مدل های محاسبات لبه به سه زیرمجموعه اصلی تحت عنوان کلودلت ها (Cloudlets)، رایانش مه (Fog computing)، رایانش لبه متحرک (Mobile edge computing) (Khan et al., 2019). در ادامه به توضیح هر یک پرداخته خواهد شد. در شکل 1 انواع رایانش لبه نشان داده شده است.

شکل 1: انواع رایانش لبه

کلودلت ها (Cloudlets)

کلودلت ها مجموعه ای از رایانه ها یا دستگاه های تلفن همراه هستند که قدرت محاسباتی را برای استفاده توسط دستگاه های موبایل مجاور فراهم می کنند (Satyanarayanan et al., 2009). کلودلت یک سیستم خود مدیریتی و غنی از منابع است که با سرعت بالایی به اینترنت و خدمات ابری دسترسی دارد. Cloudlet ها مزایای متعددی را نسبت به Cloud ارائه می دهند، مانند تأخیر کمتر، پهنای باند بالاتر، در دسترس بودن آفلاین و مقرون به صرفه بودن (Shaukat et al., 2016). کلودلت اساساً یک ابر منطقه ‌ای (Regional cloud) است که می ‌تواند خدمات ابری دوردست را به کاربر نزدیک‌ تر کند. Cloudlet ها همان مراکز داده ابری اما در مقیاس کوچک هستند که در لبه شبکه قرار دارند. Cloudlet یک مدل معماری است که رایانش ابری را در لبه شبکه تلفن همراه امکان پذیر می کند (Saini & Raj, 2022). کلودلت به استفاده از ارتباطات بی سیم کم تاخیر، پهنای باند بالا، و نزدیک کردن فیزیکی منابع رایانش ابری مانند کامپیوترهای مجازی به دستگاه های موبایلی به دنبال بهبود زمان پاسخگویی اپلیکیشن های موبایل است (B. Chen et al., 2021). Cloudlet را می توان به عنوان یک خوشه معتبر از رایانه ها (cluster of computers) تعریف کرد که به اینترنت متصل هستند و منابع خود را در اختیار دستگاه های تلفن همراه مجاور قرار می دهند. کلودلت یک مرکز داده کوچک (small data center) است که یک ماشین مجازی (Virtual machine (VM)) را اجرا می کند که منابعی را برای دستگاه های نهایی و کاربران فراهم می کند. این امر از طریق یک شبکه محلی بیسیم (Wireless Local Area Network (WLAN)) و دسترسی تک هاپ (One-hop access) با پهنای باند بالا صورت خواهد گرفت (Asghari & Sohrabi, 2024). ایده کلودلت این است که محاسبات از دستگاه های تلفن همراه به کلودلت های مبتنی بر ماشین مجازی (VM-based cloudlets) که در لبه شبکه قرار دارند، انتقال داده شود (Hao et al., 2017). کلودلت ها از منابع محاسباتی با توان کمتر استفاده می کنند که منجربه تأخیر کمتر و در عین حال مصرف انرژی کمتر در مقایسه با رایانش ابری می شود. کلودلت ها برای سرویس دهی به دستگاه ها در منطقه محلی (Local area) در نظر گرفته شده است (Yousefpour et al., 2019). به عبارتی دیگر، Cloudlet ها با تقسیم وظایف بین گره های کلودلت (cloudlet nodes) در مجاورت دستگاه های تلفن همراه از خدمات محلی برای مشتریان تلفن همراه پشتیبانی می کنند (Li & Wang, 2014). مفهوم کلودلت شامل قرار دادن یک سرور یا چندین سرور با ظرفیت و قدرت پردازش قابل اعتماد بالا، همراه با یک اتصال اینترنتی قوی، در نزدیکی دستگاه های لبه است. این راه‌اندازی قابلیت‌های ذخیره‌سازی و محاسباتی را برای دستگاه‌های کاربر مجاور فراهم می‌کند. به بیان دیگر، Cloudlet ها انبارهای داده در مقیاس کوچک (small-scale data warehouses) یا ابرهای کوچک (miniaturized clouds) هستند که معمولاً یک گام (one hop) از دستگاه های کاربر فاصله دارند. رایانش Cloudlet  محاسبات را از دستگاه های کاربر به Cloudlet های مبتنی بر ماشین مجازی که در لبه شبکه قرار دارند، منتقل می کند (Lewis et al., 2014).

رایانش مه (Fog computing)

رایانش مه، یک پلتفرم مجازی است که در لبه شبکه قرار دارد و خدمات محاسباتی، ذخیره‌سازی و شبکه‌ای را بین دستگاه ‌های نهایی و مراکز داده رایانش ابری سنتی ارائه می‌دهد (Bonomi et al., 2012). مفهوم رایانش مه شبیه محاسبات موبایلی مبتنی بر cloudlet  است (Pang et al., 2015). با این حساب، رایانش مه نیز به مانند کلودلت ها نشان دهنده پلتفرمی است که رایانش ابری را به نزدیکی کاربران نهایی می آورد (Bilal et al., 2018). در دنیای واقعی، ابرها در بالای آسمان قرار دارند، مه به زمین نزدیکتر است. اگر کاربران نهایی را معادل زمین فرض کنیم، چنین مفهومی در رایانش مه نیز صادق خواهد بود، جایی که پلتفرم مه مجازی نزدیک‌تر به کاربران نهایی – بین ابر و دستگاه‌های کاربران نهایی – مستقر می ‌شود (Bilal et al., 2018). اگرچه هر دو پارادایم ابر و مه مجموعه تقریبا مشابهی از خدمات مانند محاسبات، ذخیره سازی و شبکه را به اشتراک می گذارند، اما تفاوت هایی بین این دو وجود دارد. استقرار مه یک منطقه جغرافیایی خاص را هدف قرار می دهد. علاوه بر این، مه به طور خاص برای برنامه‌ هایی طراحی شده است که نیاز به پاسخگویی بلادرنگ با تأخیر کمتر دارند، و در مواردی نظیر برنامه‌های تعاملی و اینترنت اشیاء (Internet of Things (IoT)) کاربرد پیدا می کند. از طرف دیگر، ابر متمرکز است و عمدتاً از کاربر دور بوده و از محدودیت ‌های عملکردی از قبیل تأخیر زیاد و زمان پاسخ طولانی رنج می برد که همین موضوع فناوری ابر را در مواجه با پاسخ های بلادرنگ با مشکل مواجه می کند (Bilal et al., 2018). در مقایسه با سیستم‌های مبتنی بر cloudlet ، رایانش مه (Fog computing) گام بزرگتری در جهت نزدیکتر کردن گره‌ های پردازشی (processing nodes) به گره ‌های انتهایی (end nodes) بر می ‌دارد. مزیت آشکار این بهینه سازی در کاهش ترافیک و تأخیر نهفته است. هدف هر دو رویکرد رایانش مه و رایانش لبه اجرای حداکثر پردازش داده در نزدیکی گره‌ های انتهایی است. همانند کلودلت ها، گره های مه را می توان در یک سلسله مراتب چند لایه به هم متصل کرد و در صورت لزوم، پردازش داده های بیشتر به سمت گره های ابری قوی تر تخلیه می شود (Prokhorenko & Babar, 2020).

رایانش لبه سیار (Mobile edge computing)

رایانش لبه سیار (MEC) را می توان یک پیاده سازی از رایانش لبه (Edge computing) دانست که محاسبات و ذخیره سازی را به لبه های شبکه می آورد تا بافت-آگاهی (Context awareness)را بهبود بخشیده و مدت زمان تأخیر را کاهش دهد. سرورهای MEC اغلب در کنترلر شبکه رادیویی (Radio Network Controller) یا ایستگاه های پایه (Base stations) قرار می گیرند. MEC اطلاعات بی‌درنگ را در شبکه ارائه می‌کند و در عین حال اطلاعاتی درباره دستگاه‌های متصل مانند اطلاعات مکان ارائه می‌کند (Schneider & Xhafa, 2022). در یک رایانش لبه سیار منابع محاسباتی/ذخیره‌ای لایه‌های بالاتر در شبکه به لبه سوق داده می‌شوند تا بار شبکه‌های اصلی کاهش یابد (S. Chen et al., 2022). مفهوم محاسبات لبه از نظر موسسه استانداردهای ارتباطات از راه دور اروپا (ETSI)، فناوری است که در آن کاربران موبایل می توانند از خدمات محاسبات در ایستگاه پایه استفاده کنند (Khan et al., 2019).

منابع

Asghari, A., & Sohrabi, M. K. (2024). Server placement in mobile cloud computing: A comprehensive survey for edge computing, fog computing and cloudlet. Computer Science Review, 51, 100616. https://doi.org/https://doi.org/10.1016/j.cosrev.2023.100616

Bilal, K., Khalid, O., Erbad, A., & Khan, S. U. (2018). Potentials, trends, and prospects in edge technologies: Fog, cloudlet, mobile edge, and micro data centers. Computer Networks, 130, 94–120. https://doi.org/https://doi.org/10.1016/j.comnet.2017.10.002

Bonomi, F., Milito, R., Zhu, J., & Addepalli, S. (2012). Fog computing and its role in the internet of things. Proceedings of the First Edition of the MCC Workshop on Mobile Cloud Computing, 13–16. https://doi.org/10.1145/2342509.2342513

Chen, B., Qiao, S., Zhao, J., Liu, D., Shi, X., Lyu, M., Chen, H., Lu, H., & Zhai, Y. (2021). A Security Awareness and Protection System for 5G Smart Healthcare Based on Zero-Trust Architecture. IEEE Internet of Things Journal, 8(13), 10248–10263. https://doi.org/10.1109/JIOT.2020.3041042

Chen, S., Zhang, J., Zhang, J., Björnson, E., & Ai, B. (2022). A survey on user-centric cell-free massive MIMO systems. Digital Communications and Networks, 8(5), 695–719. https://doi.org/https://doi.org/10.1016/j.dcan.2021.12.005

Hao, P., Bai, Y., Zhang, X., & Zhang, Y. (2017). Edgecourier: an edge-hosted personal service for low-bandwidth document synchronization in mobile cloud storage services. Proceedings of the Second ACM/IEEE Symposium on Edge Computing. https://doi.org/10.1145/3132211.3134447

Khan, W. Z., Ahmed, E., Hakak, S., Yaqoob, I., & Ahmed, A. (2019). Edge computing: A survey. Future Generation Computer Systems, 97, 219–235. https://doi.org/https://doi.org/10.1016/j.future.2019.02.050

Lewis, G., Echeverría, S., Simanta, S., Bradshaw, B., & Root, J. (2014). Tactical Cloudlets: Moving Cloud Computing to the Edge. 2014 IEEE Military Communications Conference, 1440–1446. https://doi.org/10.1109/MILCOM.2014.238

Li, Y., & Wang, W. (2014). Can mobile cloudlets support mobile applications? IEEE INFOCOM 2014 – IEEE Conference on Computer Communications, 1060–1068. https://doi.org/10.1109/INFOCOM.2014.6848036

Pang, Z., Sun, L., Wang, Z., Tian, E., & Yang, S. (2015). A Survey of Cloudlet Based Mobile Computing. 2015 International Conference on Cloud Computing and Big Data (CCBD), 268–275. https://doi.org/10.1109/CCBD.2015.54

Prokhorenko, V., & Babar, M. A. (2020). Architectural Resilience in Cloud, Fog and Edge Systems: A Survey. IEEE Access, 8, 28078–28095. https://doi.org/10.1109/ACCESS.2020.2971007

Saini, K., & Raj, P. (2022). Chapter Eight – Edge platforms, frameworks and applications. In P. Raj, K. Saini, & C. B. T.-A. in C. Surianarayanan (Reds), Edge/Fog Computing Paradigm: The Concept Platforms and Applications (Vol 127, bll 237–258). Elsevier. https://doi.org/https://doi.org/10.1016/bs.adcom.2022.02.005

Satyanarayanan, M., Bahl, P., Caceres, R., & Davies, N. (2009). The Case for VM-Based Cloudlets in Mobile Computing. IEEE Pervasive Computing, 8(4), 14–23. https://doi.org/10.1109/MPRV.2009.82

Schneider, P., & Xhafa, F. (2022). Chapter 7 – IoT, edge, cloud architecture and communication protocols: Cloud digital ecosystem and protocols (P. Schneider & F. B. T.-A. D. and C. E. P. over I. D. S. Xhafa (reds); bll 129–148). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-12-823818-9.00018-3

Shaukat, U., Ahmed, E., Anwar, Z., & Xia, F. (2016). Cloudlet deployment in local wireless networks: Motivation, architectures, applications, and open challenges. Journal of Network and Computer Applications, 62, 18–40. https://doi.org/https://doi.org/10.1016/j.jnca.2015.11.009

Yousefpour, A., Fung, C., Nguyen, T., Kadiyala, K., Jalali, F., Niakanlahiji, A., Kong, J., & Jue, J. P. (2019). All one needs to know about fog computing and related edge computing paradigms: A complete survey. Journal of Systems Architecture, 98, 289–330. https://doi.org/https://doi.org/10.1016/j.sysarc.2019.02.009