Рост периферийных вычислений (edge computing) — один из крупных вызовов, с которым многие организации столкнутся в ближайшие годы.
Cisco прогнозирует, что к 2021 г. будет 23 млрд. подключенных устройств, а Gartner и IDC предсказывают соответственно 20,8 млрд. и 28,1 млрд. к
Такие устройства способны порождать огромные объемы данных.
Конечно, это лишь одна сторона периферийных вычислений. В то время как растет количество генерируемых на периферии данных, увеличивается и количество данных, которые там потребляются.
Согласно прогнозу Cisco Visual Networking Index, к 2021 г. мировой IP-трафик увеличится до 1,2 зеттабайт. Доля видео, на которое в
Роль периферии будет состоять как в обеспечении эффективного использования данных, поступающих от подключенных устройств, так и в их доставке к устройствам и удаленным пользователям.
Архитектура доставки данных из ядра к удаленным пользователям и устройствам
Трудности отчасти будут связаны с большим масштабом: насколько оперативно мы cможем развернуть распределенную компьютерную инфраструктуру, необходимую для поддержки этих быстро возникающих сценариев использования?
Но следует рассмотреть и другую сложность. Во многих случаях рост периферии потребует принципиального отказа от нынешней модели вычислений «ядро — периферия», при которой основная масса данных направляется из ядра на периферию, в пользу модели, отражающей более активное взаимодействие и движение данных в большей мере с периферии в ядро.
Применение подхода к инфраструктуре периферии, ориентированного на данные
Несмотря на огромный эффект периферийных вычислений, сегодня нет ясности по поводу этого термина и всего, что с ним связано.
Взгляните в качестве примера на другой столь же широкий термин — «облачные вычисления». Когда ИТ-менеджеры принимают решение о том, где будут выполняться их задачи, они не могут просто сказать «в облаке». Им необходимо определить, будут они использовать частное облако на собственной площадке, инфраструктуру как сервис, платформу как сервис или ПО как сервис.
Это не просто слова, от них зависит принятие решения.
Vertiv попыталась внести такую же ясность в периферийные вычисления, проведя обширный аудит и проанализировав существующие и будущие сценарии использования. В результате компания признала существование объединяющего фактора, который позволяет упорядочить сценарии периферийных вычислений.
Периферийные приложения по своей природе имеют набор тех требований к рабочей нагрузке, которые определяются данными. Такой определяемый данными подход с поправкой на требования к доступности, безопасности и природе приложений оказался главным для понимания и категоризации сценариев периферийных вычислений.
Определение архетипов периферии
Результатом проведенного Vertiv анализа стала идентификация четырех архетипов, которая способна помочь принимать решения по поводу инфраструктуры, необходимой для поддержки периферийных приложений.
Четыре архетипа периферии
Требования этих четырех архетипов были оценены согласно стандартам пропускной способности, задержки, доступности и безопасности.
Архетип 1: передача большого объема данных
Архетип «Передача большого объема данных» относится к тем сценариям, когда передавать данные напрямую в облако или из облака к месту использования нецелесообразно из-за большого объема данных, высоких затрат или трудностей с полосой пропускания.
Наверное, наиболее широко обсуждаемым примером приложения для периферийных вычислений с передачей большого объема данных является доставка контента высокой четкости. В 2016 г. на видео приходилось 73% всего IP-трафика, и ожидается, что к 2021 г. его доля возрастет до 82% в связи с продолжающимся ростом объема потокового видео и виртуальной реальности. Основные провайдеры контента, такие как Amazon и Netflix, активно сотрудничают с компаниями, размещающими на своих площадках серверы клиентов, для расширения своих сетей доставки контента и переноса источников потокового видео большого объема ближе к пользователям с целью снижения затрат и задержек.
Другим ярким примером архетипа «Передача большого объема данных» является использование сетей Интернета вещей (IoT) для создания «умных» домов, зданий, предприятий и городов. Исследование, проведенное в 2018 г. компаниями 451 Research и Vertiv, показало, что лишь 33% из семисот опрошенных организаций широко развернули IoT. При этом 56% сообщили, что в настоящее время IoT поддерживается не менее чем четвертью их ИТ-потенциала. Хотя IoT находится на ранней стадии развития, организации уже испытывают трудности с управлением генерируемым объемом данных.
В этом случае трудность носит прямо противоположный характер по сравнению с доставкой контента высокого разрешения. Вместо перемещения данных ближе к пользователям эти приложения должны перемещать создаваемые устройствами и системами огромные объемы данных от источника в центр сети для обработки. Такое обстоятельство потребует эволюции сетевой архитектуры «периферия — ядро».
IoT и промышленный Интернет вещей представляют собой сети датчиков, ежечасно порождающих огромные объемы данных. Эти данные поддерживают цикл «восприятие — вывод — реакция», который обеспечивает наглядность и управляемость всего: от домашних устройств до промышленного оборудования. Только часть таких данных передается в местный, региональный или облачный ЦОД для дальнейшей обработки. Это означает, что на краю периферии потребуется огромная вычислительная мощность, чтобы устройства и системы могли принимать решения и действовать в соответствии с данными, предоставленными датчиками.
Самое простое из этих приложений, «умный» дом, должно поддерживать множество передающих большой объем данных устройств и систем, включая развлекательные, климатические системы и системы безопасности.
«Умные» города и предприятия испытывают проблемы с данными, присущие «умным» домам, но в большом масштабе. Многие города уже запустили пилотные проекты или изучают технологию «умного» города с целью совершенствования транспортных потоков, поддержки экстренных служб и сокращения расходов.
«Умные» заводы, которые применяют конвергенцию IoT, сочетание кибернетических и физических систем и облачные вычисления для использования данных реального времени с целью повышения эффективности, снижения затрат и адаптации к изменениям спроса, преподносятся как новая промышленная революция.
В нефтегазовой отрасли цифровизация уже позволила значительно повысить эффективность процессов разведки и добычи, но при этом породила огромные проблемы с управлением данными. Одна буровая установка может ежедневно генерировать терабайты данных.
Другие сценарии использования, относящие к архетипу «Передача большого объема данных», включают виртуальную реальность, случаи с высокой стоимостью сетевой инфраструктуры, высокопроизводительные вычисления и среды с ограниченной подключенностью, такие как зоны, в которых проводятся восстановительные работы после природных катастроф или кибератак.
Архетип 2: чувствительность к задержке при передаче человеку
Архетип «Чувствительность к задержке при передаче человеку» охватывает случаи, в которых сервисы оптимизированы для потребления человеком. Как следует из названия, определяющей характеристикой этого архетипа является скорость.
Проблему задержки при передаче человеку можно наблюдать в случае оптимизации, направленной на удобство использования клиентами. В таких приложениях, как электронная коммерция, скорость непосредственно влияет на удобство использования. Веб-сайты, оптимизированные для скорости просмотра с использованием локальной инфраструктуры, напрямую ведут к росту числа просмотров страниц и продаж.
Подобный эффект распространяется также на обработку платежей. Amazon обнаружила, что задержка обработки платежа в 10 мс вызывает снижение дохода на 1%. Централизованное подтверждение с помощью пароля занимало в среднем 7 с. Переход к обработке на месте сократил это время до 600 мс. Сокращение задержки с 6400 мс на 100 мс потенциально приводит к увеличению дохода еще на 1%.
Другой свежий пример приложения, чувствительного к задержке при передаче человеку, — обработка естественного языка. В будущем голос станет, вероятно, основной формой повседневного взаимодействия с ИТ-приложениями. Обработка естественного языка для Alexa и Siri в настоящее время осуществляется в облаках. Однако по мере роста числа клиентов, приложений и поддерживаемых языков эти функции необходимо будет перенести ближе к пользователям.
Случаями задержки при передаче к человеку являются также «умная» розничная торговля, например торговля без кассира в магазинах Amazon Go, и технологии погружения, такие как дополненная реальность, для которой небольшие задержки могут означать, что удовольствие превращается в отвращение. В каждом случае задержки в доставке данных непосредственно влияют на впечатления пользователя от технологии (обработка языка и дополненная реальность) или на продажи и доходы торговли (оптимизация веб-сайтов и «умная» торговля). По мере роста числа таких сценариев использования будет увеличиваться и потребность в локальных узлах обработки данных.
Архетип 3: чувствительность к задержке при передаче между машинами
Архетип «Чувствительность к задержке при M2M-передаче» охватывает те сценарии, в которых сервисы оптимизированы для машинного потребления. Поскольку машины обрабатывают данные гораздо быстрее человека, определяющей характеристикой этого архетипа является скорость. В этом случае последствия неспособности доставлять данные с требуемой быстротой могут быть даже тяжелее, чем для архетипа «Чувствительность к задержке при передаче человеку».
Например, чувствительны к задержкам системы, используемые в автоматических финансовых транзакциях, таких как торговля товарами и акциями. В этих случаях цены могут меняться в течение миллисекунд. Если система не получает новейшие данные в нужное время, то она не способна оптимизировать транзакции, и в результате потенциальные прибыли превратятся в убытки.
Технология интеллектуальных электрических сетей тоже относится к этому архетипу. Такая технология применяется в распределительных сетях для автоматического согласования поставки и спроса и для стабильного, надежного и экономичного управления электроэнергией. Она позволяет распределительным сетям заниматься самолечением, оптимизировать затраты и управлять нестабильными источниками энергии при условии, что нужные данные будут доступны в нужное время.
Другими приложениями архетипа «Чувствительность к задержке при M2M-передаче» являются «умные» системы безопасности, использующие распознавание изображений, моделирование военных ситуаций и аналитику в реальном времени.
Архетип 4: важность для здоровья человека
Архетип «Важность для здоровья человека» охватывает случаи применения, которые напрямую затрагивают здоровье и безопасность людей. В таких сценариях первостепенное значение имеют скорость и надежность.
Наверное, лучшими примерами архетипа «Важность для здоровья человека» являются автономные транспортные средства и дроны, которые предоставляют большие преимущества, когда действуют как задумано. Однако если они принимают ошибочные решения, то могут угрожать человеческому здоровью.
Автономные транспортные средства прогрессировали быстрее, чем ожидалось. Сегодня их уже активно тестирует ряд автомобильных и технических компаний. В большинстве случаев на месте водителя находится человек, готовый при возникновении проблем взять управление на себя, чтобы свести к минимуму риск для здоровья окружающих людей. Но в ближайшем будущем на дорогах появятся средства доставки и транспортные системы, не имеющие водителей. Если эти системы не станут получать нужные данные в нужное время, последствия могут быть катастрофическими.
То же можно сказать и о дронах. Легко представить себе будущее, когда в любой момент над каким-нибудь городом станут пролетать сотни доставляющих товары дронов.
К архетипу «Важность для здоровья человека» относится и всё расширяющееся применение техники в здравоохранении. Электронные медицинские записи, кибермедицина, персонализированная медицина (составление карты генома) и устройства для самомониторинга меняют характер здравоохранения и генерируют огромные объемы данных.
Другими примерами являются «умный» транспорт и автономные роботы. Транспортная и логистическая отрасли ищут управляемые данными решения, чтобы повысить безопасность водителей и пассажиров, добиться эффективного расхода горючего и управления активами. Используемыми в этой области технологиями будут интеллектуальные транспортные системы, управление парком и телематика, системы прокладки маршрутов и управления, развлекательные и торговые приложения для пассажиров, системы бронирования, оплаты и продажи билетов, системы безопасности и наблюдения.
Технические требования к локальным и региональным узлам
Что необходимо для столь крупных изменений? Давайте поговорим об инфраструктуре и архитектуре.
Инфраструктура для архетипов периферии
Инфраструктура, необходимая для поддержки этих современных сложившихся сценариев использования, состоит из четырех уровней хранения и вычислений в дополнение к коммуникационной инфраструктуре, требуемой для перемещения данных между уровнями.
У источника обычно находятся устройство, которое генерирует или потребляет данные, и оконечная точка обработки. Устройство может быть датчиком, ведущим мониторинг чего-то, начиная с включения-выключения лампы или доступа к двери и заканчивая температурой в комнате либо другой желаемой информацией. Оконечная точка обработки может быть простой (например, ПК или планшет, на которых пользователь просматривает потоковое видео). Это может быть микропроцессор, встраиваемый в автомашины, в роботы или носимые устройства. Такие компоненты зависят от приложений и обычно встраиваются производителями оборудования или добавляются в имеющиеся устройства.
Каждый архетип потребует также локального узла данных, который обеспечивает хранение и обработку в непосредственной близости к источнику. В некоторых случаях локальным узлом может быть автономный ЦОД. Чаще это будет состоящая из стоек или рядов система мощностью
Эти состоящие из стоек и рядов системы в едином корпусе интегрируют коммуникации, вычисления и хранение с надлежащей защитой питания, средствами контроля окружающей среды и физической безопасности. Для архетипов, требующих высокой доступности, таких как «Чувствительность к задержке при М2М-передаче» и «Важность для здоровья человека», локальный узел должен содержать избыточные резервные системы питания и оснащение для удаленного управления и мониторинга. Многие сценарии использования потребуют также, чтобы локальный узел обладал функциями шифрования данных и другими средствами защиты.
Для всех архетипов, кроме «Важности для здоровья человека», локальный узел потребует подключения к городскому и/или региональному узлу, который обеспечит более длительное хранение данных и поддержку таких возможностей, как машинное обучение.
Городской узел использует существующую телекоммуникационную структуру для поддержки локального узла с помощью более длительного хранения данных и большей вычислительной мощности. Региональный узел будет, вероятно, облачным ЦОДом в том же регионе, где расположен локальный узел.
Применительно к городскому и региональному узлам следует рассмотреть возможность модульной конструкции, позволяющей легко наращивать производительность, чтобы справляться с неожиданными всплесками спроса. Кроме того, эти узлы должны быть спроектированы таким образом, чтобы в них можно было увеличивать плотность размещения оборудования. Приложения, активно использующие изображения (такие, как виртуальная реальность) и вычисления (аналитика, машинное обучение), вероятно, потребуют, чтобы плотность размещения в стойке превышала типовую спецификацию в 10 кВт. Практически во всех случаях эти узлы должны обеспечивать такой же или более высокий уровень избыточности и безопасности, как локальный узел.
Положитесь на Vertiv
Двигаясь вперед
После определения потребностей задач для проанализированных сценариев использования было выявлено четыре главных архетипа, которые могут помочь в выборе решений, касающихся требований к инфраструктуре и конфигурации для тех сценариев, которые используются сегодня и появятся в ближайшие годы. Vertiv продолжит работу над этими первоначальными архетипами, чтобы определить новые специфические технологические требования и конфигурации для каждого из них.
Более полные сведения содержатся в подробном докладе Vertiv Defining Four Edge Archetypes.
Подготовлено itWeek Expert
