Прорываясь сквозь туман:скорость Edge, Hybrid и All-Cloud

При попытке определить, где проводить анализ, характеристики приложения и пропускная способность пограничного облака являются ключевыми факторами, влияющими на производительность.

В последние годы произошел толчок к периферии с формулировкой «туманных вычислений», в которой активы и обработка развертываются везде, где это возможно, в диапазоне между централизованным облаком и граничной средой для конкретного приложения.

По мере того, как мы переводим предприятия в экономику реального времени, ведутся споры о том, какой этап спектра обеспечивает оптимальную производительность или самое быстрое реагирование. Облачные сервисы обеспечивают емкость и обработку по запросу, где и когда это необходимо, но часто замедляются из-за проблем с задержкой, поскольку данные и команды отправляются через различные сети сетей. Гибридные механизмы предлагают некоторую степень локальной обработки, и перемещение данных может быть ускорено с помощью систем в памяти, но скорости могут быть непостоянными. Полный перенос обработки на периферийные устройства может обеспечить быструю аналитику на месте, но не может быть легко распространен среди предприятий.

См. также: Почему периферийные вычисления могут помочь Интернету вещей раскрыть весь потенциал

Это суть презентации и документа, представленного на недавней конференции IEEE Edge Computing группой исследователей из Университета Арканзаса. Команда под руководством Думитрела Логина из Национального университета Сингапура проверила эти три основных режима граничных вычислений и пришла к выводу, что когда дело доходит до скоростей, между тремя режимами доставки данных существует ничья. Их анализ, основанный на измерениях, «выявляет разнообразный ландшафт производительности, в котором нет явного победителя среди облачной, периферийной и гибридной обработки. Однако ключевыми факторами, влияющими на производительность, являются характеристики приложения и пропускная способность пограничного облака».

Команда провела измерения в семи различных приложениях MapReduce на двух маломощных периферийных устройствах и в облаке AWS. Хотя не все приложения MapReduce подходят для гибридной гранично-облачной обработки, среди тех, которые оказались подходящими, они проанализировали скорости как в отдельных граничных, так и в облачных кластерах, а также в одном гранично-облачном кластере.

Исследователи обнаружили, что на производительность влияет ряд факторов, в том числе характеристики приложений, такие как избирательность и пропускная способность пограничного облака. Например, два основных измеренных приложения Hadoop показали разную скорость в зависимости от сетевых каналов внутри и между кластерами. Единый гибридный кластер MapReduce на 41 % и 63 % медленнее, чем отдельные пограничные и облачные кластеры для некоторых выбранных процессов, но на 85 % и 100 % быстрее для других.

Исследователи также отмечают, что настройки были созданы «с использованием трех облачных областей AWS, так что две из них имитируют границу, а третья представляет облако. Мы решили имитировать периферию с помощью облачных экземпляров, потому что хотим проанализировать влияние времени передачи и пропускной способности, а не влияние оборудования на ускорение облака через периферию. Используя один и тот же тип узлов для периферии и облака, мы минимизируем эффект ускорения облака. Кроме того, мы используем две области для ребра, потому что
в реальных сценариях организации имеют более одного преимущества
кластер для агрегирования данных."