干货|边缘计算基础架构师指南

【转自公众号&＃xff1a;CloudBest】
边缘计算绝对是当今技术领域中的一件事。自2017年以来&＃xff0c;边缘计算产品和服务的市场规模增加了一倍以上。据统计网站Statista预测&＃xff0c;到2015年&＃xff0c;这一数字将激增。&＃xff08;请参见下面的图1&＃xff09;。

图1&＃xff1a;2017年&＃xff0c;2019年&＃xff0c;2020年和2025年全球边缘计算市场规模预测&＃xff08;十亿美元&＃xff09;&＃xff08;Statista&＃xff09;

随着计算机技术继续使台式机成为移动设备和物联网的青睐&＃xff0c;边缘计算将在企业体系结构中发挥更大的作用。

考虑到技术的发展和未来几年的增长&＃xff0c;对边缘计算有基本的了解对于现代企业架构师至关重要。本文的目的是提供该基本知识。

在本文中&＃xff0c;我涵盖了技术的四个基本主题。首先&＃xff0c;我将介绍边缘计算的基本概念。接下来&＃xff0c;我将讨论边缘计算的基本价值主张。接下来&＃xff0c;我将描述边缘计算中的一种新兴模式&＃xff1a;雾与边缘。最后&＃xff0c;我将从操作的角度研究人工智能的采用如何将边缘计算置于现代建筑设计的最前沿。

我将从描述边缘计算模式背后的基本知识开始。

01

了解边缘计算模式

边缘计算是一种分布式计算模式。组织非常广泛的网络上的计算资产&＃xff0c;以便将对特定任务必不可少的某些计算和存储设备放置在靠近正在执行任务的物理位置的位置。与任务相关但不是必需的计算资源被放置在远程位置。

在边缘计算方案中&＃xff0c;诸如摄像机或运动检测器之类的边缘设备将仅具有执行手头任务所需的计算逻辑量和存储容量。通常&＃xff0c;这些边缘设备将是非常小的系统&＃xff0c;例如Raspberry Pi或可联网的设备&＃xff0c;这些设备在专用的机载计算机中嵌入了特定于任务的逻辑。&＃xff08;请参见下面的图2&＃xff09;

图2&＃xff1a;市政交通信号灯网格是边缘计算模式的一个示例

边缘设备所连接的远程计算机往往功能更强大&＃xff0c;并且可以执行更复杂的工作。这样&＃xff0c;这些远程计算机通常位于云中的数据中心中。

尽管围绕边缘计算的许多技术仍在发展&＃xff0c;但基本概念已经以内容交付网络&＃xff08;CDN&＃xff09;的形式发挥了一段时间。CDN是一种网络体系结构&＃xff0c;其中内容被推送到最接近消费点的服务器&＃xff0c;从而减少了延迟并为消费者提供了高质量的体验。&＃xff08;请参见下面的图3。&＃xff09;

图3&＃xff1a;内容交付网络是分布式计算中边缘模式的早期实现

例如&＃xff0c;像Netflix这样的公司在全球范围内拥有观众&＃xff0c;它将把内容推送到位于全球各地的服务器上。当观众登录到Netflix并选择要观看的电影时&＃xff0c;Netflix数字基础设施的内部结构将确定离观众最近的点&＃xff0c;从该点开始播放流媒体并相应地传输内容。该过程对查看者隐藏。实施内容交付网络的内部机制是Netflix开发的Open Connect系统。

02

基本价值主张

边缘计算的基本价值主张是&＃xff0c;它允许公司以经济高效的方式快速提供数字服务。

理解边缘计算的价值的一个物理类比是想象一个虚拟的全国性在线零售商的交付操作&＃xff0c;我将其称为Acme Online。Acme Online是一个中央电子商务系统。它允许美国境内的任何人从其网站上购买商品&＃xff0c;然后让Acme Online在美国任何地方交付购买的商品。&＃xff08;请参见下面的图4。&＃xff09;

图4&＃xff1a;在线零售商是物理世界中边缘计算的一个示例。

上面图4中所示的情况是&＃xff0c;洛杉矶的Bobby为他的纽约市&＃xff08;NYC&＃xff09;的朋友Billy买了礼物。比利&＃xff08;Billy&＃xff09;距离鲍比&＃xff08;Bobby&＃xff09;3000多英里。Acme Online在全国范围内分布有数个实体仓库。其中一个仓库在洛杉矶。另一个在纽约。Bobby购买后&＃xff0c;Acme Online中央数据中心中的情报。

处理购买的订单并对其进行分析&＃xff0c;以确定最快&＃xff0c;最便宜的送礼方式。Acme Online将比利的地址&＃xff08;礼品接收者&＃xff09;与该物品匹配到最近的仓库。事实证明&＃xff0c;纽约市的仓库中有礼物。Acme Online计划从NYC仓库进行交货。

效率是显而易见的。最好从距离收件人最近的分发点执行交付包裹的任务。交付点离接收者越近&＃xff0c;完成任务所需的时间和资源就越少。

虽然这是一个说明性的示例&＃xff0c;但似乎有些琐碎。但是&＃xff0c;发生的事情远不止于此。进一步的分析将显示仓库中实际上存在两种类型的计算实体。按照边缘计算的说法&＃xff0c;一种类型称为Fog。另一种类型是edge。您可以将仓库视为雾霾&＃xff0c;将运送礼物的卡车视为边缘。让我们看一下区别。

03

雾与边缘

在边缘计算的早期&＃xff0c;诸如摄像机和运动检测器之类的设备直接连接到中央计算位置&＃xff0c;通常是内部数据中心。但是&＃xff0c;随着使用量的增加&＃xff0c;出现了问题。计算资源太少了。太多难以处理的数据必须传播得太远。&＃xff08;一台以每秒30帧&＃xff08;fps&＃xff09;的速度记录下来的视频摄像机&＃xff0c;将每一帧发送回中央服务器进行存储&＃xff0c;将使磁盘I / O最大化&＃xff0c;并立即降低网络速度。&＃xff09;

另外&＃xff0c;存在配置问题。当一千个摄像机将数据发送到特定IP地址的中心位置时&＃xff08;对于城市交通系统而言这并不罕见&＃xff09;&＃xff0c;仅将IP地址重新配置为另一台设备是一项艰巨的任务。显然&＃xff0c;需要一些更简单的方法。更容易的是雾。

雾是位于中央云和边缘设备之间的计算层。回到上面描述的Acme Online类比&＃xff0c;Acme Online体系结构将区域仓库放置在中央云和运送货物的卡车之间。如上所述&＃xff0c;仓库是雾&＃xff0c;卡车是边缘。逻辑进行了相应的细分。卡车仅具有与仓库互动并进行实际包裹递送所需的情报。

另一方面&＃xff0c;仓库知道如何接收和存储库存&＃xff0c;履行订单以及将订单分配给卡车。此外&＃xff0c;仓库知道如何与Acme Online的中央数据中心以及仓库中的所有卡车进行交互。换句话说&＃xff0c;仓库是Fog层&＃xff0c;充当中央数据中心和边缘之间的中介。

这种物理类比在数字基础架构中是正确的。高容量的边缘体系结构在边缘设备和云之间放置了一层计算&＃xff0c;以提高系统的整体性能。在边缘设备和中央云之间实现Fog层也可以提高系统安全性。

一种新兴的体系结构样式是将分布式应用程序的Fog层放置在私有云中&＃xff0c;该应用程序旨在根据语言环境的管理规则来使用和处理机密信息。一个示例是一种架构&＃xff0c;在该架构中&＃xff0c;银行的自动柜员机&＃xff08;ATM&＃xff09;连接到该机构的专用网络。在此示例中&＃xff0c;ATM是边缘设备&＃xff0c;而银行的专用网络是Fog。雾处理与简单交易有关的身份验证和验证。但是&＃xff0c;当需要大量计算资源的更复杂的分析计算需要时&＃xff0c;该工作将以安全的方式传递到公共云。通常&＃xff0c;这种类型的密集计算与为人工智能提供动力的机器学习有关。实际上&＃xff0c;

让我们看一下细节。

04

使用边缘计算的AI实现模式

如今&＃xff0c;现代手机已经使我们习惯于在日常生活中使用AI&＃xff0c;即使它在幕后也是如此。Google Lens等技术在其Android手机中内置了图像识别功能。您可以将手机的相机对准一瓶您最喜欢的番茄酱品牌&＃xff0c;该应用程序将转到互联网&＃xff0c;并找到距离您最近的番茄酱商店。这是一个了不起的壮举&＃xff0c;尤其是当您考虑到手机的发展使得它实际上具有进行初始图像识别的计算能力时&＃xff0c;尤其如此。并非总是这样。过去&＃xff0c;这种级别的计算只能在功能非常强大的计算机上进行。

拍照并通过电子邮件发送照片已经有一段时间了。结果&＃xff0c;数十亿张宠物照片已成为Internet上的永久性装置。过去&＃xff0c;手机可以拍摄狗的照片&＃xff0c;但不知道图像是狗的照片。这项工作需要使用功能更强大的机器来完成&＃xff0c;该机器可以了解狗的外观。图像识别的过程称为建模。

建模的工作方式是向计算机程序馈送大量描述感兴趣的物体&＃xff08;在这种情况下为狗&＃xff09;的图像。该程序具有确定描述感兴趣项目的通用模式的逻辑。换句话说&＃xff0c;在为程序提供了几百万张不同狗的图片后&＃xff0c;它最终确定了狗的共同特征&＃xff0c;并且能够在随机图像中识别出一只狗。此一般描述称为模型。

创建模型需要大量的计算能力&＃xff0c;而使用模型则需要较少的计算能力。最初&＃xff0c;在AI领域&＃xff0c;定义模型和使用模型都是在数据中心完成的。要弄清楚照片是否是狗的照片&＃xff0c;手机只不过是傻瓜终端&＃xff0c;如下面的图5所示。

图5&＃xff1a;在标准云计算中&＃xff0c;所有AI智能都存在于云中

但是&＃xff0c;随着手机功能越来越强大&＃xff0c;他们开发了使用在云中创建的模型的功能。如今&＃xff0c;手机本身就是边缘设备&＃xff0c;它们会下载狗的模型&＃xff0c;然后手机中的情报就会使用该模型来确定数字图像确实是狗的图像。好处是在边缘设备上会进行更多处理。此外&＃xff0c;边缘设备无需与云中的数据中心保持连续连接。如果由于某种原因&＃xff0c;手机进入没有连接的地下隧道&＃xff0c;它仍可以在照片中识别出一条狗。&＃xff08;请参见下面的图6&＃xff09;

图6&＃xff1a;在边缘计算中&＃xff0c;诸如AI模型之类的智能被推入边缘设备

在诸如手机之类的设备中&＃xff0c;智能边缘计算相对容易&＃xff0c;因为这些设备具有足够的计算能力来执行各种任务。使用不那么“智能”的设备&＃xff08;例如市政交通系统中的红灯摄像机&＃xff09;&＃xff0c;事情变得棘手。

如今&＃xff0c;交通摄像头已司空见惯。他们监视繁忙的十字路口&＃xff0c;并在红灯亮起的情况下抓住驾驶员。但是&＃xff0c;要使交通摄像头系统有效运行&＃xff0c;不仅需要摄像机监视交叉路口&＃xff0c;还需要更多。不仅需要在交通信号灯和摄像机之间进行协调&＃xff0c;还需要提供可用的情报&＃xff0c;该情报将使系统可以从十字路口的其他项目中专门识别出一辆汽车。

为了有效&＃xff0c;需要使用小型的Fog体系结构。该系统仅需要足够的信息来确定是否发生了行驶中的违规行为&＃xff0c;但并没有损害驾驶员的实际身份或响应违规行为而采取的任何后续措施。

边缘/雾/云模式在这种情况下很有用&＃xff0c;如下图7所示。

图7&＃xff1a;在云中添加Fog边界使IoT设备可以将数据发送到局域网中的服务器&＃xff0c;然后在提交给云之前先对其进行处理

在上述交通摄像头场景中&＃xff0c;所有确定发生移动违规的情报都存储在Fog服务器中。服务器知道交通信号灯何时为红色&＃xff0c;它可以看到车辆驶过禁区的图像&＃xff0c;因此可以确定何时发生违规。当驾驶员闯红灯时&＃xff0c;它仅将与违规有关的信息发送回云以进行处理。

现在&＃xff0c;这只是可用于满足此特定用例的众多边缘架构类型之一。我可以扩展方案&＃xff0c;以便每个交通信号灯和视频摄像机对都连接到Raspberry Pi设备&＃xff0c;该设备包含确定移动违规的情报。然后&＃xff0c;Raspberry Pi将信息转发到Fog层&＃xff0c;该层将所有违规数据聚合到批处理提交到云中。

确定要使用的确切边缘体系结构是用例需求和预算的问题。要理解的重要一点是&＃xff0c;就通用计算和AI实现而言&＃xff0c;分段都是边缘架构的重要方面。没有“一刀切”的方法。因此&＃xff0c;现代企业架构师需要了解各种边缘计算方法的优点和缺点。

最后总结

边缘计算在IT领域将继续增长&＃xff0c;尤其是随着5G网络的引入。5G联网是指网络节点之间的距离更近&＃xff0c;从而减少了延迟。这种设计可转化为更快的数据传输速率。目前&＃xff0c;大多数5G活动将在手机上进行。正如模式所揭示的那样&＃xff0c;适用于诸如手机之类的通用设备的技术最终进入了专用设备&＃xff0c;如适合工业活动的无人驾驶车辆和移动机器。换句话说&＃xff0c;机器人。

边缘计算在世界上有很多机会。有人说这将是下一个伟大的范例。随着边缘计算的使用增加&＃xff0c;随之而来的复杂性也随之增加。希望本文中提出的概念和想法将提供实现最终掌握所需的基本信息。