محاسبات لبه و محاسبات ابری گاهی اوقات مورد بحث قرار می گیرند که گویی رویکرد های متقابل منحصر به فردی برای زیرساخت های شبکه هستند. اگرچه ممکن است به روش های مختلفی کار کنند، اما استفاده از یکی مانع استفاده از دیگری نیست. در عمل، آن ها در واقع روی یکدیگر تأثیر می گذارند.
به طور کلی در یک معماری رایانش ابری، همه داده ها در مکانی متمرکز، معمولاً در یک مرکز داده، جمع آوری و پردازش می شوند. همه دستگاه هایی که باید به این داده ها دسترسی پیدا کنند یا از برنامه های مرتبط با آن استفاده می کنند، ابتدا باید به ابر وصل شوند. از آنجا که همه چیز به صورت متمرکز است، امنیت و کنترل ابر به آسانی امکان پذیر است و در عین حال امکان دسترسی از راه دور و قابل اطمینان را فراهم می کند.
اما “محاسبات لبه” برعکس محاسبات ابری به محاسبات به عنوان یک الگوی توزیع شده اشاره دارد. این امر ذخیره سازی داده و قدرت محاسبه را به دستگاه یا منبع داده در جایی که بیشترین نیاز را دارد نزدیک می کند. اطلاعات روی ابر فیلتر شده از طریق مراکز داده دور پردازش نمی شود. در عوض این توزیع باعث کاهش زمان تاخیر و صرفه جویی در پهنای باند می شود.
علاوه بر جمع آوری داده ها برای انتقال به ابر، محاسبات لبه همچنین پردازش، تجزیه و تحلیل و اقدامات لازم را بر روی داده های جمع آوری شده به صورت محلی انجام می دهد. از آنجا که این فرایند ها در میلی ثانیه به پایان می رسند، مهم نیست که فعالیت ها چه باشد.
انتقال مقادیر زیادی از داده ها در زمان واقعی به روشی مقرون به صرفه، در درجه اول وقتی از سایت های صنعتی از راه دور انجام می شود، می تواند یک چالش باشد. با افزودن هوش مصنوعی به دستگاه های موجود در لبه شبکه، این مشکل برطرف می شود. محاسبات لبه، قابلیت های تجزیه و تحلیل را به دستگاه نزدیکتر می کند و این باعث می شود که انسانی واسطه نباشد. این تنظیم گزینه های کم هزینه تری را برای بهینه سازی عملکرد دارایی فراهم می کند.
در رایانش ابری، قابلیت اتصال، انتقال داده، پهنای باند و تاخیر (Delay) بسیار گران است. این نا کارآمدی با محاسبات لبه، که به طور قابل توجهی به پهنای باند کمتر و دیلی کمتری نیاز دارند، برطرف می شود. با استفاده از محاسبات لبه ای، یک پیوستار ارزشمند از دستگاه به ابر ایجاد می شود، که می تواند مقادیر زیادی از داده های تولید شده را کنترل کند. دیگر نیازی به اضافه شدن پهنای باند نیست زیرا نیازی به انتقال گیگابایت داده به ابر نیست.
همچنین داده های حساس اینترنت اشیا را در یک شبکه خصوصی تجزیه و تحلیل می کند، در نتیجه از داده های حساس محافظت می کند. اکنون شرکت ها تمایل دارند محاسبات لبه را در کار خود گسترش دهند. این به دلیل عملکرد عملیاتی بهینه سازی شده، رعایت آدرس و پروتکل های امنیتی در کنار هزینه های کمتر است.
محاسبات لبه می تواند به کاهش وابستگی به ابر کمک کرده و در نتیجه سرعت پردازش داده ها را بهبود بخشد. علاوه بر این ، در حال حاضر بسیاری از دستگاه های اینترنت اشیا modern مدرن وجود دارد که دارای قدرت پردازش و ذخیره سازی هستند. حرکت به سمت قدرت پردازش لبه امکان استفاده از این دستگاه ها را در حد بالقوه خود فراهم می کند.
محاسبات ابری به استفاده از خدمات مختلف از جمله پلتفرم های توسعه نرم افزار ، فضای ذخیره سازی، سرور ها و سایر نرم افزارها از طریق اتصال به اینترنت گفته می شود. ارائه دهندگان محاسبات ابری سه ویژگی مشترک دارند که در زیر ذکر شده است:
کاربر باید هزینه های خدمات استفاده شده را که می تواند شامل حافظه، زمان پردازش و پهنای باند باشد، پرداخت کند. ارائه دهندگان ابر برنامه پشتی برنامه را مدیریت می کنند.
سرویس های محاسبات ابری از نظر مدل های تجاری قابل استفاده هستند که بسته به نیاز های خاص متفاوت هستند. در زیر به طور خلاصه برخی از مدل های خدمات مرسوم استفاده شده است.
بستر های نرم افزاری به عنوان یک سرویس یا PaaS :PaaS به مشتریان اجازه می دهد دسترسی به پلتفرم ها را خریداری کنند و به آن ها امکان می دهد نرم افزار ها و برنامه های خود را در فضای ابری مستقر کنند. مصرف کننده سیستم های عامل یا دسترسی به شبکه را مدیریت نمی کند، که می تواند برخی از محدودیت ها را در ماهیت برنامه های قابل استفاده ایجاد کند. Amazon Web Services ،Rackspace و Microsoft Azure نمونه هایی از این موارد هستند.
نرم افزار به عنوان سرویس یا SaaS: در SaaS، مصرف کنندگان باید توانایی دسترسی یا استفاده از یک برنامه یا سرویس را که توسط ابر پشتیبانی می شود، خریداری کنند.
زیرساخت به عنوان سرویس یا IaaS: در اینجا، مصرف کنندگان می توانند پلتفرم ها، برنامه ها، اتصال شبکه و ذخیره سازی را کنترل کرده و مدیریت کنند، بدون اینکه خودشان ابر را کنترل کنند.
درست مانند مدل های خدماتی، مدل های استقرار محاسبات ابری نیز به نیاز ها بستگی دارد. چهار مدل اصلی استقرار وجود دارد که هر یک از آن ها دارای ویژگی های خاص خود هستند.
با وجود چالش های زیادی که محاسبات ابری با آن روبرو است، مزایای زیادی نیز برای ابر وجود دارد.
محاسبات ابری به شرکت ها این امکان را می دهد تا با استقرار اندک ابر ها شروع به کار کنند و به سرعت و با کارآیی گسترده گسترش پیدا کنند. در صورت اقتضا کردن شرایط، مقیاس گذاری نیز می تواند به سرعت انجام شود. همچنین به شرکت ها اجازه می دهد در صورت لزوم منابع اضافی اضافه کنند، که این امر آن ها را قادر می سازد خواسته های روزافزون مشتری را برآورده کنند.
توجه داشته باشید که با ظهور محاسبات لبه توصیه نمی شود که کاملاً جایگزین محاسبات ابری شود. اختلاف آن ها را می توان به عنوان مثال تفاوت بین یک SUV و یک اتومبیل مسابقه ای تشبیه کرد. اهداف و کاربرد های هر دو وسیله نقلیه متفاوت است. برای درک بهتر تفاوت ها، جدول مقایسه ای ایجاد کردیم.
| تفاوت ها | محاسبات لبه | محاسبات ابری |
| شرکت های مناسب | محاسبات لبه به عنوان ایده آل برای عملیات با نگرانی های تأخیر شدید در نظر گرفته می شود. بنابراین، شرکت های متوسط که محدودیت های بودجه ای دارند می توانند برای صرفه جویی در منابع مالی از محاسبات لبه ای استفاده کنند. | محاسبات ابری برای پروژه ها و سازمان هایی که با ذخیره سازی گسترده داده ها سرو کار دارند مناسب تر است. |
| برنامه نویسی | چندین پلت فرم مختلف ممکن است برای برنامه نویسی مورد استفاده قرار گیرند که همه دارای زمان اجرا متفاوت هستند. | برنامه نویسی واقعی در ابر ها مناسب تر است زیرا به طور کلی برای یک پلتفرم هدف ساخته شده و از یک زبان برنامه نویسی استفاده می کند. |
| امنیت | محاسبات لبه نیاز به یک طرح امنیتی قوی شامل روش های پیشرفته احراز هویت و مقابله با اقدامات پیشگیرانه دارد. | به یک برنامه امنیتی قوی کمتر نیاز دارد. |
اکنون بسیاری از شرکت ها در حال حرکت به سمت محاسبات لبه هستند. با این حال، محاسبات لبه تنها راه حل نیست. برای چالش های محاسباتی که ارائه دهندگان و سازمان های فناوری اطلاعات با آن روبرو هستند، محاسبات ابری همچنان یک راه حل مناسب است. در بعضی موارد، آن ها از آن به طور همزمان با محاسبه لبه برای راه حل جامع تر استفاده می کنند. تفویض اختیار همه داده ها به لبه نیز تصمیم عاقلانه ای نیست. به همین دلیل ارائه دهندگان ابر عمومی شروع به ترکیب استراتژی های اینترنت اشیا و پشته های فناوری با محاسبات لبه کرده اند.
محاسبات لبه در مقابل محاسبات ابری رقبای مستقیمی هستند. در عوض، آن ها گزینه های محاسباتی بیشتری را برای نیاز های سازمان شما به صورت پشت سرهم فراهم می کنند. برای پیاده سازی این نوع راه حل ترکیبی، شناسایی این نیاز ها و مقایسه آن ها با هزینه ها باید اولین قدم در ارزیابی آنچه برای شما بهتر است.
برای کسب اطلاعات بیشتر در مورد محاسبات لبه می توانید مطلب “چیز هایی که باید در مورد تکنولوژی جدید سرور لبه (Edge Server) بدانید” را مطالعه کنید.