Edge Computing ( رایانش لبه ای )

با گسترش روزافزون دستگاه های اینترنت اشیا (IoT)، دوربین های هوشمند، خودروهای خودران و کاربردهای هوش مصنوعی، حجم داده هایی که باید در لحظه پردازش شوند به شکل چشمگیری افزایش یافته است. در مدل سنتی، داده ها برای پردازش به سرورهای متمرکز کلاود ارسال می شوند. روشی که همیشه نمی تواند نیاز به سرعت بالا و تأخیر پایین را برآورده کند. Edge Computing یا رایانش لبه ای، دقیقاً برای حل همین مشکل شکل گرفته است؛ رویکردی که به جای انتقال تمام داده ها به مراکز داده دوردست، پردازش را تا حد امکان به منبع تولید داده نزدیک می کند.

 در ادامه این مقاله، بررسی می کنیم Edge Computing دقیقاً چیست، چگونه کار می کند، چه تفاوتی با رایانش ابری دارد و چرا این روزها به یکی از مهم ترین روندهای زیرساخت فناوری تبدیل شده است.

Edge Computing چیست؟

Edge Computing یا رایانش لبه ای، یک الگوی محاسباتی توزیع شده است که به جای ارسال داده ها به مراکز داده متمرکز و دوردست مانند کلاود، آن ها را در نزدیک ترین نقطه ممکن به منبع تولیدشان پردازش می کند. این روش با کوتاه کردن مسیر انتقال داده، تأخیر (Latency) را کاهش می دهد، مصرف پهنای باند را بهینه می کند و سرعت پاسخ دهی سیستم ها را به شکل محسوسی افزایش می دهد.

کاربردهای رایانش لبه ای

• تولید صنعتی: بازرسی لحظه ای کیفیت و نگهداری پیش بینانه تجهیزات
• خودروهای خودران: تشخیص موانع و تصمیم گیری سریع برای ترمز و فرمان
• شهر هوشمند: مدیریت چراغ های راهنمایی، پایش ترافیک و سیستم های امنیتی
• مراقبت سلامت: پردازش داده های دستگاه های پزشکی پوشیدنی و تجهیزات بیمارستانی
• خرده فروشی: پرداخت بدون تماس و تحلیل رفتار مشتری با دوربین های هوشمند
• امنیت: تحلیل لحظه ای تصاویر دوربین های نظارتی و تشخیص تهدید
• کشاورزی هوشمند: پایش خاک، رطوبت و کنترل خودکار آبیاری
• اینترنت اشیا صنعتی: پردازش و پالایش داده های حسگرها در محل تولید داده

مزایای رایانش لبه ای

• کاهش تأخیر (Latency): پردازش داده در نزدیکی منبع و پاسخ دهی سریع تر
• کاهش مصرف پهنای باند: کاهش حجم داده های ارسالی به کلاود
• پردازش بلادرنگ (Real-Time): امکان تحلیل و تصمیم گیری سریع
• بهبود امنیت و حریم خصوصی: کاهش نیاز به انتقال داده های حساس به کلاود
• قابلیت کارکرد آفلاین: ادامه فعالیت سیستم در زمان قطع ارتباط با کلاود
• کاهش هزینه زیرساخت: کاهش هزینه انتقال، ذخیره سازی و پردازش داده در کلاود

معایب و چالش های Edge Computing

• امنیت فیزیکی دستگاه ها: قرارگیری تجهیزات Edge در محیط های خارج از مراکز داده
• پیچیدگی مدیریت دستگاه ها: نیاز به پایش، به روزرسانی و مدیریت تعداد زیادی دستگاه پراکنده
• محدودیت سخت افزاری: منابع پردازشی و حافظه کمتر نسبت به سرورهای کلاود
• الزامات قانونی و انطباق: نیاز به رعایت مقررات مربوط به داده و هوش مصنوعی
• محدودیت های محیطی: چالش های مربوط به برق، خنک کنندگی و فضای نصب
• حفظ تأخیر پایین: دشواری حفظ عملکرد پایدار در شرایط متغیر شبکه و بار پردازشی
• کمبود نیروی فنی محلی: دشواری عیب یابی و نگهداری تجهیزات در نقاط پراکنده

ساختار و معماری Edge Computing

معماری Edge Computing معمولاً از چند لایه اصلی تشکیل می شود:

۱. لایه دستگاه (Device Layer)

• حسگرها
• دوربین ها
• ماشین آلات صنعتی
• دستگاه های اینترنت اشیا
• تجهیزات مجهز به NPU

۲. لایه لبه (Edge Layer)

• Edge Gateway
• سرورهای محلی
• پردازش و پالایش داده
• اجرای مدل های هوش مصنوعی
• استقرار نرم افزارهای کانتینری مانند Docker

۳. لایه مه (Fog Layer) — اختیاری

• تجمیع داده از چندین نقطه Edge
• پردازش داده های حجیم تر
• انتقال داده های پردازش شده به Cloud

۴. لایه کلاود (Cloud Layer)

• آموزش مدل های هوش مصنوعی
• ذخیره سازی بلندمدت داده
• تحلیل های پیچیده و کلان
• مدیریت متمرکز زیرساخت

Edge و Cloud جایگزین یکدیگر نیستند و معمولاً در کنار هم استفاده می شوند؛ پردازش های حساس به زمان در لبه انجام می شوند و وظایف سنگین تر و کم فوریت تر به کلاود سپرده می شوند.

بله، برای بخش «تاریخچه» هم بهتر است مثل بقیه بخش های مقاله، متن را یکدست، روان و بدون توضیح اضافه بازنویسی کنیم:

تاریخچه تکامل Edge Computing

دهه ۱۹۹۰ — شکل گیری ایده: ریشه های Edge Computing را می توان در اواخر دهه ۱۹۹۰ و راه اندازی شبکه های توزیع محتوا (CDN) توسط شرکت Akamai دنبال کرد. در این مدل، سرورها در نقاط جغرافیایی نزدیک به کاربران قرار می گرفتند تا محتوایی مانند تصاویر و ویدیوها با سرعت بیشتری در اختیار آن ها قرار گیرد. اگرچه CDN در ابتدا بیشتر برای توزیع محتوا طراحی شده بود، اما ایده پردازش و ارائه خدمات در نزدیکی کاربر، پایه مفهومی Edge Computing را شکل داد.

۱۹۹۷ — نخستین گام های علمی: در سال ۱۹۹۷، پژوهشگرانی مانند Nobel و همکاران، ایده انتقال بخشی از پردازش دستگاه های کم توان به سرورهای قدرتمند نزدیک را مطرح کردند. این رویکرد برای اجرای برنامه هایی مانند پردازش ویدیو، مرورگر وب و تشخیص گفتار روی دستگاه های موبایل مورد بررسی قرار گرفت و بعدها به یکی از پایه های شکل گیری رایانش لبه ای تبدیل شد.

اوایل دهه ۲۰۰۰ — ظهور Cloud Computing: با گسترش اینترنت و افزایش قدرت مراکز داده، رایانش ابری به سرعت توسعه پیدا کرد و پردازش متمرکز داده به مدل غالب در زیرساخت فناوری تبدیل شد. با این حال، افزایش فاصله میان دستگاه های تولیدکننده داده و مراکز داده، محدودیت هایی مانند تأخیر بالا و مصرف بیشتر پهنای باند را به همراه داشت.

۲۰۱۲ — معرفی Fog Computing: شرکت Cisco در سال ۲۰۱۲ اصطلاح Fog Computing را معرفی کرد. این معماری با نزدیک کردن بخشی از قابلیت های رایانش ابری به مرز شبکه، امکان پردازش داده در نزدیکی روترها، دروازه ها و دستگاه های متصل را فراهم می کرد. Fog Computing در واقع به عنوان یک لایه میانی میان Cloud و دستگاه های لبه عمل کرد.

۲۰۱۵ — شکل گیری OpenFog: در سال ۲۰۱۵، کنسرسیوم OpenFog با مشارکت شرکت ها و مراکز دانشگاهی از جمله Cisco، Dell، Intel، Microsoft و دانشگاه Princeton شکل گرفت. هدف این گروه، توسعه معماری و استانداردهای مشترک برای رایانش توزیع شده در نزدیکی منبع تولید داده بود.

دهه ۲۰۱۰ — رشد اینترنت اشیا: گسترش سریع دستگاه های IoT باعث شد حجم داده تولیدشده در شبکه ها به شکل چشمگیری افزایش پیدا کند. ارسال تمام این داده ها به مراکز داده متمرکز، هم از نظر پهنای باند و هم از نظر تأخیر با محدودیت هایی مواجه شد و همین موضوع باعث شد Edge Computing به عنوان راهکاری عملی برای پردازش داده در نزدیکی منبع تولید آن مورد توجه قرار بگیرد.

۲۰۱۸ — ادغام OpenFog: در دسامبر ۲۰۱۸، کنسرسیوم OpenFog به Industrial Internet Consortium پیوست و فعالیت های مرتبط با استانداردسازی و توسعه رایانش لبه ای در قالب این مجموعه ادامه پیدا کرد.

امروز — ورود Edge AI: با پیشرفت تراشه های تخصصی هوش مصنوعی مانند NPU و افزایش توان پردازشی دستگاه های لبه، Edge Computing وارد مرحله جدیدی شده است. امروزه ترکیب Edge Computing و هوش مصنوعی، که با عنوان Edge AI شناخته می شود، در حوزه هایی مانند خودروهای خودران، دوربین های هوشمند، تجهیزات صنعتی، شهر هوشمند و دستگاه های IoT به یکی از بخش های مهم زیرساخت فناوری تبدیل شده است.

Edge AI؛ ترکیب هوش مصنوعی با رایانش لبه ای

با پیشرفت تراشه های تخصصی هوش مصنوعی مانند NPU و افزایش توان پردازشی دستگاه های لبه، Edge Computing وارد مرحله جدیدی شده است. ترکیب هوش مصنوعی با رایانش لبه ای که با عنوان Edge AI شناخته می شود، امروز در حوزه هایی مانند خودروهای خودران، دوربین های هوشمند، تجهیزات صنعتی، شهر هوشمند و دستگاه های IoT به یکی از بخش های مهم زیرساخت فناوری تبدیل شده است.

Edge AI به معنای اجرای مدل های هوش مصنوعی روی همان دستگاه یا در نزدیک ترین نقطه به کاربر و منبع تولید داده است، بدون اینکه سیستم برای هر درخواست به زیرساخت متمرکز کلاود وابسته باشد. در این معماری، چیزی که عمدتاً به لبه منتقل می شود، فرایند «اجرا» یا Inference است؛ یعنی استفاده از یک مدل آموزش دیده برای تحلیل داده های جدید و تصمیم گیری در همان لحظه. در مقابل، فرایند «آموزش» مدل همچنان عمدتاً در مراکز داده و زیرساخت های متمرکز انجام می شود.

تکنیک هایی مانند کوانتیزیشن و هرس (Pruning) نیز با کاهش حجم و پیچیدگی مدل، اجرای مدل های هوش مصنوعی را روی دستگاه هایی با حافظه و توان پردازشی محدود امکان پذیر کرده اند. هم زمان، ارزان تر و قدرتمندتر شدن سخت افزارهای تخصصی باعث شده استفاده از این مدل ها در دستگاه های لبه بیش از گذشته عملی باشد.

ترکیب Edge Computing و هوش مصنوعی در نهایت به سیستم هایی منجر می شود که می توانند با تأخیر بسیار کمتر تصمیم گیری کنند، حجم کمتری از داده را به کلاود ارسال کنند و حتی در محیط هایی که اتصال دائمی به اینترنت وجود ندارد، به فعالیت خود ادامه دهند.

خرید سخت افزار پردارش لبه

سخن پایانی

Edge Computing نشان می دهد که آینده پردازش داده فقط به متمرکز کردن هرچه بیشتر منابع در مراکز داده وابسته نیست؛ در بسیاری از کاربردها، نزدیک کردن پردازش به محل تولید داده می تواند سرعت، کارایی و قابلیت اطمینان سیستم را به شکل قابل توجهی افزایش دهد. این فناوری از ایده های اولیه شبکه های توزیع محتوا در دهه ۱۹۹۰ شروع شد و امروز به مرحله ای رسیده که پردازش و حتی اجرای مدل های هوش مصنوعی می تواند مستقیماً روی دوربین ها، خودروها، حسگرهای صنعتی و سایر دستگاه های لبه انجام شود.

با این حال، Edge Computing قرار نیست جایگزین Cloud Computing شود، بلکه مکمل آن است. ترکیب این دو رویکرد، به همراه رشد Edge AI، به سازمان ها اجازه می دهد پردازش های حساس به زمان را در نزدیک ترین نقطه به منبع داده انجام دهند و در عین حال، وظایف سنگین تر مانند آموزش مدل ها، ذخیره سازی بلندمدت و تحلیل های پیچیده را به زیرساخت کلاود بسپارند.

با افزایش تعداد دستگاه های متصل، رشد حجم داده و گسترش کاربردهای هوش مصنوعی، نیاز به پردازش سریع و کم تاخیر نیز بیشتر خواهد شد. به همین دلیل، رایانش لبه ای دیگر صرفاً یک فناوری جانبی نیست و به تدریج به یکی از اجزای اصلی معماری زیرساخت فناوری تبدیل می شود.