تولید دیتا در بستر اینترنت اشیا به‌طور فزاینده‌ای در حال رشد و تعداد زیادی دستگاه ioT در حال اتصال به اینترنت هستند. جالب است بدانید که تعداد دستگاه‌های متصل به اینترنت در سال 2025 به 41.6 میلیاد دستگاه برسد. ازاین‌جهت، حجم زیادی از دیتا تولید و ذخیره خواهد شد. در کنار این مورد، این دیتا خام می‌بایست مورد پردازش قرار گیرد و اطلاعات و دانش از آن استخراج شود. با ما همراه باشید.
امروزه بیشتر دستگاه‌های ioT متصل، با جمع آوری اطلاعات بلافاصله برای Cloud و سرور دیتا ارسال می‌کنند. وقتی تمام دیتاها درون Cloud و دیتاسنتر ذخیره شود. جهت پردازش و آنالیز این دیتا خام که تبدیل به دیتا بزرگ (Big Data) شده، مشکلات به‌طور فزاینده‌ای ایجاد می‌شوند. مهم‌ترین راهکار جهت جلوگیری از تشکیل دیتا بزرگ استفاده از معماری Edge Computing (محاسبات لبه) است. منظور از Edge به لبه شبکه اینترنت گفته می‌شود جایی که گیت وی (Gateway) و مودم‌ها قرار گرفتند. در Edge دستگاه‌های ioT به‌صورت real-time دیتاهای خود را بر روی شبکه و سرور ارسال می‌کنند. اما منظور از Edge Computing یا محاسبات Edge چیست؟
منظور از محاسبات Edge به پردازش داده‌ها در نزدیکی سورس و منبع تولید دیتا گفته می‌شود. بنابراین بجای ارسال دیتا به مسافت‌های طولانی مثل ارسال برای Cloud می‌توان در محل، دیتا را آنالیز و پردازش کرد. با توجه به اینکه ارسال دیتا در مسافت‌های زیاد باعث ایجاد تأخیر (latency) می‌شود. استفاده از Edge Computing یک راهکار کارآمد جهت حل مشکل تأخیر خواهد بود.
چرا محاسبات لبه برای اینترنت اشیا مهم هست؟
در سناریو کارخانه هوشمند و کاربری اینترنت اشیا صنعتی (IoT)، یک ماشین را در خط مونتاژ کارخانه فرض کنید. بر اساس معماری Cloud Computing (پردازش ابری) این دستگاه دیتاهای خود را جهت پردازش برای ابر (Cloud) و دیتاسنتر ارسال می‌کند. مدت‌زمان که طول می‌کشد تا دیتاهای این ماشین برای سرور در فضای ابری ارسال شود و سپس پردازش انجام شود و دستورات تصمیم‌گیری از تحلیل دیتا مجدد برای دستگاه ارسال گردد. این زمان بااینکه در حد چندین میلی‌ثانیه خواهد بود ولی ممکن است این فرمان پردازش‌شده، مربوط به تشخیص خاموش کردن (Shot off) ماشین باشد و برای جلوگیری از به خطر افتادن جان یک انسان صادر شود. حال فرض کنید این فرمان چند میلی‌ثانیه همراه با تأخیر ارسال گردد و جان یک انسان گرفته شود. این سیستم برای صنعتگران یک امتیاز بزرگ جهت ایمنی کارگران و تجهیزات است.
یکی از بارزترین نمونه‌های دستگاه‌های Edge، ماشین‌های خودران هست، زیرا تمام پردازش در سمت Cloud انجام‌نشده و بیشتر پردازش دوربین‌ها در سمت ماشین و Edge اتفاق می‌افتد. به‌طور میانگین هر ماشین خودران دارای 50 CPU و معمولاً پردازش تصاویر و ویدیوهای دوربین‌های LiDAR، بسیار حجیم بوده و زمان پردازش زیادی دارد. بنابراین دستگاه‌های حساس که باید به‌صورت real-time و بدون تأخیر تصمیم‌گیری کنند نیاز دارند از Edge Computing استفاده کنند. به‌طورکلی استفاده از محاسبات Edge زمانی ارزشمند خواهد بود که تعداد دستگاه‌ها و حجم دیتا تولیدی زیاد باشد.
در نگاهی دیگر در شبکه اینترنت در بستر TCP مدت‌زمان تأخیر گارانتی نمی‌شود. اما با رسیدن تکنولوژی‌هایی مثل ارتباطات شبکه 5G می‌توان میزان تأخیر را کاهش داد. از طرفی 5G ابتدای راه خود هست و برای رسیدن به تأخیر های بسیارکم نیاز هست زیرساخت‌های مخابراتی تغییراتی داشته باشند تا با بستر 5G سازگار شوند. حتی باوجود شبکه 5G نیاز به معماری Edge اهمیت دارد. با فیلتر و آنالیز دیتا سبب استفاده کمتر از پهنای باند شبکه شده و درنتیجه امکان Overload شبکه کاهش می‌یابد.
از طرفی در کنار کاهش تاخیر، معماری Edge اینترنت اشیا باعث افزایش امنیت و افزایش کیفیت تجربه کاربری شده است. شاید شما هم مایل باشید مثل بقیه کاربران تلفن های هوشمند، اطلاعات و تصاویر درون موبایلتان برای جایی ارسال نشود و کسی دسترسی به اطلاعات شما نداشته باشد. این موضوع در رابطه با کارخانه هوشمند و سیستم های IoT صادق است.
یک سناریو دیگر از به‌کارگیری Edge در کاربری نظامی بررسی کنیم. یک پهپاد نظامی را در نظر بگیرید. در یک مأموریت نظارت در یک منطقه جنگی مستقرشده است. برای انجام عملیات تاکتیکی با توجه به محدودیت‌های موقعیت مکانی راه دور تا مرکز، ارتباطات محدود و شرایط محیطی ناپایدار می‌بایست قادر به جمع آوری اطلاعات و پردازشان در محل پهپاد باشد. همچنین با برقراری ارتباط ماهواره‌ای با پهنای باند کمتر، با مرکز کنترل ارتباط برقرار کرده و اطلاعات پردازش‌شده و شرایط فعلی پهپاد را در اختیار سیستم مرکزی در کشور هدایت‌کننده پهپاد می‌گذارد. و سپس تصمیم حمله با توجه به اطلاعات وابسته در دیتاسنتر مرکز این عملیات انجام شود. پس از اتمام کار، پهپاد به پایگاه بازمی‌گردد و می‌تواند با سیستم مرکزی ارتباط کامل‌تری داشته باشد و اکنون تمام داده‌های خود را در اختیار دیتاسنتر پایگاه قرار دهد، جایی که می‌توان از آن برای سایر فعالیت‌های تحلیلی پیشرفته‌تر استفاده کرد.
ایا معماری Edge Computing در مخالفت با Cloud Computing است؟
با استفاده از Edge Computing می‌توان به دستگاه‌های ioT کمک کرد تا قبل از ارسال دیتا به سرور به‌صورت محلی (Local) پردازش اطلاعات انجام دهد و از ارسال دیتا خام برای Cloud و سرور جلوگیری شود. اما این بدان معنا نیست که محاسبات Edge با کارکرد محاسبات Cloud مشکل دارد و در تضادان به وجود آمده است. بلکه به‌طور مکمل عمل می‌کنند. برخی از افراد بر این باورند که معماری Edge مخالف باحالت Centralize و متمرکز کردن دیتا هست. درصورتی‌که معماری Edge در کنار معماری Cloud کار می‌کند و با سیستم‌های distributed computing نباید اشتباه گرفت.
Edge Computing یک راهکار محاسباتی مؤثر، امن و مقرون‌به‌صرفه برای اینترنت اشیا هست. به دلیل اینکه این سیستم متمرکز نیست، اگر چیزی خراب شود، کارخانه هوشمند همچنان می‌تواند بدون وقفه ادامه یابد.
از زمانی که اولین دستاوردها و پیشرفت‌های تکنولوژی مبتنی بر Cloud گسترش‌یافته که بیشتر این دستاوردها تنها توسط چند بازیگر اصلی در بخش فناوری به‌دست‌آمده است. شرکت‌های مثل گوگل، IBM، علی‌بابا و آمازون بزرگ‌ترین ارائه‌دهنده خدمات ابری در جهان هستند. اما محاسبات Edge این فرصت را در صنعت به وجود آورده که دیگر بازیگران هم بتوانند در بخش زیرساخت و سخت‌افزار سرویس ارائه دهند. ارائه سرویس‌های Edge تخصصی‌تر هست و باید مرتبط با کاربردان در صنایع مختلف مثل کشاورزی، پزشکی، معدن و سایر متفاوت سرویس داده شوند. تجهیزات و دستگاه Edge تنوع زیادی دارند و در صنایع مختلف باقدرت محاسباتی موردنیاز انتخاب می‌شوند. همچنین سرویس‌های نرم‌افزاری و Platform های Edge توسعه داده شدند. این پلتفرم‌ها را می‌توان بر روی سرورهای Edge نصب کرد.
تجهیزات و دستگاه های Edge در اینترنت اشیا
محاسبات Edge در اینترنت اشیا به‌قدرت پردازنده دستگاه Gateway بستگی دارد. دستگاه‌های Edge در لبه شبکه قرار می‌گیرند و دارای اینترنت هستند. از طرفی این دستگاه‌ها با زیرساخت اتوماسیون و با پروتکل‌های صنعتی با دستگاه‌هایی نظیر PLC و DCS ارتباط برقرار می‌کند. با دریافت دیتا مثل مقادیر سنسورها و اطلاعات تولید از تجهیزات صنعتی می‌توان کاربری‌های مثل آنالیز پیش‌بینی در خط تولید انجام داد. با پیاده‌سازی الگوریتم‌های یادگیری ماشین می‌توان دانش‌هایی جهت افزایش بهره‌برداری از خط تولید جمع آوری کرد.
نکته‌ای که باید به آن توجه کنیم، تفاوت بین Edge Server و Edge Device است. Edge Server قسمتی از تجهیزات IT یک سازمان است. اما Edge Device یا دستگاه‌های Edge می‌تواند یک ماشین یا بازوی رباتیک کارخانه باشد که دارای قدرت پردازشی و ارتباط با شبکه را دارد. همچنین در یک کارخانه هوشمند، دستگاه‌های Edge می‌توانند با Edge Server ارتباط برقرار کنند. دستگاه‌های Edge وظیفه پردازش اطلاعات دارند و می‌توانند مثل یک روتر یا Hub دیتا پردازش‌شده را برای Cloud ارسال کنند. با استفاده از دستگاه‌های Edge اینترنت اشیا می‌توانید منابع شبکه را به‌صورت توزیع‌شده استفاده کنید. به‌این‌ترتیب توان بازدهی شبکه (throughput) افزایش پیدا خواهد کرد.
پلتفرم‌های Edge Computing در سال‌های اخیر توسعه داده شدند. این پلتفرم‌ها مشابه پلتفرم‌های Cloud هستند با این تفاوت که بیشتر به سمت سخت‌افزارها و کاربری‌های دستگاه‌ها نزدیک‌تر است. پلتفرم‌های Edge بر روی (Edge Server یا Virtual machines (VM بر اساس سودمندی‌های سایت کارخانه نصب می‌شوند. این پلتفرم‌ها با استفاده از پروتکل‌های باز نظیر OPC UA با تجهیزات صنعتی کارخانه ارتباط برقرار کرده و جمع اوری دیتا از تجهیزات به‌راحتی انجام می‌دهند. یکی از چالش‌های امروزه کارخانه‌ها برای تبدیل‌شدن به کارخانه هوشمند یکپارچه‌سازی دیتاهای OT و IT هست که زیرساخت OPC UA این امکان را فراهم کرده، یکپارچه‌سازی دیتا و پروتکل‌ها امکان‌پذیر شود. معمولاً این پلتفرم‌ها با سرعت بالایی دیتا را از دستگاه‌ها جمع اوری می‌کنند.
همانطور که ioT Gateway ها قابلیت ارتباط با Device ها دارند از ان طرف با Cloud و سرور ارتباط برقرار می‌کنند و کاربری‌هایی از قبیل فیلتر کردن و انالیز دیتا را بر عهده‌دارند. قرار نیست کل دیتا خام برای سرور ارسال شود. حتی می‌تواند برنامه‌ریزی شود برای ایجاد یک بستر امن جهت انتقال اطلاعات به سرور درنتیجه امنیت اینترنت اشیا بهبود می‌یابد. تصاویری از دستگاه‌های Edge:
نقش هوش مصنوعی در (Edge (Edge AI
یادگیری ماشین و الگوریتم‌های هوش مصنوعی نقش کلیدی در زمان اجرای محاسبات Edge دارد. یادگیری ماشین به دستگاه‌های Edge کمک می‌کند تا دیتا کمتری ذخیره کند و بتواند فرایند خود را پیش‌بینی کند. الگوریتم‌های AI با دریافت الگوهای ورودی و بررسی شرایط می‌تواند ورودی بعدی سیستم را پیش‌بینی کند و منابع پردازشی را برای مدیریتان تخصیص دهد. بنابراین می‌توان مدت‌زمان پردازش اطلاعات را کاهش و زمان پاسخگویی سرور را سریع‌تر کرد.
برخی از افراد Edge AI و Distributed AI را به‌اشتباه استفاده می‌کنند و این دو مفهوم را یکسان در نظر دارند. هوش مصنوعی توضیح شده (DAI) به شما این امکان را می‌دهد، مقیاس دیتا و کاربری هوش مصنوعی را از حالت Centralize و محیط Cloud خارج کنید. در سیستم Distributed AI نیازی نیست تمام دیتا در یک نقطه تجمیع شود. در این معماری می‌توان هسته‌های پردازنده ازلحاظ جغرافیایی کنار هم نباشند و الگوریتم‌های هوش مصنوعی بر روی چندین پردازنده وابسته در ساختارهای مختلف اجرا شوند. نودهای پردازنده می‌تواند با هر معماری باشند، شما می‌توانید از چندین Cloud یا چندین Edge در کنار هم برای اجرا هوش مصنوعی توزیع‌شده استفاده کنید.
معمولاً برای حل مسائل پیچیده و چندعاملی هوش مصنوعی از DAI استفاده می‌شود. اما Edge AI همانطور که گفته شد. در تضاد معماری Cloud نیست و به‌طور مکمل با Cloud ارتباط دارد. به‌طور ساده منظور از Edge AI همان Edge Computing هست با این تفاوت که محاسبات، مربوط به الگوریتم‌های هوش مصنوعیه. در تکامل کارکرد Edge در کنار Cloud بخصوص در هوش مصنوعی، به‌طورکلی Edge AI برای استنتاج (inference) و Cloud AI برای آموزش (Train) مدل‌های جدید استفاده می‌شود. الگوریتم‌های inference به‌طور قابل‌توجهی پردازش کمتری نسبت به Train نیاز دارد. درنتیجه می‌توان در پردازنده‌های Edge که توان پردازشی کمتری نسبت به Cloud دارند، الگوریتم‌های inference را در Edge پیاده‌سازی کند. همچنین پردازنده‌های نسل جدید باقابلیت شتاب‌دهنده (accelerator) محاسبات AI درحال‌توسعه هستند که
می‌توان قدرت پردازشی بیشتری برای AI در نظر گرفت. در مقاله‌های بعدی به موضوع Edge AI به‌طور تخصصی‌تر با رویکرد هوش مصنوعی می‌پردازیم.
یکی از کاربردهای Edge AI در صنعت می‌توان به Predictive maintenance اشاره کرد. با استفاده از دیتا سنسورها می‌توان تشخیص زودهنگام زمان خرابی‌های ماشین را پیش‌بینی کرد تا از خطرهای بزرگ‌تر و خرابی‌های پرهزینه جلوگیری داشت.
جهت اطلاع بیشتر در رابطه با تفاوت Edge AI و Distributed AI به ویدیو کانال یوتیوب IBM در این لینک مراجعه کنید.
در این مقاله با تکنولوژی‌های نوظهور اشنا شدیم. این موضوعات در حال حاضرترند های مقاله‌نویسی هستند و بستری به وجود آوردن که تکنولوژی‌های جدیدتری با این زیرساخت‌ها ایجاد شوند. تکنولوژی دوقلوی دیجیتال (Digital Twin) ثمره‌ی این زیرساخت‌ها در صنعت هست. در مقاله‌های بعدی به موضوع دوقلوی دیجیتال خواهیم پرداخت. همراه ما باشید.
منبع: سیسوگ
