Panduan untuk menggunakan aplikasi bi dengan pengkomputeran tepi

Semua orang bercakap tentang pengkomputeran tepi hari ini tetapi hanya sedikit yang memahami apa itu, lebih kurang apa yang perlu dilakukan dengannya. Ringkasnya, pengkalan tepi bermaksud pemprosesan dekat dengan sumber data, sama ada pada sensor atau dekat dengan pintu masuk. Sekiranya anda ingin tahu bagaimana IT dapat menguruskan pengkalan sampingan sebagai alternatif, maka periksa "IT Perlu Memulakan Berfikir Mengenai Pengkomputeran Awan 5G dan Edge, " satu lajur oleh Wayne Rash, rakan sekerja dan penyumbang PCMag IT Watch. Tetapi bagi maksud artikel ini, kita boleh mulakan dengan penjelasan daripada firma penyelidikan pasaran IDC, yang mendefinisikan pengkalan tepi sebagai "jaringan jejaring pusat data mikro" yang mempunyai "jejak kurang dari 100 kaki persegi."

Seperti kebanyakan terma baru dalam ruang teknologi, "pengkomputeran tepi" digunakan secara meluas dan telah dikaitkan dengan pelbagai teknologi kata kunci lain, termasuk blockchain, rangkaian penghantaran kandungan (CDN), pengkomputeran grid, pengkomputeran jaringan, dan rakan sebaya- pengkomputeran rakan sebaya. Tugas yang sama, mengikut mana-mana teknologi yang digunakan bersama dengan pengkomputeran tepi, adalah untuk mempercepatkan analisis data dan tindakan yang berkaitan dengan memendekkan jarak di mana data diproses dan di mana hasil akhir output itu akan berkuat kuasa.

Apabila ia datang untuk membalikkan maklumat risikan perniagaan (BI) yang sukar ditumpukan kepada pandangan yang boleh dipertikaikan, itulah pertimbangan utama. Tetapi walaupun BI (terutamanya analitik latency rendah) dan pengkomputeran tepi seolah-olah menjadi perlawanan yang dibuat di surga teknologi, ada banyak yang harus dipertimbangkan sebelum menggabungkan keduanya.

Analitis di Edge vs. Streaming Analytics

Kepentingan pengkalan tepi ke analisis jelas apabila anda menyedari tidak ada cara praktikal lain untuk memindahkan data tsunami Internet of Things (IoT) yang sedang berjalan ke awan tanpa membuat kependaman yang tidak dapat dipertahankan dan satu persatu jem lalu lintas rangkaian. Isu latency ini boleh membuktikan kematian dalam banyak aplikasi analisis yang muncul, seperti memandu autonomi. Limpahan data akan membawa anda dari jalur lebar ke hambatan dalam masa kurang daripada yang diperlukan untuk mengatakan "Aliran itu, Scotty."

Ya, analitik streaming telah disebut-sebut hanya beberapa tahun yang lalu sebagai ubat panasan yang sensitif untuk mengambil bacaan masa nyata pada data IoT. Tetapi, sementara analisis streaming masih mempunyai banyak masalah, ia tidak dapat mengubah fizik. Pemindahan data yang besar diperlambat oleh beberapa hop router, kelewatan paket virtualisasi, sambungan yang jatuh, dan kekangan fizikal lain dalam rangkaian. Dalam kes IOT di kawasan terpencil, mendapatkan sambungan rangkaian sama sekali adalah cadangan yang kuat pada mana-mana hari tertentu.

Ia tidak membantu perkara-perkara yang semua masalah ini diperbesar oleh jarak fizikal antara data dan proses pengkomputeran. Atas alasan ini dan lain-lain, analisis aliran cenderung berada dalam "masa nyata-dekat" berbanding masa sebenar. Itu kelewatan-tidak kira betapa kecil-adalah masalah besar jika, katakan, anda memerlukan output dalam masa untuk kereta autonomi untuk brek dan mengelakkan perlanggaran. Ini masalah yang lebih besar sekiranya anda mahu semua kereta di lebuh raya itu brek sekaligus.

Pendek kata, Star Trek dan pengangkut data kehidupan sebenar mempunyai had mereka dan tidak ada apa-apa yang boleh dilakukan oleh Scotty dalam IT. Terdapat terlalu banyak data IOT untuk rangkaian hari ini untuk mengendalikan dan jumlahnya masih berkembang pada kadar yang menakjubkan. Pembawa besar di sini: Pengkomputeran tepi berpunca dari arus maklumat melalui rangkaian dan menyediakan output analitik yang lebih cepat juga.

Edge Cloud vs. Cloud

Oleh kerana pusat-pusat data mikro ini boleh, dan seringkali, bergabung dalam fungsi kolaboratif, komunikatif, atau saling bergantung, sesetengah orang suka menggunakan istilah "awan kelebihan."

Contohnya, kereta moden mempunyai beratus-ratus komputer terbenam yang direka untuk menguruskan sistem individu tetapi juga bersambung antara satu sama lain supaya sistem dapat berkomunikasi satu sama lain dan menyesuaikan diri seperti yang diperlukan. Dengan kata lain, mereka secara individu, secara kolektif, dan banyak menggunakan pengkomputeran tepi untuk menyelesaikan pelbagai fungsi kompleks.

"Bukan sahaja mereka bertindak balas terhadap keadaan yang diperhatikan tetapi mereka belajar dan menyesuaikan diri dari masa ke masa, " kata Johnathan Vee Cree, PhD., Scientist / Jurutera Sistem Embedded dan Wireless di Jabatan Tenaga Nasional Amerika Pasifik (PNNL). "Sebagai contoh, sistem suntikan bahan api moden akan mematuhi corak memandu kereta untuk mengoptimumkan kecekapan kuasa dan bahan api. Sifat masa nyata data ini akan menjadikannya mustahil untuk diproses di mana-mana selain di tepi."

Walaupun dengan saling ketergantungan di atas pelbagai sistem, istilah "awan pinggir" cenderung untuk berlumpur pemahaman lagi kerana ia tidak tepat.

"Apabila bercakap mengenai peranti IoT, pertimbangannya hampir bertentangan dengan awan, " kata Vee Cree. "Peranti IoT biasanya mempunyai kuasa penyimpanan dan pemprosesan yang terhad, sambungan yang berpotensi berselang-seli ke dunia luar, dan boleh dikuasakan oleh bateri. Nilai utama dalam peranti ini adalah keupayaan mereka untuk mengubah nilai sensor mentah yang tersedia kepada mereka dalam data yang bermakna."

Grafik Perkakasan Edge di atas dicetak semula dengan kebenaran daripada Penyelidikan TECHnalysis.

Walau bagaimanapun, pengkomputeran tepi dan pengkomputeran awan tidak saling eksklusif. Malah, mereka saling berkaitan dalam strategi data IOT yang paling berjaya. Itu tidak mungkin berubah pada bila-bila masa tidak lama lagi.

"Contoh penggabungan tepi dan pengkomputeran awan datang dari ciri-ciri autopilot Tesla. Sistem autopilot mesti merasakan dan bertindak balas terhadap keadaan memandu yang sentiasa berubah. Ini dilakukan melalui penggunaan algoritma pembelajaran mesin yang dapat mengesan dan mengelakkan bahaya sementara mengawal kereta.Walaupun data ini digunakan untuk membuat keputusan dalam masa nyata, ia juga dikongsi dengan awan dan digunakan untuk meningkatkan ciri autopilot untuk semua pemandu, "jelas William Moeglein, seorang Jurutera Perisian di PNNL.

Main combo tepi dan awan adalah perkara biasa kerana ia berfungsi; Ia memanfaatkan yang terbaik dari kedua-dua dunia tetapi ia bukan satu-satunya permainan di bandar. Sebenarnya, 36 peratus analisis pinggir terletak di pusat data korporat, 34 peratus di pinggir, dan 29 peratus di awan, menurut "Pengkomputeran di Edge: Sorotan Tinjauan", laporan oleh Bob O'Donnell, Presiden dan Ketua Penganalisis di Penyelidikan Teknologi. Ini bermakna terdapat pilihan bagaimana kelebihan analytics dilaksanakan. Pilihannya bergantung sepenuhnya kepada apa yang anda cuba lakukan dan keadaan di mana anda cuba mencapai matlamat tersebut.

"Pergerakan antara penggunaan kuasa pengkomputeran dan penggunaan tenaga boleh menjadi faktor pembatas apabila peranti dijalankan dari bateri. Dalam kes-kes di mana penggunaan kuasa adalah penting, keputusan boleh dibuat berdasarkan sampel kecil data walaupun mempunyai akses kepada bacaan sensor berterusan, " kata PNNL's Moeglein.

"Pengkomputeran tepi membolehkan maklum balas untuk peranti di lapangan di mana komunikasi tidak terjamin, adalah satu arah, atau terhad, " Moeglein meneruskan. "Dalam kes-kes di mana sistem dijangka beroperasi selama bertahun-tahun atau beberapa dekad pada bateri, pengkalan tepi boleh digunakan untuk menyediakan hayat peranti lebih lama dengan mengurangkan data yang dihantar."

Grafik pengkomputeran kabut di atas dicetak semula dengan kebenaran daripada Cisco Systems, Inc.

De-Fogging Cloud Ahead

Automasi untuk mengurus dan mengoptimumkan di mana dan bagaimana analitik dilakukan tidak lama kemudian diikuti, dengan itu membawa kepada konsep "pengkomputeran kabus, " istilah yang diwujudkan oleh vendor IT dan rangkaian Cisco Systems. Dalam strategi ini, sebagai Cisco menerangkan dalam kertas putih, "pemaju sama ada pelabuhan atau menulis aplikasi IoT untuk nod kabut di tepi jaringan.Node kabut yang paling dekat dengan tepi rangkaian menelan data dari peranti IoT.Kemudian - dan ini penting- aplikasi IOT kabus mengarahkan pelbagai jenis data ke tempat yang optimum untuk analisis. " Seperti yang digambarkan dalam grafik di atas, dalam pandangan Cisco, pengkomputeran kabut memanjangkan awan lebih dekat kepada peranti sebenar yang melakukan pengumpulan data. Dengan meletakkan nod kabut berdekatan dengan peranti IoT, Cisco berusaha untuk mempercepat analisis sambil mengurangkan kependaman.

Ada yang mengatakan lebih mudah untuk memikirkan ini sebagai pengkomputeran awan ditolak ke tepi-berpusatkan, dalam perkataan lain-yang bertentangan dengan pengkomputeran tepi yang pengkomputeran di pinggir rangkaian, sering sebenarnya pada peranti IoT. Perbezaan yang sangat bernuansa, pasti.

Selalunya orang menggunakan "pengkalan tepi" dan "pengkomputeran kabus" secara bergantian kerana kedua-dua konsepnya sangat serupa. Keupayaan pengkomputeran kabus untuk menyusun dan mengarahkan data ke pelbagai lokasi untuk analisis yang memisahkannya. Itu, dan pengkomputeran kabus selalunya "berhampiran tepi" (iaitu, pintu masuk) dan bukannya di pinggir seperti pada peranti IoT.

Ringkasnya, tidak ada persetujuan tentang apa, tepatnya, pengkomputeran tepi adalah, tetapi banyak orang yang mengatakan fogging masalah itu tidak membantu apa-apa. Menurut laporan Penyelidikan Teknikal yang disebutkan di atas, "lebih banyak orang berfikir komputasi tepi dibuat dari titik akhir (29.8 peratus) daripada pintu gerbang (13.2 peratus), tetapi 44 peratus menganggapnya berdua."

Walau apa pun, "aplikasi akhir penggunaan akhirnya memacu keperluan sistem dan bertujuan untuk mencari keseimbangan antara faedah pemprosesan di pinggir atau awan, " kata Vee Cree PNNL.

Hanya ada satu peraturan di sini: Jika anda memerlukan keputusan dalam masa terdekat atau masa sebenar, lakukan pemprosesan yang hampir dengan sumber data yang mungkin. Pengkomputeran tepi adalah pilihan untuk menghapuskan latensi, menghabiskan tenaga yang lebih rendah, dan mengurangkan trafik rangkaian.

API, Apl, dan Ekosistem

Secara umum, aplikasi yang digunakan bersama dengan pengkomputeran tepi bertujuan untuk mencapai kecekapan dan kecekapan. Di sini, anda kurang cenderung untuk mencari aplikasi risikan perniagaan (BI) yang tersendiri, tetapi sebaliknya, fungsi BI terbenam dan, tentu saja, antara muka pengaturcaraan aplikasi (API) untuk menyertai data IoT ke aplikasi dan kerangka kerja BI yang sedia ada di awan.

"Konsep dari pengkomputeran tepi membantu syarikat merangkul kelebihan pengkomputeran awan walaupun dalam senario di mana gangguan dan kesambungan adalah isu. Sesetengah aplikasi berurusan dengan saiz data atau keperluan kelajuan yang melarang sampingan tersandung ke awan dan, dalam keadaan sedemikian, Tableau analisis tertanam dalam aplikasi tempatan memberikan pandangan dengan cepat, "kata Mark Jewett, Naib Presiden Pemasaran Produk di Tableau Software.

"Dalam kes lain, pengiraan tepi menawarkan cara untuk menangani senario yang mana konektivitas tidak boleh dipercayai atau mahal atau berkala. Contoh seperti hal-hal yang bergerak, seperti kapal, hal-hal yang terpencil, seperti platform minyak atau lombong, atau bahkan situasi di mana sambungan adalah baik tetapi tidak bernilai mengambil risiko gangguan, seperti sistem loji pembuatan di mana downtime adalah sangat mahal. Penganalisis dan pengguna lain di lapangan, yang mungkin tidak mempunyai akses ke stesen kerja penuh, masih menginginkan kekuatan analitik yang sama telah mengetahui."

Tableau bukan satu-satunya vendor BI yang berfungsi atau dengan data di tepi. Microsoft menunjuk kepada Schneider Electric, salah seorang pelanggannya sebagai kajian kes. Schneider Electric mempunyai aplikasi kelebihan yang menyelenggara penyelenggaraan pada rod minyak, menggunakan Azure Machine Learning dan Azure IoT Edge untuk meningkatkan keselamatan dan mengurangkan insiden di kawasan terpencil, kata jurucakap Microsoft. Pemprosesan data dilakukan pada peranti. Ini dicapai dengan membawa model kecerdasan-ML awan yang dilatih di awan-ke peranti tepi itu sendiri. Ini membolehkan pengesanan anomali lebih pantas berdasarkan set data latihan yang besar.

Sementara itu, IBM Watson melaporkan pelbagai kes penggunaan, termasuk analisis suara dan perbualan suara dan perbualan, analisis imej dan analisis drone, dan analisis akustik dan penyelenggaraan keselamatan.

"Dalam semua kes ini, analitik kelebihan membolehkan prestasi, kos, dan privasi yang lebih baik dengan operasi tempatan dalam peranti, " kata Bret Greenstein, Naib Presiden IBM Watson IoT, Tawaran Pengguna. "Pertumbuhan ini menarik kerana kuasa pengkomputeran di pinggir tumbuh, dan ML matang dan mencipta kes penggunaan yang lebih khusus.

"Peranti boleh 'memahami' apa yang mereka lihat dan dengar, dan menggunakan pemahaman itu untuk memberikan perkhidmatan yang lebih baik dan membuat pilihan yang lebih baik. Ini berlaku dalam masa nyata. Dan kerana data sebenar boleh ditukar kepada pandangan di tepi peranti, anda mungkin tidak perlu menghantar data ke awan, yang meningkatkan kos dan membantu membolehkan bentuk perlindungan privasi baru."

Menambah lapisan baru perlindungan privasi berpotensi pergi jauh dalam mengurangkan liabiliti syarikat sementara masih memberi perhatian kepada syarikat data perlu berkembang maju.

Aplikasi Pengkomputeran Edge oleh Nombor

Perlu diingat bahawa pengkomputeran tepi adalah di peringkat awal, tidak menghairankan bahawa hanya aplikasi penghitungan tepi yang baru (39 peratus), menurut Penyelidikan TECHnalysis. Majoriti (61 peratus) adalah aplikasi awan bermigrasi. Yang berkata, berikut adalah aplikasi pengkalan tepi teratas:

Analisis operasi (44 peratus)

Pemantauan proses (35 peratus)

Pemantauan pekerja (32 peratus)

Pemantauan aset jauh (28 peratus)

Pematuhan tempat kerja / keselamatan (24 peratus)

Penyelenggaraan ramalan (22 peratus)

Penjejakan aset fizikal di tapak (20 peratus)

Lima sebab utama untuk memindahkan aplikasi awan ke tepi, menurut laporan Penyelidikan Teknikal yang sama, adalah untuk meningkatkan keselamatan, mengurangkan kos, mengurangkan latensi, meningkatkan kawalan tempatan, dan mengurangkan trafik rangkaian.

Melalui lensa BI, kecekapan dan peluang ditingkatkan dengan pengkomputeran tepi. Oleh itu, masuk akal untuk memindahkan aplikasi awan pertama atau membenamkan analisis dalam aplikasi IOT sedia ada yang boleh meletakkan anda di kedudukan terbaik yang terpantas. Sebagai contoh, bukannya streaming dan menganalisis semua data dari unit robotik di lantai kilang, anda boleh melepaskan tembakan, yang merupakan jumlah maklumat berulang yang dijana oleh sensor.

Sebaliknya, komputasi tepi boleh digunakan untuk diperhatikan dan menganalisa hanya "data perubahan, " yang bermaksud data yang berbeza dalam beberapa cara dari data lain yang mengalir dari sumber yang sama. Sebagai contoh, bayangkan kincir angin di bulatan arktik yang melaporkan: "Saya baik-baik saja Saya baik-baik saja Saya baik-baik saja Blade terperangkap selama dua saat Saya baik-baik saja Saya baik-baik saja Saya baik-baik saja. Sedikit mengenai bilah pisau akan menjadi data perubahan. Jadi akan "pergeseran angin, " yang boleh mencetuskan mesin untuk menghidupkan dan mengumpul lebih banyak tenaga. Perubahan data adalah titik data yang paling penting kerana mereka perhatikan perubahan.

Dalam kes sedemikian, aplikasi di pinggir hanya berfungsi dengan data yang relevan; ada yang menyebutnya "data pintar." Mengapa mendidih laut apabila butiran penting boleh dilihat dengan mudah? Aplikasi data pintar membuat data boleh digunakan di titik pungutan dan juga boleh menentukan data yang dihantar ke awan untuk penggabungan dan analisa selanjutnya dalam aplikasi BI tradisional. Dengan cara ini, perlombongan data dioptimumkan untuk kesan perniagaan maksimum.

4 Tips untuk Strategi Komputasi BI dan Edge Anda

Ia agak mudah untuk melompat di atas trend pengkalan tepi dan memutuskan untuk memulakan dengan aplikasi yang berhijrah dari awan. Tetapi yang berlaku tanpa strategi akan menjadi satu kesilapan yang serius. Ingatlah hari-hari awal IoT apabila perkara-perkara rawak seperti toaster cepat disambungkan ke internet dan kemudian dengan bangga dipaparkan pada CES seterusnya?

Malah data pintar tidak dapat membantu anda jika strategi anda tidak masuk akal atau hilang. Jadi, berikut adalah empat pertimbangan untuk diingat semasa membentuk strategi BI dan kelebihan anda.

1. Menilai semula permainan IoT semasa anda untuk peluang penambangan data tambahan. Sebagai contoh, kedai runcit atau pengeluar mungkin mahu menggunakan data dari rantaian bekalannya, seperti pendinginan dan sensor trak, untuk menubuhkan atau mengesahkan sumber bahan mentah. Maklumat sedemikian yang ditambah kepada blok penghalang kemampanan boleh digunakan dalam pemasaran untuk menarik perhatian pengguna secara alam sekitar.

Peruncit mungkin menggunakan penglihatan komputer dan pengkalan sampingan di kedainya untuk mengimbas pengguna untuk menunjukkan perwakilan 3D di tempat-tempat bagaimana pakaian yang dicari oleh pembeli akan sesuai dengannya. Ini boleh meningkatkan jualan serta menghapuskan keperluan untuk bilik persalinan dan isu keselamatan dan privasi yang berkaitan. Tetapi data juga boleh dihantar ke awan untuk dicampur dengan data pengguna lain untuk memaklumkan strategi syarikat yang lebih besar.

Cari peluang untuk mendapatkan lebih banyak daripada IOT yang anda miliki. Apa lagi yang boleh anda lakukan dengan data yang dihasilkannya? Apakah data lain yang boleh anda gunakan untuk mengumpul dan memprosesnya?

2. Tentukan aplikasi mana yang anda perlukan di tepi. Anda mungkin perlu memindahkan aplikasi, membenamkan beberapa analisis, atau menulis aplikasi khusus; semuanya bergantung pada apa yang anda cuba lakukan. Biarkan matlamat perniagaan anda membimbing anda dalam memilih aplikasi.

Tempat yang baik untuk mengetahui lebih lanjut mengenai membangunkan aplikasi untuk kelebihan adalah persidangan OpenDev, yang dianjurkan oleh OpenStack Foundation. OpenStack adalah projek pengkomputeran awan sumber terbuka, dan ia hanya berlaku bahawa pengkalan tepi adalah topik hangat di sana. Ia juga berlaku bahawa sumber terbuka panas dalam pengkomputeran tepi, kerana ia hampir dalam semua komputer. Anda juga boleh mempertimbangkan aplikasi yang ditawarkan oleh vendor pengkomputeran tepi dan analitik tertanam yang disediakan oleh vendor aplikasi BI.

3. Pilih teknologi baru yang ingin anda gunakan. Anda boleh meminta vendor untuk memberikan demo supaya anda dapat merasakan teknologi yang anda ingin gunakan, aplikasi apa yang tersedia, dan beberapa panduan untuk membangunkan aplikasinya. Sebagai contoh, Amazon Web Service (AWS) dan AWS Greengrass, Microsoft Azure IoT Edge, dan Cisco dan IBM Watson IoT menawarkan gabungan teknologi serta analitik dan aplikasi untuk pengkomputeran tepi IoT.

Anda juga boleh menyemak pelbagai jenis blockchain, CDN, peer-to-peer, dan vendor main yang lain. Tetapi jangan terlepas pandang gergasi teknologi seperti Dell Inc., IBM Corp., dan Hewlett Packard Enterprise (HPE), yang semuanya telah diambil untuk menambahkan keupayaan penyimpanan dan pengkomputeran dan analisis tambahan kepada perkakasan mereka untuk mengubahnya menjadi peranti kelebihan.

Dapatkan rasa untuk pilihan anda sebelum anda mula menilai vendor dengan serius. Juga, ambil inventori jenis teknologi IOT yang sedang digunakan oleh syarikat anda dan jenis yang ingin ditambah, sebelum anda mula bercakap dengan vendor. Dengan cara itu, anda lebih cenderung untuk berada di landasan yang betul.

4. Merancang evolusi. Terdapat corak dalam perjalanan ke kematangan bahawa semua teknologi dan trend yang tidak matang mengikuti. Mengharapkan evolusi yang sama berlaku dengan BI dan kelebihannya. Jadi, ya, kemungkinan akan ada penyatuan vendor adalah titik tertentu; jangan simpan dalam fikiran.

Juga mencari teknologi decoupling cloud dari awan yang betul supaya mereka juga boleh digunakan di tepi juga. Anda akan ingin melihat decoupling sedemikian kerana itu akan memberi anda fleksibiliti maksimum menggunakan awan atau kelebihan. Ia mungkin akan mengurangkan kos dan memacu kecekapan melalui aplikasi yang lebih bijak daripada ekosistem yang pelbagai dan bukan daripada vendor tunggal. Jadikan rancangan anda jangka pendek dan jangka panjang untuk memastikan anda dapat menyesuaikan diri dengan perubahan yang boleh dijangka tanpa kerugian besar dalam pelaburan terdahulu.