Ускорение аналитики: сравнение производительности Edge, гибридных и облачных решений

При определении места проведения анализа ключевыми факторами, влияющими на производительность, являются характеристики приложения и пропускная способность канала передачи данных между Edge и облаком.

В последние годы наблюдается стремление к Edge с формулировкой «туманных вычислений» (fog computing), при которых активы и обработка развертываются в любой подходящей точке спектра между централизованным облаком и периферийной средой для конкретного приложения.

По мере перехода предприятий в экономику реального времени разгораются споры о том, какой этап спектра обеспечивает оптимальную производительность или самую быструю отзывчивость. Облачные сервисы предоставляют емкость и обработку по запросу там и когда нужно, но часто замедляются из-за проблем с задержкой, когда данные и команды передаются через различные сети. Гибридные решения предлагают определенную степень локальной обработки, а перемещение данных может быть ускорено за счет in-memory систем, но скорости могут быть нестабильными. Перенос обработки на периферийные устройства полностью может обеспечить быструю локальную аналитику, но не может быть легко распространен по всему предприятию.

См. также: Почему Edge Computing может помочь IoT раскрыть полный потенциал

В этом заключается суть презентации и статьи, представленные на недавней конференции IEEE Edge Computing командой исследователей из Университета Арканзас. Команда, возглавляемая Думитрелом Логиным из Национального университета Сингапура, проверила эти три основных режима Edge Computing и пришла к выводу, что в плане скорости между тремя режимами доставки данных ничья. Их анализ, основанный на измерениях, «раскрывает разнообразный ландшафт производительности, где нет явного победителя среди облачной, периферийной и гибридной обработки. Однако характеристики приложения и пропускная способность канала Edge-облако являются ключевыми факторами, влияющими на производительность».

Команда провела измерения по семи различным приложениям MapReduce на двух периферийных устройствах с низким энергопотреблением и в облаке AWS. Хотя не все приложения MapReduce подходят для гибридной Edge-облачной обработки, среди тех, что подходят, они анализировали скорости как по отдельным Edge и облачным кластерам, так и по единому Edge-облачному кластеру.

На производительность влияло ряд факторов, включая характеристики приложения, такие как селективность, и пропускная способность Edge-облака, выяснили исследователи. Например, два основных приложения Hadoop показали разную скорость в зависимости от внутри- и межкластерных сетевых связей. Единый гибридный кластер MapReduce на 41% и 63% медленнее отдельных Edge и облачных кластеров для некоторых выбранных процессов, но на 85% и 100% быстрее для других.

Исследователи также отмечают, что установки создавались «с использованием трех регионов AWS Cloud, причем два из них имитируют Edge, а третий представляет облако. Мы выбрали имитацию Edge с помощью облачных экземпляров, потому что хотели проанализировать влияние времени передачи и пропускной способности, а не эффект оборудования на ускорение облака по сравнению с Edge. Используя одинаковые типы узлов для Edge и облака, мы минимизируем эффект ускорения облака. Кроме того, мы используем два региона для Edge, потому что в реальных сценариях организации имеют более одного Edge-кластера для агрегации данных».