بهترین شیوه‌ها برای پیاده‌سازی محاسبات لبه شبکه

Edge Computing یک شبکه Mesh می باشد که رکوردهای مهم را به صورت محلی پردازش یا ذخیره می کند و برعکس رایانش ابری که برای پردازش داده نیاز به حداقل ده مرکز داده می باشد، متکی به دیتا سنتر های بزرگ نیست. رایانش لبه یا edge computing فناوری جدیدی است که در سال های اخیر تاثیرات مثبتی در فضای فناوری اطلاعات از خود برجای گذاشته است و به نظر می رسد که توانایی تغییر نحوه ساخت و پردازش اطلاعات را به طرز چشمگیری داشته باشد. به عنوان مثال کامپیوتر کاربر یا پردازنده داخل دوربین IoT را می توان لبه شبکه در نظر گرفت. برای بسیاری از شرکت ها، صرفه جویی در هزینه به تنهایی می تواند محرکی برای استقرار یک معماری محاسبات لبه ای باشد. محاسبات لبه ای روش دستیابی، پردازش و تحویل داده ها از میلیون ها دستگاه را در سراسر جهان را تغییر می دهد.

ایجاد این Delay در رفت‌ و برگشت اطلاعات از ارزش داده‌ها می‌کاهد و می‌تواند باعث ایجاد برخی از مشکلات شود. بااین‌حال، کاهش هزینه‌های سخت‌افزاری باعث شده است که ساخت دستگاه‌های هوشمندتر ارزان‌تر شود. محاسبات لبه‌ای بارهای کاری را در لبه شبکه، یعنی نزدیک‌تر به دستگاه‌ها و کاربران نهایی اجرا می‌کنند؛ درحالی‌که پردازش ابری یک اصطلاح گسترده است که شامل اجرای انواع بارهای کاری در مراکز داده یک ارائه‌دهنده خدمات ابری می‌شود. ازآنجاکه لایه کلان شبکه اهمیت بیشتری دارد، رسیدن نیرو به این مکان‌ها از نظر هزینه و زمان بسیار حیاتی خواهد بود، چراکه برق، بک هال و کشف سایت، سه عامل مهم برای ایجاد این شبکه‌ها هستند. همچنین باید داده‌های این برنامه‌ها را با استفاده از فناوری‌های رایانه لبه مانند مراکز داده لبه، نزدیک به منابع آن‌ها پردازش کنید تا تأخیر را به میزان قابل‌توجهی کاهش داده و برنامه‌های جدید ۵G با تأخیر کم را فعال کنید.

در این درس دانشجویان ضمن آشنایی با نحوه طراحی سیستم‌های محاسبات لبه‌، با بررسی کاربردها و مطالعات موردی و پیاده‌سازی و ارزیابی راه‌حل‌های محاسبات لبه درک عملی دقیق‌تری از موضوع به دست خواهند آورد. محاسبات لبه همچنین می‌تواند با نگه‌داشتن داده‌ها در مکان، پیروی از مقررات امنیتی را آسان‌تر کند، در حالی که همچنان قادر به ارائه همه ویژگی‌های مورد انتظار از نرم‌افزار مبتنی بر ابر مدرن است. حتی برای محصولات مصرفی، انتقال ویژگی‌های بیشتر مستقیماً به دستگاه کاربر می‌تواند با جذب مشتریانی که به حفظ حریم خصوصی علاقه‌مند هستند و می‌خواهند داده‌های آن‌ها را داشته باشند، یک مزیت برای یک کسب‌وکار در نظر گرفته شود. از آنجایی که معماری MEC به تازگی پیشنهاد شده است، هنوز برنامه های کاربردی بسیار کمی وجود دارد که این معماری را پذیرفته اند. سازمان‌ها می‌توانند با ایجاد قابلیت‌های پردازش و ذخیره‌سازی داده‌ها در لبه شبکه، داده‌ها را از میدان‌های نفتی دورافتاده، مناطق صنعتی و کشتی‌های دریایی جمع‌آوری و منتقل کنند. به‌عنوان مثال، درصورتی‌که یک ماشین رباتیک در خط تولید دچار مشکل شود و ادامه کار آن ناایمن باشد، باید در سریع‌ترین زمان ممکن این اطلاعات را دریافت کند تا بتواند متوقف شود.

یک چالش اساسی در هنگام استفاده از محاسبات لبه، اولویت‌بندی و مسیریابی ترافیک شبکه است تا اطمینان حاصل شود که هر سرویس خاص اپراتور، در همان SLA های شبکه ارائه‌دهنده کار می‌کند. استفاده حداکثری از شبکه‌های لبه‌ای نیاز به استانداردسازی قسمت‌هایی از زیرساخت‌های ارائه‌دهندگان برای پشتیبانی از برش شبکه مجازی دارد.این یک مسئله با طراحی مشترک است. این نوع استانداردسازی در نهایت منجر به تولید اجزای شبکه مدولار می‌شود که می‌تواند برای کاهش چشمگیر زمان و هزینه نگهداری شبکه و کاهش زمان تعمیرات به کار رود. اگر ما بتوانیم قفل محاسبه لبه‌ها را باز کنیم و از آن در حد توان بالقوه خود استفاده کنیم، می‌توان یک تغییر عظیم در نحوه استفاده مشاغل از فناوری‌های ارتباطی را مشاهده کرد. با گسترش شبکه‌های ۵G و بلوغ این فناوری، سرانجام محاسبات لبه‌ای می‌توانند جهش کوانتومی در طراحی و مدیریت شبکه­ ای را به دست آورد که سازمان‌های زیادی منتظر آن بوده‌اند.

سیسکو این سکو را برای یکپارچگی در تحلیل داده‌های فعلی و معماری‌های ابری وارد بازار کرده است. این بدان معنی است که زیرساخت اینترنت ساختمان به طور مداوم و قابل توجهی تحت فشار قرار می گیرد ، زیرا پهنای باند قابل توجهی جهت انتقال حجم بالای فیلم های ویدئویی مورد استفاده قرار میگیرد. علاوه بر این ، بار بسیار سنگینی بر روی سرور Cloud وجود دارد که باید تصاویر ویدئویی را از همه دوربین ها به طور همزمان پردازش کند. در واقع هدف از طراحی محاسبات لبه ای یا همان edge Computing این است که پردازش ها اطراف منبع انجام شوند و به دیتاسنتر های مختلف نیازی نداشته باشند. در این صورت استفاده از پهنای پاند به طور قابل توجهی کاه می یابد، زیرا بسیاری از فیلم ها و تصاویر دوربین ها هرگز نیاز به انتقال به سرور ابر ندارند. بنابراین می توانند با دوربین های بیشتری ارتباط برقرار کنند و بار اضافی نداشته باشند.

در خط مقدم این انقلاب Ishan Bhatt قرار دارد که کار نوآورانه‌اش با Google Distributed Cloud Connected به چالش‌های پیچیده پیاده‌سازی محاسبات لبه برای بارهای کاری هوش مصنوعی و ML می‌پردازد. راه‌حل‌های Ishan شبکه‌ای با تأخیر کم و عملکرد بالا را ارائه می‌کنند که برای کاربردهایی مانند وسایل نقلیه خودران و فناوری‌های پیشرفته مراقبت‌های بهداشتی ضروری است. یک ساختمان را در نظر بگیرید که با ده‌ها دوربین ویدیویی IoT با کیفیت بالا ایمن شده است. این دوربین‌ها ساده هستند و فقط یک سیگنال ویدیویی خام را تولید کرده و به‌صورت مداوم آن را به یک سرور ابری ارسال می‌کنند. در سرور ابری، خروجی ویدیویی تمامی دوربین‌ها از طریق یک برنامه تشخیص حرکت پردازش می‌شود تا اطمینان حاصل شود که تنها کلیپ‌هایی که شامل فعالیت هستند، در پایگاه داده سرور ذخیره می‌شوند. وقتی توسعه‌دهندگان اصطلاح «محاسبات لبه» را می‌شنوند، بسیاری فکر می‌کنند که این اصطلاح فقط در مورد برنامه‌های کاربردی از نوع اینترنت اشیاء کاربرد دارد، اما این لبه برای همه مهندسان نرم‌افزار مرتبط است.

برای نصب کردن متلب نیاز به نصب برخی بسته‌های کامپایل شده‌است که در برخی سیستم عامل‌ها ایجاد مشکل می‌کند. بسیاری از شرکت‌ها راه‌حل‌های سفارشی برای مدیریت و چرخه عمر داده‌های خود ساخته‌اند تا آن‌ها را از لبه شبکه خود به فروشگاه داده ابری خود برسانند. یکی از راه‌های ساده‌سازی این فرآیند استفاده از راه‌حل‌هایی مانند تکثیر داده‌های لبه InfluxDB است. ، که استفاده از داده های خود را در لبه برای جمع آوری و نظارت بر داده‌های سری زمانی و در فضای ابری برای تجزیه و تحلیل بلندمدت  . همچنین توانایی ذخیره و پردازش محتوای نزدیک به مشترکین تلفن همراه را برای زمان پاسخگویی سریعتر دارد. برنامه‌ها همچنین می‌توانند در معرض اطلاعات شبکه دسترسی رادیویی بی‌درنگ (RAN) قرار گیرند.

علاوه بر این، هماهنگی بین گره‌های مختلف لبه و مراکز داده ابری نیازمند مدیریت دقیق و کارآمدی است تا از عملکرد بهینه سیستم اطمینان حاصل شود. یکی از مهم‌ترین کارکردهای محاسبات لبه Edge computing در شعب بانکی و مالی، یافتن و متوقف کردن تراکنش‌های ناموفق یا ناسازگار است. روندی که در حال حاضر طی می‌شود این است که سازمان‌ها باید داده‌ها و اطلاعات مالی را به یک مرکز داده مرکزی بفرستند یا در یک فضای ابری آپلود کنند تا بتوانند آن‌ها را پردازش و تجزیه‌وتحلیل کنند. ایجاد این وقفه در رفت‌وبرگشت اطلاعات از ارزش داده‌ها می‌کاهد و می‌تواند باعث ایجاد برخی از مشکلات شود. شرکت‌های انرژی از محاسبات لبه‌ای برای جمع‌آوری و ذخیره‌سازی داده‌ها در سکوهای نفتی، میدان‌های گازی، توربین‌های بادی و مزارع خورشیدی استفاده می‌کنند.

این نوآوری ها نه تنها کاربردهای فعلی را افزایش می دهند، بلکه زمینه را برای نوآوری مستمر در سراسر صنایع فراهم می کنند. مقدار داده های تولید شده توسط سنسورها، نودها و اپلیکیشن ها و دیگر دستگاه ها در اینترنت اشیا (IoT) در چند سال گذشته به شکل چشم گیری افزایش یافته است. در نتیجه، پهنای باند شبکه و زمان تاخیر ارتباطی به مشکل جدی در این زمینه بدل شده است. محاسبات لبه نشان دهنده یک تغییر پارادایم در روش پردازش و تجزیه و تحلیل داده ها در عصر دیجیتال است. با نزدیک‌تر کردن محاسبات و ذخیره‌سازی به لبه شبکه، امکاناتی نظیر تأخیر کمتر، قابلیت اطمینان بیشتر، حفظ حریم خصوصی فراهم می‌شود. رایانش لبه با کاربردهایش در سراسر اینترنت اشیا، شهرهای هوشمند، مراقبت های بهداشتی و وسایل نقلیه خودران، صنایع را متحول کرده و دنیای دیجیتال غیرمتمرکز را امکان پذیر می کند.

یکی از مزایای محاسبات لبه، امکان استفاده از هوش مصنوعی (AI) و یادگیری ماشین (ML) برای تحلیل داده‌ها در نزدیکی منبع آنها است. با ترکیب محاسبات لبه و هوش مصنوعی، سیستم‌های مهندسی می‌توانند به صورت بلادرنگ داده‌های پیچیده را تحلیل کرده و تصمیم‌گیری‌های هوشمندانه‌تری اتخاذ کنند. برای مثال، در سیستم‌های کنترل صنعتی، الگوریتم‌های هوش مصنوعی می‌توانند از داده‌های تولید شده توسط حسگرها استفاده کرده و پیش‌بینی‌هایی در مورد نقص‌های احتمالی تجهیزات ارائه دهند. پیش بینی می شود که در آینده نه چندان دور هر خانه و دفتر کاری با دوربین های هوشمند، چاپگرها، ترموستات ها و حتی لوازم برق یخانگی همچون توستر ها و… مجهز می شوند. برای پشتیبانی از این دستگاه ها، تعداد قابل توجهی از محاسبات باید به لبه منتقل شود. خودرو های هوشمند بر اساس محاسبات لبه ای ساخته شده اند و از امنیت و پهنای باند خوبی برخوردار می باشند.

این به شما امکان می دهد برنامه خود را به گونه ای طراحی کنید که بهترین مزیت را داشته باشد و نیازهای مشتریان و کسب و کار شما را به بهترین نحو برآورده کند. وسایل نقلیه خودران مانند ماشین‌های بدون راننده به چندین حسگر اینترنت اشیا مجهز هستند که هر ثانیه مقدار زیادی داده جمع‌آوری می‌کنند. این وسایل برای پاسخ‌گویی و واکنش فوری به پردازش بلادرنگ داده‌ها نیاز دارند و برای تصمیم‌گیری لحظه‌ای نمی‌توانند به سرورهای راه دور متکی باشند. کتاب «محاسبات لبه به زبان ساده» درک مختصر و کاملی از محاسبات لبه برای صنایع مختلف، از محاسبات لبه صنعتی و شهرهای هوشمند گرفته تا شبکه‌های توزیع محتوا، ارائه می‌دهد. این کتاب از نمونه‌های کاربردی واقعی استفاده می‌کند و اصطلاحات فنی را به اصول قابل فهمی برای همه تجزیه می‌کند. با این حال ، Cloud Computing می تواند باعث بوجود آمدن Delay به دلیل فاصله بین کاربران و مراکز داده ای که سرویس های ابری در آن میزبانی می شوند بشود.

پردازش، تحلیل و ذخیره‌سازی داده به‌طور چشمگیری در حال انتقال به لبه شبکه است، نزدیک به‌جایی که کاربران و دستگاه‌ها برای دسترسی به اطلاعات به‌ آن نیاز دارند. ازاین‌رو جای تعجب نیست که محاسبات لبه به یک مولفه اصلی در سیاست‌گذاری بخش فناوری اطلاعات سازمان‌های در حال رشد تبدیل شود. در گزارش منتشر شده Grand View Research پیش‌بینی شده که بازار جهانی محاسبات لبه تا سال 2025 به 3.24 میلیارد دلار برسد که این پیش‌بینی نرخ رشد ترکیبی خارق‌العاده سالیانه 41 درصدی را در طول این دوره  نشان می‌دهد. طبق اعلام گرند ویوو، یکی از بزرگ‌ترین نقش‌آفرینان در افزایش محاسبات لبه، رشد مداوم اینترنت اشیا (IoT) است. حجم عظیم داده‌های ایجادشده توسط دستگاه‌های اینترنت اشیا می‌تواند باعث کندی و تاخیر در پردازش و انتقال آن شود و راهکارهای محاسبات لبه می‌تواند به افزایش توان پردازش این داده‌ها کمک کرده و مشکل تاخیر و سرعت‌پایین آن را برطرف کند.

این تکنیک‌ها، همراه با نظارت مستمر تأخیر و معماری‌های ترکیبی لبه-ابر، شبکه‌ها را قادر می‌سازد تا نیازهای سخت‌گیرانه هوش مصنوعی، اینترنت اشیا و سایر برنامه‌های بلادرنگ را برآورده کنند. محاسبات لبه (Edge computing) فرایندی است که ذخیره‌سازی اطلاعات و توانایی‌های محاسباتی را به دستگاه‌هایی که اطلاعات را تولید می‌کنند و کاربرانی که آن‌ها را مصرف می‌کنند، نزدیک‌تر می‌کند. به بیان دیگر، محاسبات لبه را یک چارچوب محاسباتی توزیع‌شده می‌دانند که برنامه‌های کاربردی سازمانی را در نزدیکی منابع داده مانند دستگاه‌های اینترنت اشیا (IoT) یا سرورهای لبه محلی قرار می‌دهد. علاوه بر این ، سرور Cloud  فقط وظیفه ذخیره تصاویر مهم را بر عهده دارد ، به این معنی که سرور می تواند با تعداد بیشتری دوربین بدون بارگیری زیاد ارتباط برقرار کند. محاسبات لبه با توجه به گسترش سریع اینترنت اشیا و نیاز به پردازش بلادرنگ، در حال تبدیل شدن به یکی از اصول اساسی در سیستم‌های مهندسی است. با توسعه شبکه‌های 5G و افزایش پهنای باند، انتظار می‌رود که محاسبات لبه حتی سریع‌تر و کارآمدتر شود.

مزیت اصلی محاسبات لبه این است که کاربران با نگهداری بیشتر داده‌های خود در دستگاه یا در شبکه محلی، تجربه بهتری از نظر قابلیت اطمینان، کاهش تأخیر و حفظ حریم خصوصی بهتر به‌دست می‌آورند. ابر معمولا به مراکز داده‌ای اشاره دارد که در آن‌ها قدرت پردازشی، ذخیره‌سازی و سرویس‌های دیگر از طریق شبکه ارائه می‌شود. این مراکز داده معمولا دارای سرورهای قدرتمندی هستند که برای پشتیبانی از برنامه‌ها و سرویس‌های مختلف استفاده می‌شوند. محاسبات ابری برای ذخیره‌سازی و پردازش حجم بزرگی از داده‌ها، مقیاس‌پذیری بالا، اشتراک منابع و ارائه سرویس‌های وب استفاده می‌شوند. این سرور منابع محاسباتی، ظرفیت ذخیره سازی، اتصال و دسترسی به اطلاعات RAN را فراهم می کند. برنامه های کاربردی لوازم مجازی به صورت تصاویر بسته بندی شده سیستم عامل ماشین مجازی (VM) یا ظروف حاوی سیستم عامل ها و برنامه ها ارائه می شوند.

متلب که از محصولات شرکت مت‌ورکس است، برای گروه‌های مختلف مهندسان رشته‌های مختلف از جمله مهندسی برق، مکانیک، رایانه و… کاربرد بسیاری دارد. علاوه بر توابع فراوانی که خود متلب دارد، برنامه‌نویس نیز می‌تواند توابع جدید تعریف کند. مجله بیبیس محلی برای ثبت آهنگ‌، شعر، رمان‌، کتاب، قصه و سایر مطالب جذاب زبان انگلیسی به همراه ترجمه فارسی آنها است. هدف بیبیس افزایش توان علمی هموطنان و فارسی زبانان با بهره گیری از منابع اصلی و روز انگلیسی در محیطی جذاب است. از دیگر انتقاداتی که به این نرم‌افزار می‌شود، عدم توانایی آن در انجام محاسبات در لحظه (Real Time) است.

به خصوص هنگامی که توسط دستگاه های مختلفی کار می شود که ممکن است به اندازه یک سیستم متمرکز یا مبتنی بر ابر امن نباشند. با افزایش تعداد دستگاه های IoT، ضروری است که فناوری اطلاعات مشکلات احتمالی امنیتی پیرامون این دستگاه ها را درک کرده و از امنیت آن سیستم اطمینان حاصل کنند. گفته می شود که سازمان های مختلف با استفاده از محاسبات لبه ای می توانند زمان پاسخ دهی را به کمتر از 10 میلی ثانیه برسانند. همچنین بعضی از سازندگان خودرو در این فکر هستند که از آن برای ساخت خودرو های هوشمند کمک بگیرند. اما این فناوری نیاز به توسعه دارد و هنوز مشخص نیست که چه کسی باید هزینه های توسعه را پرداخت کند.

اول، پتانسیل صرفه جویی در هزینه با بارگیری پردازش به دستگاه های لبه کوچکتر و با استفاده از پهنای باند کمتر هنگام انتقال داده ها به ابر است. همچنین از طریق پلتفرم‌های محاسباتی بدون سرور، کنترل دقیق‌تری بر مصرف منابع به دست می‌آورید. به‌طور کلی، ارتباط بین دستگاه‌های لبه و مراکز داده لبه می‌تواند به صورت مستقیم یا غیرمستقیم انجام شود. در حالت مستقیم، دستگاه‌های لبه به مراکز داده لبه متصل می‌شوند و ارسال داده‌ها و دریافت پاسخ‌ها بین دستگاه‌ها و سرورهای مراکز داده لبه انجام می‌شود. همچنین، ماشین‌های خودران برای تبادل اطلاعاتی مانند وضعیت آب‌وهوایی، ترافیک، تصادفات یا حوادث به‌جای ارسال داده‌ها به یک سرور راه دور، به‌صورت مستقیم با یکدیگر ارتباط برقرار می‌کنند. رایانش لبه‌ای برای اطمینان از ایمنی و توانایی وسایل نقلیه خودران در درک دقیق شرایط جاده‌ای بسیار حیاتی است.

طراحی بدون فن، پشتیبانی از پردازنده‌های قدرتمند، گرافیک حرفه‌ای، و اتصالات گسترده، این دستگاه را به یکی از بهترین انتخاب‌ها برای کاربردهای مدرن تبدیل کرده است. اگر به دنبال یک سیستم قابل‌اعتماد و پرقدرت برای پروژه‌های صنعتی یا تجاری خود هستید، Neu-X304 می‌تواند انتخاب ایده‌آلی باشد. سیستم Neu-X304 یک دستگاه محاسباتی بدون فن (Fanless) است که به طور ویژه برای محیط‌های صنعتی و تجاری طراحی شده است. این دستگاه توسط شرکت Nexcom تولید شده و از پردازنده‌های نسل ۱۲ و ۱۳ اینتل® Core™ سری i9/i7/i5/i3 پشتیبانی می‌کند. طراحی بدون فن این سیستم باعث می‌شود که برای محیط‌هایی با گردوغبار یا نویز بالا، مناسب باشد. همچنین، این دستگاه با توانایی‌های پردازشی و گرافیکی قدرتمند، انتخابی عالی برای پروژه‌های پیشرفته محاسباتی است.

برای آشنایی با کاربردهای پردازش ابری، خواندن مثال هایی از رایانش ابری به شما کمک می‌کند. این سکو قابلیت یادگیری ماشینی و نیز پردازش گرافیکی انتها به انتها را فراهم می‌کند که دانش بصری ایجاد می‌کند و در کنار تصمیم‌گیری‌ها مفید واقع می‌شود. با توجه به حجم گسترده دستگاه های هوشمند و حجم زیاد اطلاعات که بین این دستگاه ها رد و بدل می شود از رایانش لبه ای استفاده می کنند. مدیران مشاغل مختلف آن را به عناون یک شانس برای داشتن زمان پاسخ دهی کتر از 10 میلی ثانیه می بینند. مشخص نیست که این فناوری توسط چه کسی پشتیبانی می شود، سازندگان خودرویی که می خواهند آن را در جهت اتومبیل های هوشمند توسعه دهند یا کسانی دیگر. فصل ۸، «امنیت در لبه»، مرور انواع حملات و بهره‌برداری‌های اطلاعاتی در دنیای واقعی، تعریف شیوه‌های امنیتی خوب، از سخت‌افزار تا نرم‌افزار، و درک امنیت ارتباطات و شبکه را ارائه می‌دهد.

به عنوان مثال، ردیابی موقعیت مکانی دستگاه فعال به اپراتورها اجازه می دهد تا تجهیزات پایانه فعال را مستقل از دستگاه های سیستم موقعیت یابی جهانی ردیابی کنند. این بر اساس الگوریتم های مکان یابی جغرافیایی شخص ثالث در برنامه ای است که روی سرور برنامه MEC میزبانی می شود. فصل ۵، «اتصال اشیا – شبکه و ارتباطات»، بر روی مرور کلی و اصول اولیه سیستم‌های ارتباطات رادیویی و بی‌سیم، ارتباطات برد کوتاه و برد بلند (شبکه‌های PAN) و ارتباطات برد بلند – 5G و ماهواره تمرکز می‌کند. این کتاب برای کسانی مناسب است که می‌خواهند درک سریع و کاملی از تمام جنبه‌های محاسبات لبه در ارتباط با نمونه‌های کاربردی واقعی داشته باشند. اولین رایانه ها از لحاظ اندازه و حجم ماشین های بزرگی بودند که فقط به طور مستقیم یا از طریق پایانه هایی که اساساً پسوند رایانه داشتند ، قابل دسترسی بودند.

محاسبات لبه شامل چند جزء کلیدی است که هر یک نقش مهمی در کاهش تاخیر و بهبود کارایی سیستم‌های مهندسی ایفا می‌کنند. اولین جزء، گره‌های لبه است که می‌تواند شامل روترها، سوییچ‌ها، سرورها و حتی دستگاه‌های کاربران نهایی باشد. دومین جزء، شبکه‌های توزیع شده است که ارتباطات بین گره‌های مختلف را مدیریت می‌کند و سومین جزء، فناوری‌های مجازی‌سازی و کانتینری‌سازی است که به گره‌های لبه اجازه می‌دهد تا به صورت مستقل و کارآمد داده‌ها را مدیریت کنند. Ishan از شبکه‌های نرم‌افزاری تعریف‌شده (SDN) برای «بهینه‌سازی پویا مسیریابی ترافیک و تخصیص منابع» استفاده می‌کند و از اولویت‌بندی وظایف حساس به تأخیر اطمینان می‌دهد. به طور مشابه، مجازی‌سازی عملکرد شبکه (NFV) لوازم شبکه مبتنی بر سخت‌افزار را با توابع مجازی جایگزین می‌کند و فرآیندهای حیاتی را به لبه نزدیک‌تر می‌کند و تاخیرها را کاهش می‌دهد. سخت‌افزارهای پیشرفته، مانند شتاب‌دهنده‌های FPGA و ASIC، همراه با الگوریتم‌های مسیریابی هوشمند و مکانیسم‌های کنترل ازدحام در زمان واقعی، جریان داده‌ها را در کارآمدترین مسیرها تضمین می‌کنند.

این شبکه‌ها امکانات و قابلیت‌هایی را فراهم می‌کنند که عملکرد محاسبات لبه را بهبود می‌بخشند، تاخیر کمتر در انتقال داده‌ها ارائه می‌دهند و به دستگاه‌های لبه امکان اتصال و ارتباط با سرورها و منابع محاسباتی را فراهم می‌کنند. ارسال حجم زیادی از داده‌ها از محل تولید به مراکز داده متمرکز پرهزینه است، زیرا نیاز به پهنای باند بیشتری دارد. مدل محاسبات لبه‌ای این امکان را برایتان فراهم می‌کند تا حجم داده‌های ارسالی از سایت‌ها به مراکز داده را کاهش دهید؛ زیرا کاربران نهایی فقط داده‌های ضروری را ارسال می‌کنند. بسته به میزان داده‌ای که کسب‌وکار شما ارسال و پردازش می‌کند، رایانش لبه‌ای می‌تواند به‌طور قابل‌توجهی هزینه‌های عملیاتی را کاهش دهد. از سوی دیگر، محاسبات لبه به پردازش داده‌ها و ارائه سرویس‌ها در نزدیکی دستگاه‌ها و منابع لبه شبکه می‌پردازد. در این حالت، پردازش به صورت محلی و نزدیک به منبع تولید داده انجام می‌شود که منجر به کاهش تاخیر و افزایش سرعت پاسخگویی می‌شود.

پیش‌بینی می‌شود که تا سال ۲۰۲۵ به دلیل گسترش سریع اینترنت اشیا (IoT) و قدرت پردازش بیشتر در دستگاه‌های جاسازی شده و موبایل، این تعداد به ۷۵ درصد افزایش یابد. مک کینزی بیش از ۱۰۰ مورد استفاده مختلف و پروژه‌هایی را در مورد ۲۰۰ میلیارد دلار ارزش سخت افزاری برای محاسبات لبه ای که طی پنج تا هفت سال آینده ایجاد می شود. مرحله بعدی رایانش ابری، قدرت محاسباتی را به کاربران نزدیک‌تر می‌کند و راه را برای تجربه‌های کاربری بهتر و برنامه‌های کاربردی هوشمندتر هموار می‌کند. فصل ۷، «ایجاد کارکرد لبه با هوش مصنوعی»، تقسیم‌بندی کار هیبریدی روی لبه و ابر، آگاهی وضعیتی از نمونه‌های کاربردی لبه، کاربرد مدل‌های هوش مصنوعی و یادگیری ماشین روی لبه، تحلیل سری زمانی و درک محاسبات فدرال را بررسی می‌کند. این سکو با قابلیت‌هایی که برای اداره کردن داده‌های بی‌درنگ دارد و با سرعت فراگیری دانش توسط منابع مختلف، یک نیروی قوی در بازار تحلیل داده‌ محاسبات لبه‌ای به حساب می‌آید.

این منبع داده ممکن است یک حسگر اینترنت اشیا باشد و پردازش به صورت محلی با قراردادن سرورها یا سایر سخت‌افزارها در نزدیکی محل فیزیکی منبع داده انجام می‌شود. محاسبات لبه برخلاف مدل محاسبات ابری که بر پردازش متمرکز در مراکز داده‌ای ابری تمرکز دارد، به محاسبات توزیع شده و پردازش موازی در شبکه‌های ارتباطی محلی تاکید می‌کند. این رویکرد باعث کاهش زمان پاسخ و افزایش عملکرد سیستم‌های مبتنی بر اینترنت اشیا می‌شود. R&M یکی از راهبران بزرگ بازار در ارتباط با تجهیزات زیرساختی و استقرار مراکز داده است. این شرکت به واسطه پشتوانه چند ساله در این زمینه راهکارهای قدرتمندی در این زمینه ارائه می‌دهد و به شرکت‌ها در برنامه‌ریزی طراحی و استقرار مراکز داده لبه کمک می‌کند. در این مطلب قصد داریم با مفهوم رایانش لبه، ویژگی‌ها و مزایایی که در اختیار ما قرار می‌دهد، آشنا شویم.