Kas ir miglas skaitļošana? Migla vs. Edge Computing skaidrojums

Key Takeaways

• Miglas skaitļošana paplašina malu skaitļošanas koncepciju, izveidojot sadalītu skaitļošanas infrastruktūru, kas aptver plašāku ģeogrāfisko apgabalu.
• Miglas skaitļošana darbojas tuvāk datu avotam nekā mākoņdatošana, bet ne tieši tā avotā, izmantojot stratēģiski izvietotus miglas mezglus visā tīklā.
• Miglas skaitļošana nodrošina skaitļošanas resursu hierarhiju, sākot no malas ierīcēm līdz miglas mezgliem un beidzot ar mākoni datu centriem, optimizējot efektivitāti, samazinot latentumu un piedāvājot strukturētu, bet elastīgu sistēma.

Mūsu izpratne par datu apstrādes un uzglabāšanas paradigmām attīstās, digitālajā pasaulē strauji mainoties. Termini "mākonis", "mala" un "migla" nav tikai meteoroloģiskie termini; tie pārstāv trīs unikālas skaitļošanas sistēmas. Malu un miglas skaitļošana radās, reaģējot uz to priekšgājēju ierobežojumiem, taču katram no tiem ir atšķirīgas funkcijas un priekšrocības.

Kas ir miglas skaitļošana? Miglas skaitļošanas skaidrojums

Iedziļināsimies tajā, kas ir miglas skaitļošana, un paskaidrosim, kā tā darbojas. Tomēr, pirms aplūkot miglas skaitļošanu, ir noderīgi saprast, kas bija pirms tā un kā mēs nonācām pie miglas skaitļošanas.

Mākoņdatošana radās kā revolucionārs datu pārvaldības un apstrādes modelis. Piedāvājam centralizētu datu glabāšanu un apstrādi plašos datu centros, kas bieži atrodas kontinentos prom no datu avots vai lietotājs — mākoņdatošana nodrošina nepārspējamu mērogojamību, veiklību un izmaksas efektivitāti.

Kamēr mākoņdatošana sniedz daudzas priekšrocības, tas nav bez trūkumiem. Pārsūtot datus lielos attālumos uz mākoņa centriem, tos apstrādājot un pēc tam nosūtot atpakaļ, rodas latentums. Uzdevumiem, kuriem nepieciešama tūlītēja atbilde vai datu apstrāde reāllaikā, šī kavēšanās bija nepieņemama. Turklāt lielais joslas platums, kas nepieciešams, lai katru datu baitu nosūtītu uz centrālajiem serveriem ar iespējamu tīkla pārslodzi, tīri mākoņdatošanas modeli noteikti padarīja neefektīvu lietojumprogrammas.

Ievadiet malu skaitļošana un tā turpinājuma akts, miglas skaitļošana.

Kas ir Edge Computing?

Apzinoties mākoņdatošanas ierobežojumus, malu skaitļošana tika izstrādāta, lai samazinātu latentumu un optimizētu joslas platumu. The galvenā atšķirība starp mākoņdatošanu un malu skaitļošanu ir apstrādājamo datu apjoms; mākoņdatošana apstrādā milzīgus apjomus, savukārt mala koncentrējas uz daudz mazākām apakškopām.

Tā vietā, lai visu novirzītu uz centralizētiem serveriem, datu procesi tika novirzīti tuvāk datu avotam — iespējams, drošības kamerai, valkājamai ierīcei vai rūpnīcas sensoram. Šis tuvums nozīmē, ka datus var apstrādāt uz vietas, kas palielina reāllaika, atsaucīgu lietojumprogrammu izveides iespējamību. Lokalizētā datu apstrāde arī veicina energoefektivitāti un samazina kopējās datu pārraides izmaksas.

Taču, lai gan malu skaitļošana risināja latentuma un joslas platuma problēmas, tā radīja arī jaunas bažas. Drošība ir kļuvusi par sarežģītāku problēmu, jo dati tiek apstrādāti daudzās ierīcēs. Daudzām mazām ierīcēm bija nepieciešams vairāk skaitļošanas muskuļu, lai veiktu stingrus uzdevumus. Turklāt neskaitāmu malu ierīču pārvaldība un uzturēšana radīja jaunas sarežģītības.

Kas ir miglas skaitļošana?

Miglas skaitļošana sāka darboties, lai pārvarētu tās skaitļošanas priekšgājēju, mākoņu un malu, ierobežojumus. Tas paplašina malu skaitļošanas koncepciju, izveidojot izkliedētu skaitļošanas infrastruktūru, kas aptver plašāku ģeogrāfisko apgabalu, nevis tikai atsevišķas ierīces.

Tā vietā, lai apstrādātu datus avotā (kā ar malu) vai attālās centralizētās vietās (kā mākoņa gadījumā), miglas skaitļošana darbojas tuvāk avotam, bet ne tieši avotā. Šajā skaitļošanas modelī miglas mezgli ir stratēģiski izvietoti visā tīklā, tostarp tīkla infrastruktūrā un malās. Šiem mezgliem ir lielāka skaitļošanas jauda nekā parastajām malu ierīcēm, un tie var veikt sarežģītāku datu apstrādi un analīzi.

Tas efektīvi izveido "tuvāku mākoni" vai "izplatītu mākoni", kas nodrošina labāko no abām pasaulēm, ko piedāvā iepriekšējie skaitļošanas modeļi. Miglas skaitļošanas mērķis ir nodrošināt skaitļošanas resursu hierarhiju, sākot no malas ierīcēm līdz miglas mezgliem un mākoņa datu centriem. Tas optimizē efektivitāti, samazina latentumu un piedāvā strukturētāku, taču elastīgāku sistēmu nekā tīrs malas vai mākoņa modelis.

Mākonis vs. Mala. Miglas skaitļošana: funkcijas salīdzinātas

Šī evolūcija no mākoņa līdz malai un visbeidzot līdz miglai sniedz spilgtu priekšstatu par mūsu nerimstošos centienus optimizēt datus apstrādi, nodrošinot visefektīvākās, atsaucīgākās un izmaksu ziņā efektīvākās sistēmas, kas atbilst dažādām prasībām.

To sakot, ir jāsaprot mākoņa, malu vai miglas skaitļošanas veiktspēja un efektivitāte risinājumus var būtiski ietekmēt vietējo ierīču iespējas un funkcijas iesaistīti. Ierobežojošie faktori ietver ierīces apstrādes jaudu, atmiņu un uzglabāšanas iespējas; atrašanās vietas un latentuma apsvērumi; datu pārraides jauda; un mērogojamība un vispārējā piemērotība konkrētajam uzdevumam.

Reāli mākoņu, malu un miglas skaitļošanas piemēri

Katrs skaitļošanas modelis — mākonis, mala un migla — ir ietekmējis konkrētu tehnoloģiju nozares izaicinājumu risināšanu. Katra praktiskā pielietojuma izpratnei ir savas priekšrocības gan patērētājiem, gan biznesa lietotājiem.

Mākoņdatošana

Neskaitāmu mūsdienu digitālo pakalpojumu mugurkauls, mākoņdatošanas plašās krātuves un apstrādes iespējas ir no jauna definējušas pieejamību. Mūsdienās mākoņdatošanas piemēri ir dziļi iesakņojušies mūsu ikdienas dzīvē neatkarīgi no tā, vai mēs to apzināmies vai nē.

Straumēšanas pakalpojumi, piemēram, Netflix un Spotify, ir klasiski piemēri. Tā vietā, lai lietotāji savās ierīcēs glabātu plašas filmu vai mūzikas bibliotēkas, abonenti var straumēt saturu, kas tiek mitināts masveida mākoņdatu centros.

Piemēram, kad Netflix paziņoja par funkciju apturēt un atsākt filmas un TV pārraides jebkurā ierīcē jebkurā mājas telpā straumēšanas pakalpojums izmantoja un izmanto mākoņdatošanas priekšrocības resursus. Šī centralizācija nozīmē, ka varat sākt skatīties filmu vienā ierīcē, apturēt to un atsākt satura skatīšanu citā ierīcē, pateicoties datu centralizētajam raksturam mākonī.

Malu skaitļošana

Tā kā ierīces kļūst viedākas un vairāk integrētas mūsu ikdienas rutīnā, nepieciešamība pēc ātras lēmumu pieņemšanas iespējām pieaug eksponenciāli. Piemēram, viedtālruņos runas atpazīšanas, attēlu apstrādes un citu uzdevumu veikšanai tiek izmantota malu skaitļošana. Ir zināms, ka viedās kameras un citas viedās mājas ierīces arī izmanto malu skaitļošanu.

Un visbeidzot, pašbraucošās automašīnas Reāllaika lēmumu pieņemšanai lielā mērā paļaujas uz malu skaitļošanu. Sensori un borta datori analizē datus no kamerām, LiDAR, radara un citiem sensoriem, lai pārvietotos un reaģētu uz to vidi, neizmantojot attālu mākoņserveri.

Miglas skaitļošana

Apvienojot labākās mākoņa un malas iespējas, miglas skaitļošana ir piemērota scenārijos, kuros nepieciešami saskaņoti, lokāli lēmumi, nepārslogojot atsevišķas ierīces. Spilgts piemērs ir viedo pilsētu iniciatīvas.

Iedomājieties viedu satiksmes sistēmu pilsētā: tā vietā, lai katrs luksofors patstāvīgi pieņemtu lēmumus (kā ar malu) vai paļautos tikai uz attālu. centrālā sistēma (tāpat kā mākonī), luksofori noteiktā reģionā var sazināties ar vietējo miglas mezglu, lai pieņemtu saskaņotākus lēmumus.

Piemēram, ja vienā apgabalā rodas satiksmes sastrēgums, sistēma var pielāgot apgaismojuma laiku apkārtējās zonās, lai mazinātu sastrēgumus, nenosūtot datus līdz galam uz centrālo mākoni un atpakaļ.

Mākoņu žargons ir demistificēts

Lai gan katram ir sava vieta, mākoņdatošana, malu un miglas skaitļošana ir svarīga optimizētā, efektīvā un atsaucīgā skaitļošanas ekosistēmā. Lietotāji un uzņēmumi gūst labumu, izprotot žargonu un izprotot tā praktisko pielietojumu. Turpinot izmantot datu jaudu, nodrošinot to efektīvu, drošu un ātru apstrādi, arī turpmāk būsim tehnoloģiskā progresa priekšgalā.