичат да използват термина „облачен облак“.

Например, съвременните автомобили имат стотици вградени компютри, които са проектирани за управление на отделни системи, но също така са свързани помежду си, така че системите да могат да комуникират една с друга и да се адаптират според нуждите. С други думи, те поотделно, колективно и активно използват ръбови изчисления, за да изпълнят разнообразни сложни функции.

"Те не само реагират на наблюдаваните условия, но се научават и адаптират във времето", казва д-р Джоннатан Вей Кри, учен / инженер по вградени и безжични системи в Тихоокеанската национална лаборатория на САЩ (PNNL) на Министерството на енергетиката. "Например, съвременните системи за впръскване на гориво ще спазват моделите на шофиране на автомобила, за да оптимизират мощността и ефективността на горивото. Характерът на тези данни в реално време би направил невъзможно обработването никъде, освен на ръба."

Дори при многосистемната бордова взаимозависимост, терминът "облачен облак" е склонен към по-нататъшно разбиране, тъй като е неточен.

"Когато говорим за IoT устройства, съображенията са почти противоположни на облака", каза Vee Cree. "IoT устройствата обикновено имат ограничена мощност за съхранение и обработка, потенциално прекъсваемо свързване с външния свят и може да се захранва от батерия. Ключовата стойност в тези устройства е тяхната способност да трансформират наличните за тях сурови стойности в значими данни."

Графични устройства за ръбови изчисления по-горе са препечатани с разрешение от TECHnalysis Research.

Въпреки това, крайните и облачните изчисления не са взаимно изключващи се. Всъщност те са преплетени в най-успешните стратегии за данни на IoT. Това вероятно няма да се промени скоро.

„Пример за комбинация от изчисления на ръбове и облаци идва от функциите на автопилот на Tesla. Системата за автопилот трябва да усеща и реагира на постоянно променящите се условия на шофиране. Това прави чрез използването на алгоритми за машинно обучение, които са в състояние да откриват и избягват опасности, докато Докато тези данни се използват за вземане на решения в реално време, те също се споделят с облака и се използват за подобряване на функцията за автопилот за всички шофьори ", обясни Уилям Moeglein, софтуерен инженер в PNNL.

Комбо играта с ръб и облак е често срещана, просто защото работи; той използва най-доброто от двата свята, но това не е единствената игра в града. Всъщност 36 процента от анализа на ръба са разположени в корпоративния център за данни, 34 процента на ръба и 29 процента в облака, според „Computing on the Edge: Survey Highlights“, доклад на Боб О'Донъл, президент и главен анализатор в TECHnalysis Research. Това означава, че има опции за реализиране на крайната анализа. Изборът изцяло зависи от това какво се опитвате да направите и условията, при които се опитвате да постигнете тази цел.

"Компромисът между изчислителната мощност и потреблението на енергия може да бъде ограничаващ фактор, когато устройствата работят от батерия. В случаите, когато консумацията на енергия е важна, решенията могат да се вземат въз основа на малки извадки от данни, въпреки че имат достъп до непрекъснато отчитане на сензорите", каза Moeglein на PNNL.

„Изчисляването на краища дава възможност за обратна връзка за устройства в областта, където комуникациите не са гарантирани, са еднопосочни или са ограничени“, продължи Moeglein. „В случаите, когато се очаква системите да работят години или десетилетия на батерии, компютърните изчисления могат да се използват за осигуряване на по-дълъг живот на устройството чрез намаляване на предадените данни.“

Графиката на мъглата, изчислена по-горе, е препечатана с разрешение от Cisco Systems, Inc.

Откачане от облака на ръбовете

Скоро последва автоматизация за управление и оптимизиране на това къде и как се прави аналитиката, което води до концепцията за „изчисляване на мъглата“, термин, който ИТ и мрежовият доставчик Cisco Systems въведоха. В тази стратегия, както обяснява Cisco в бяла книга, „разработчиците или приставят или пишат IoT приложения за възели за мъгла в ръба на мрежата. Възлите за мъгла, най-близки до ръба на мрежата, поглъщат данните от IoT устройства. Тогава - и това е изключително важно - приложението за мъгла IoT насочва различни видове данни към оптималното място за анализ. " Както е изобразено на графиката по-горе, в представата на Cisco изчисленията за мъгла разширяват облака по-близо до реалните устройства, извършващи събирането на данни. Поставяйки възлите за мъгла в непосредствена близост до IoT устройства, Cisco се стреми да ускори аналитиката, като същевременно намалява латентността.

Някои казват, че е по-лесно да мислим за това като облачни изчисления, изтласкани до ръба - децентрализирани, с други думи - за разлика от ръбните изчисления, които се изчисляват на ръба на мрежата, често всъщност на IoT устройство. Много нюансова разлика, за да сте сигурни.

Често хората използват "изчисляване на ръба" и "изчисляване на мъглата" взаимозаменяемо, тъй като двете понятия са много сходни. Възможността за изчисляване на мъглата да сортира и насочва данни до различни места за анализ, което го отличава. Това и изчисленията за мъгла най-често са "близо до ръба" (т.е. шлюз), а не наистина на ръба, като например на IoT устройство.

Накратко, няма консенсус за това какво точно е изчисляването на ръба, но много хора, които казват, че размиването на проблема не помага. Според гореспоменатия доклад на TECHnalysis Research, „повече хора смятат, че крайните изчисления са направени от крайни точки (29, 8 процента) от шлюзове (13, 2 процента), но 44 процента смятат, че това е и двете“.

Във всеки случай „приложението за крайно използване в крайна сметка задвижва нуждите на системата и има за цел да намери баланс между ползите от обработката на ръба или в облака“, заяви Vee Cree на PNNL.

Тук има само едно правило: Ако се нуждаете от решение в почти или в реално време, извършете обработката възможно най-близо до източника на данни. Edge изчисленията са изборът за премахване на латентността, по-ниско изразходване на енергия и намаляване на мрежовия трафик.

API, приложения и екосистеми

Като цяло приложенията, използвани във връзка с изчисляването на ръба, са насочени към постигане на бързина и ефективност. Тук е по-малко вероятно да намерите самостоятелни приложения за бизнес разузнаване (BI), а по-скоро, вградени BI функции и, разбира се, интерфейси за програмиране на приложения (API), за да се присъедините към IoT данни към съществуващи BI приложения и рамки в облака.

„Концепцията за ръбните изчисления помага на компаниите да възприемат предимствата на облачните изчисления дори и в сценарии, при които закъсненията и свързаността са проблеми. Някои приложения се занимават с размер на данните или изискване за скорост, които забраняват кръгово спиране към облака и в такива случаи Tableau анализите, вградени в локалните приложения, осигуряват бърз поглед ", заяви Марк Джует, вицепрезидент по маркетинг на продукти в Tableau Software.

"В други случаи ръбните компютри предлагат начин да се справят със сценарии, при които свързаността не е надеждна или е скъпа или периодична. Примери като неща, които се движат, като кораби, отдалечени неща, като петролни платформи или мини, или дори ситуации където свързаността е добра, но не си струва да рискувате от прекъсвания, като например системи за производство на инсталации, където престоят е изключително скъп. Анализаторите и други потребители в областта, които може да нямат достъп до пълна работна станция, все още искат същата сила на анализа са разбрали."

Tableau не е единственият доставчик на BI, работещ върху или с данни в края. Microsoft посочи Schneider Electric, един от своите клиенти, като казус. Schneider Electric има крайно приложение, което прави предсказваща поддръжка на маслена пръчка, използвайки Azure Machine Learning и Azure IoT Edge за подобряване на безопасността и намаляване на инцидентите в отдалечени райони, заяви говорител на Microsoft. Обработката на данни се извършва на устройството. Това се постига чрез привеждане на облачната интелигентност - ML модели, които те обучават в облака - до самото устройство на ръба. Това позволява по-бързо откриване на аномалии въз основа на големия набор от данни за тренировки.

Междувременно IBM Watson съобщава за безброй случаи на използване, включително околна и устройствена анализа на гласа и разговорите, анализи на дронове и видео анализи, както и поддръжка и безопасност акустична анализа.

„Във всички тези случаи крайните анализи позволяват подобряване на производителността, разходите и поверителността, като се работи локално в устройства“, казва Брет Грийнщайн, вицепрезидент на IBM Watson IoT, Consumer Offerings. „Растежът е вълнуващ, тъй като изчислителната мощност в ръба нараства и ML съзрява и създава по-специализирани случаи на използване.

„Устройствата могат да„ разберат “какво виждат и чуват и да използват това разбиране, за да осигурят по-добро обслужване и да направят по-добър избор. Това се случва в реално време. И тъй като реалните данни могат да бъдат превърнати в прозрения в крайното устройство, може да не трябва да изпращат данните в облака, което подобрява разходите и помага да се осигурят нови форми на защита на поверителността."

Добавянето на нови слоеве на защита на поверителността потенциално ще продължи дълъг път в намаляването на задълженията на компанията, като все пак предлагането на данни трябва да процъфтява.

Edge Computing Apps от числата

Имайки предвид, че ръбните компютри са в начален стадий, не е изненадващо, че само малко приложение на ръбните изчислителни приложения са нови (39 процента), според TECHnalysis Research. Мнозинството (61 процента) са мигрирани облачни приложения. След това са следните приложения за изчисляване на горния ръб:

Анализ на операциите (44%)

Мониторинг на процесите (35 процента)

Мониторинг на служителите (32 процента)

Дистанционен мониторинг на активи (28 процента)

Спазване на работното място / безопасност (24 процента)

Прогнозна поддръжка (22 процента)

Проследяване на физически активи на място (20 процента)

Петте основни причини за мигрирането на облачни приложения към ръба, според същия този доклад на TECHnalysis Research, са за подобряване на сигурността, намаляване на разходите, намаляване на латентността, подобряване на локалния контрол и намаляване на мрежовия трафик.

Чрез обектива на BI, ефективността и възможностите се подобряват с изчисленията на ръба. Ето защо има смисъл първо да мигрирате облачни приложения или да вградите анализи в съществуващи IoT приложения, които могат да ви поставят в най-добрата позиция най-бързо. Например, вместо да стриймвате и анализирате всички данни от един робототехнически блок на фабричния етаж, можете да изхвърлите флотама, което е привидно безкрайното количество повтаряща се информация, генерирана от сензора.

Вместо това, изчисляването на ръба може да се използва за отбелязване и анализ само на "промените данни", което означава данните, които са по различен начин от другите поточни данни от същия източник. Например, представете си вятърна мелница в арктическия кръг, отчитаща: "Добре съм. Добре съм. Добре съм. Острието заседна две секунди. Добре съм. Добре съм. Добре съм." Малко за залепването на острието биха били данните за промяна. Така би и "смяна на вятъра", което може да задейства машината да се обърне и да събере повече енергия. Данните за промяна са точките с данни с най-голямо значение именно защото те отбелязват промяна.

В такива случаи приложенията в края работят само със съответните данни; някои биха го нарекли „интелигентни данни“. Защо да кипи морето, когато важни детайли могат лесно да се видят? Интелигентните приложения за данни правят данните използваеми в точката на събиране и могат също така да решават кои данни да бъдат изпратени в облака за по-нататъшно смесване и анализ в традиционните BI приложения. По този начин извличането на данни се оптимизира за максимален бизнес ефект.

4 съвета за вашата BI и Edge Comput Strategy

Сравнително лесно е да скочите на борда на ръба на изчислителната тенденция и да решите да започнете с мигриране на приложения от облака. Но излизането в действие без стратегия би било сериозна грешка. Спомняте ли си първите дни на IoT, когато случайни неща като тостери бързо бяха свързани в интернет и после гордо показани на следващия CES?

Дори интелигентните данни не могат да ви помогнат, ако стратегията ви е безсмислена или липсва. И така, ето четири съображения, които трябва да имате предвид при формирането на вашия BI и крайната стратегия.

1. Преоценете текущата си игра на IoT за допълнителни възможности за извличане на данни. Например, един бакалин или производител може да иска да използва данни от своята верига за доставки, като например сензори за охлаждане и товарни автомобили, за да установи или утвърди източника на суровините. Подобна информация, добавена към блокчейн за устойчивост, може да се използва в маркетинга за привличане на екологично съобразени потребители.

Търговецът може да използва компютърно зрение и компютърни изчисления в магазина си, за да сканира потребителите, за да покаже на място триизмерно представяне на това как дрехите, на които пазарува, всъщност ще им пасват. Това би могло да подобри продажбите, както и да премахне необходимостта от съблекални и свързаните с тях проблеми със сигурността и поверителността. Но данните могат да бъдат изпращани и в облака, за да бъдат смесени с други данни за потребителите, за да се информира по-голямата стратегия на компанията.

Потърсете възможности да извлечете повече от IoT, който имате. Какво друго можете да направите с данните, които генерира? Какви други данни можете да ги използвате за събиране и обработка?

2. Решете кои приложения се нуждаете от ръба. Може да се наложи да мигрирате приложение, да вградите някои анализи или дори да напишете персонализирано приложение; всичко зависи от това, което се опитвате да направите. Нека вашите бизнес цели ви насочват при избора на приложения.

Добро място да научите повече за разработването на приложения за ръба е OpenDev конференция, организирана от фондацията OpenStack. OpenStack е проектът за облачни изчисления с отворен код и просто така се случва, че крайните изчисления са гореща тема там. Също така се случва, че отворен код е горещ при ръбните изчисления, тъй като е почти във всички изчисления. Можете също да разгледате приложения, предлагани от крайни доставчици на изчислителни системи и вградена аналитика, предоставена от доставчиците на BI приложения.

3. Изберете нова технология, която искате да използвате. Можете да помолите доставчиците да ви представят демонстрация, за да можете да усетите кои технологии искате да използвате, какви приложения са налични и някои насоки за разработването на приложения за това. Например, Amazon Web Service (AWS) и AWS Greengrass, Microsoft Azure IoT Edge, както и Cisco и IBM Watson IoT предлагат смесица от технологии, както и анализи и приложения за крайни изчисления в IoT.

Можете също да разгледате голямо разнообразие от блокчейн, CDN, партньорски партньор и други чисти доставчици на игра. Но не пренебрегвайте технологичните гиганти като Dell Inc., IBM Corp. и Hewlett Packard Enterprise (HPE), които вземат всички необходими възможности за добавяне на допълнителни възможности за съхранение и изчисления и анализи към техния хардуер, за да ги превърнат в крайни устройства.

Вземете усещане за вашите възможности, преди да започнете сериозно да оценявате доставчиците. Освен това направете опис на видовете IoT технологии, които вашата компания използва в момента, и типовете, които бихте искали да добавите, преди да започнете да говорите с доставчици. По този начин е по-вероятно да останете на път.

4. План за еволюцията. Има начин в пътя към зрялост, който следват всички незрели технологии и тенденции. Очаквайте същата еволюция да се случи с BI и ръба. Така че, да, вероятно ще има консолидация на доставчиците са някакъв момент; имайте това предвид.

Също така потърсете отделянето на облачния технология от правилния облак, така че те да могат да се използват и на ръба. Ще искате да видите такова отделяне, което ще ви осигури максимална гъвкавост при използване на облак или ръб. Това вероятно ще намали разходите и ще повиши ефективността чрез по-интелигентни приложения от разнообразна екосистема, а не от един доставчик. Направете своя план както краткосрочен, така и дългосрочен, за да гарантирате, че можете да се адаптирате към предвидимите промени без голяма загуба в предишни инвестиции.