مقایسه رایانش ابری، محاسبات لبه و محاسبات مه

رایانش ابری (Cloud Computing)

در معماری رایانش ابری، تمامی داده ها در یک مکان (معمولا در دیتا سنتر) جمع آوری و پردازش می شوند. تمامی دستگاه هایی که می خواهند به این داده ها و یا به برنامه های کاربردی مربوطه دسترسی پیدا کنند، باید در ابتدا به ابر متصل شوند. از آنجایی که همه چیز به صورت متمرکز است، مدیریت و کنترل امنیت آن ساده تر است.

سرویس های ابر عمومی مانند مایکروسافت Azure، آمازون و گوگل برای سازمان هایی که از شبکه سنتی کلاینت / سرور استفاده می کنند مزایای بسیاری دارند. با ذخیره اطلاعات در ابر متمرکز، می توان به سازمان ها این اطمینان را داد که کاربران اهراز هویت شده می توانند از هر مکان و در هر زمانی به اطلاعات دسترسی داشته باشند.

همانطور که اشاره شد، طبیعت متمرکز رایانش ابری پردازش سریع و موثر داده های جمع آوری شده از لبه شبکه را سخت می کند. هرچقدر که ابر در سرعت ضعیف باشد، در قدرت و ظرفیت عالی است. از آنجایی که رایانش ابری بر پایه معماری داده مقیاس پذیر عمل می کند، می تواند فضای ذخیره سازی و ظرفیت پردازش را به مقدار مورد نیاز افزایش دهد. این ویژگی مقیاس پذیری یک مزیت عمده برای کسب و کارهای کوچکی محسوب می شود که می خواهند به سرعت توسعه یابند.

یکی از محدودیت های دستگاه های لبه این است که آنها تنها داده های محلی را جمع آوری می کنند و نمی توانند از داده های بزرگ استفاده کنند. اما بر خلاف محاسبات لبه، رایانش ابری توانایی تحلیل داده های حجیم را دارد.

 

 

محاسبات لبه (Edge Computing)

با فراگیر شدن اینترنت اشیا (IOT) مقدار قابل توجهی از اطلاعات در لبه (Edge) شبکه های محاسباتی تولید و ذخیره شد. به طور پیش فرض داده های تولید شده به سمت سرور شبکه که معمولا دیتا سنترها هستند فرستاده می شد. زمانی که این داده ها پردازش می شد، نتایج به سمت بیرون از شبکه یا به اصلاح به سمت لبه شبکه فرستاده می شد.

دو مشکل اصلی در این حالت وجود داشت. اول اینکه زمان نسبتا طولانی صرف می شد تا داده ها از دستگاه های قرار گرفته بر روی لبه به واحد پردازش برسند. ممکن است این تاخیر در حد چندین میلی ثانیه باشد ولی باز هم مهم و حیاتی است. و دیگری اینکه تمام داده هایی که بین پردازشگر و دستگاه های لبه رد و بدل می شوند باعث افزایش فشار بر روی پهنای باند می شوند. در نتیجه ترکیب مسافت طولانی با ترافیک زیاد باعث کند شدن شبکه می شود.

تاخیر شبکه ای می تواند عواقب جدی برای دستگاه های IOT داشته باشد. به عنوان مثال ماشین هایی را در نظر بگیرید که خود به خود وسیله نقلیه را هدایت می کنند و نیازی به راننده ندارند. این وسیله نقلیه حجم وسیعی از اطلاعات را از دستگاه های اطراف خود جمع آوری می کند. اگر واکنش های وسیله نقلیه منوط به دریافت اطلاعات از منابع محاسباتی باشد، ممکن است کوچکترین تاخیری عواقب جبران نا پذیری مثل حادثه رانندگی یا تصادف را با خود به همراه بیاورد.

محاسبات لبه برای حل این مشکل راهکاری را پیشنهاد می دهد که در آن اطلاعات حیاتی به جای اینکه هر دفعه به سرور مرکزی ارسال شوند، به لبه شبکه فرستاده و در آنجا به صورت Real time پردازش می شوند.

 

 

محاسبات مه (Fog Computing)

محاسبات مه لایه دیگری از یک شبکه توزیع شده است که محاسبات ابری و اینترنت اشیا را به یکدیگر متصل می کند. محاسبات مه می تواند ارتباطات شبکه را بین دستگاه ها و در زمان کم ایجاد کند. معماری مه باعث کاهش پهنای باند مورد نیاز در مقایسه با زمانی می شود که داده ها باید به یک مرکز داده یا یک ابر جهت پردازش ارسال شود. همچنین از محاسبات مه می توان در سناروهایی استفاده کرد که در آن هیچگونه پهنای باندی وجود ندارد.

 

 

09102216846
ارسال دیدگاه