Важность граничных вычислений для Интернета вещей

Интернет вещей и граничные вычисления

Интернет вещей растет в геометрической прогрессии с подключенными устройствами, начиная от интеллектуальных светильников и духовок и заканчивая устройствами сбора данных промышленного анализа. По данным IDC, к 2025 году ожидается, что будет 41,6 миллиарда подключенных устройств IoT, генерирующих 79,4 зеттабайта (ZB) данных. Для сравнения, один зеттабайт равен приблизительно одному миллиарду терабайт.

На заре IoT большинство этих устройств отправляли все собранные данные в облако для анализа. Однако когда вы начинаете пытаться отправить в облако триллионы гигабайт, конвейер данных начинает немного засоряться. Вот тут-то и появляются граничные вычисления — они помогают устройствам IoT обрабатывать некоторые из этих данных локально, а не до, а иногда и вместо отправки их в облако. Отсюда и название — данные обрабатываются на «границе» вашей собственной сети, а не отправляются куда-то.

Роль граничных вычислений в Интернете вещей

Пограничные вычисления служат множеству целей в текущей среде Интернета вещей. Эта парадигма распределенных локальных вычислений освобождает устройства IoT от проблем с задержкой и подключением, которые в противном случае сделали бы невозможными некоторые варианты использования IoT. Эта важная технология формирует основу приложений IoT, которые включают секретные данные, требуют принятия решений в режиме реального времени или с малой задержкой, работают в средах, где подключение к облаку либо недоступно, либо полностью недоступно, и особенно в случаях с большим объемом данных, таких как промышленные реализации IoT. .

Поскольку периферийные вычислительные устройства анализируют данные внутри компании, в отличие от данных, проанализированных в облаке, отсутствует задержка. Для точных срочных задач это может улучшить или сломать функциональность устройств IoT. Пограничные вычисления — это эффективный с точки зрения вычислений, безопасный, частный и экономичный способ масштабного использования Интернета вещей без риска утечки данных или перегрузки сети. Кроме того, граничные вычисления предлагают уровень отказоустойчивости и избыточности для критически важных задач. Поскольку этот процесс распределен, т.е. не централизована в единой системе — если что-то сломается, бизнес все равно будет продолжаться без перерыва, пока неисправный элемент будет починен.

Это не означает, что граничные вычисления не могут работать в унисон с облачным анализом — они вполне могут и часто работают. В таких случаях граничные вычисления могут предоставлять некоторые данные в режиме реального времени, а также фильтровать, какие данные со временем загружать в облако для использования в более глубоких или сложных методах анализа.

В сценарии промышленного Интернета вещей, например на производственном объекте, граничные вычисления должным образом важны для снижения риска простоя или утечки данных, а также для более эффективного управления огромными массивами данных. Для производителей, использующих периферийные вычисления, аспект низкой задержки является основным преимуществом для безопасности работников. Например, если информация, собранная с адаптера данных, показывает малозаметные аномалии, т.е. вибрация, которая может указывать на разрушение под напряжением или другую форму краткосрочного отказа, машина может быть немедленно отключена, а не ждать облачного анализа, задержка которого может привести к простою и браку деталей.

Короче говоря, граничные вычисления анализируют некоторые данные с устройств Интернета вещей на границе локальной сети, а не с периферийных устройств. передача их в облако — для более быстрой, избыточной, независимой от подключения обработки IoT, которая легко масштабируется.

Edge — это важнейший компонент Интернета вещей, помогающий сократить задержки и повысить надежность.

Что такое периферийная вычислительная платформа IoT?

Платформа периферийных вычислений Интернета вещей во многом похожа на платформу облачных вычислений, только ближе к приложениям.

«Пограничные платформы позволяют собирать данные из промышленных систем, таких как ПЛК, цифровые системы управления, датчики или архиваторы, и локально запускать приложения поверх этих данных, такие как обработка событий, прогнозная аналитика, модели машинного обучения и многое другое — все в автономном первом развертывании». – Эрик Фогг, MachineMetrics

По мере того, как ИИ и машинное обучение становятся еще более тесно интегрированными с бизнес-операциями, возможность более быстрого извлечения и использования данных будет приносить все больше преимуществ по сравнению с более медленной облачной альтернативой. Это почти всегда приведет к конкурентному преимуществу в мире, где скорость, персонализация и умелый поворот — это все.