رایانش ابری (Cloud computing) و رایانش مه (Fog computing)

طبق تعریف ارائه شده توسط موسسه ملی استاندارد و فناوری (National Institute of Standards and Technology (NIST))، رایانش ابری (Cloud computing) مدلی است که از دسترسی تقاضا-محور به اشتراک گذاری زیرساخت های ذخیره سازی و محاسباتی پشتیبانی می کند. رایانش ابری به مشتریان (Clients) این امکان را می دهد تا هزینه کمتری بابت ذخیره سازی  داده های خود پرداخت کنند، چرا که ابر (Cloud) فضای ذخیره سازی عظیمی فراهم می کند و مشتریان را از دیسک های ذخیره سازی بی نیاز می کند. همچنین، دسترسی به محاسبات ابری امکان دسترسی به قدرت محاسباتی عظیم مرکز داده (Data center) را فراهم می کند زیرا مشتریان دیگر به ظرفیت رایانه رومیزی خود محدود نمی شوند (Shinde et al., 2023). تأخیر یک مشکل عمده در رایانش ابری است. زمانی که حجم گسترده ای از دستگاه های اینترنت اشیا داده ها را برای پردازش و ذخیره سازی بیشتر به فضای ابری ارسال می کنند (Lin et al., 2020)، از نظر پهنای باند، پردازش، حافظه، انرژی و غیره محدودیت هایی ایجاد می شود. زیرا داده‌های زیادی به ابر ارسال می‌شود که این فرایند انرژی زیادی می طلبد (Alwakeel, 2021). بنابراین، ایده رایانش مه (Fog computing) مطرح شد، که منجربه نزدیک تر شدن فضای ابری به دستگاه های IoT شد (Sha et al., 2020). رایانش مه با عمل به عنوان یک لایه میانی بین دستگاه‌های ابری (Cloud devices) و لبه‌ای (Edge devices)، خدمات ابری را به دستگاه‌های IoT نزدیک‌تر می‌کند (Fotopoulos et al., 2022). به عبارتی بهتر، رایانش مه را می توان نوعی  فناوری ابری در شبکه محلی (local area network (LAN)) دانست که به مانند یک لایه میانی بین دستگاه های لبه و دستگاه های ابری عمل می کند (Pushpa & Kalyani, 2020). در واقع، رایانش مه توسعه ای از رایانش ابری است که به عنوان یک سکوی مجازی (Virtualized platform) خدمات پردازش، ذخیره سازی و شبکه بندی را بین دستگاه های پایانی (End devices) و سرورهای ابری ارائه می دهد (Yi et al., 2015).

شکل 1 معماری لایه ای مه-به-ابر (fog-to-cloud layered architecture) را نشان می دهد که شبکه های ابر و مه ناهمگن را در یک ساختار سلسله مراتبی ادغام می کند. بر اساس نیاز کاربر، مه مناسب انتخاب شده و درخواست کاربر پردازش می شود. هدف رایانش مه این است که با استفاده از خرد کردن (atomization) سرویس، تاخیر را به حداقل برساند. در فرایند خرد کردن سرویس، سرویس ها به زیر سرویس های ریز (atomic) تقسیم می شوند و به صورت موازی اجرا می شوند. هدف از فرآیند تخصیص خدمات کاهش تأخیر تخصیص، تعادل بار و تعادل مصرف انرژی در میان مه های متمایز است. گره های مه (Fog nodes) در لایه مه با یکدیگر ارتباط برقرار می کنند تا به اینترنت اشیا اجازه دهند از حداکثر پتانسیل خود استفاده کند و تأخیرهای ناشی از آن را کاهش دهد. لایه زیرین در شکل 1 شامل تمام دستگاه های اینترنت اشیا مانند حسگرها، تلفن های همراه، دستگاه های خانه هوشمند، سیستم های سیگنالینگ هوشمند ترافیک، خودروهای هوشمند، کارخانه ها، دستگاه های هوایی و غیره است. این دستگاه ها محیط اطراف را حس کرده و داده ها را می خوانند. این داده ها به لایه مه منتقل می شود.

شکل 1: معماری کلی پردازش مه (Fog computing)

لایه مه، که بین دستگاه های لبه و شبکه ابری وجود دارد، دارای دستگاه هایی مانند مسیریاب ها (routers)، درگاه ها (gateways)، نقاط دسترسی (access points)، ایستگاه های پایه (base stations)، گره های مه (fog nodes)، و غیره است. گره های مه به دو گروه ایستا (Static) و پویا (Dynamic) تقسیم می شوند. گره های ایستا در برخی از مکان ها مانند مکان های اداری مستقر می شوند و گره های پویا در وسایل نقلیه متحرک نصب می شوند. گره های مه به طور موقت به ذخیره سازی، پردازش، و انتقال داده های مشتریان می پردازند. این گره ها با استفاده از پروتکل اینترنت (Internet Protocol) به مراکز داده ابری متصل می شوند و درخواست ها را برای پردازش و ذخیره سازی پیشرفته به شبکه ابری ارسال می کنند. لایه ابری مراکز داده را برای ذخیره سازی دائمی داده ها و خدمات محاسباتی با سرعت بالا در اختیار مشتریان قرار می دهد. مراکز داده مقیاس پذیر هستند و خدمات تقاضا-محور به کاربران خود ارائه می دهند (Shinde et al., 2023).

رایانش لبه (Edge computing)

تعدد چشمگیر دستگاه‌های اینترنت اشیا در لبه شبکه، حجم وسیعی از داده‌ها را تولید می‌کند که باید در مراکز داده محاسبه شوند که به پهنای باند زیادی نیاز دارد. با پیشرفت‌های فناوری شبکه، مراکز داده نمی ‌توانند نرخ انتقال داده بالایی از خود نشان دهند و در نتیجه زمان پاسخ شبکه با چالش های بزرگی روبرو می شود. هدف محاسبات لبه انتقال پردازش از مراکز داده به لبه شبکه است، جایی که دستگاه‌ها، تلفن‌های همراه یا درگاه های شبکه می توانند در فرایند پردازش داده شرکت کرده و به خدمت رسانی (سرویس دهی) از جانب ابر بپردازند. رایانش مه و رایانش لبه شبیه به هم به نظر می رسند زیرا هر دو قصد دارند محاسبات را از مراکز ابری دور کرده و  به کاربر نهایی نزدیک کنند. با این حال، رایانش مه محاسبات لازم را در یک شبکه محلی انجام می دهد، در حالی که محاسبات لبه، بخش محاسباتی را بر روی خود دستگاه های کاربر نهایی قرار می دهد. در محاسبات مه، دستگاه‌های لبه داده‌ها را به دروازه‌های LAN می‌فرستند، جایی که پردازش می‌شوند، و پاسخ به دستگاه‌های لبه ارسال می‌شود. اما در مورد محاسبات لبه، محاسبات در نزدیکی لبه شبکه که به منبع داده نزدیکتر است انجام می شود (Shinde et al., 2023).

در واقع، رایانش لبه مفهوم جدیدی را در چشم انداز محاسباتی ارائه می دهد. رایانش لبه سرویس و ابزارهای رایانش ابری را به کاربر نهایی نزدیک‌تر می ‌کند و به واسطه دو ویژگی مهم یعنی پردازش سریع و زمان پاسخ سریع شهرت یافته است. برنامه های کاربردی کنونی توسعه یافته با قابلیت اینترنت مانند نظارت (Surveillance)، واقعیت مجازی (Virtual reality) و نظارت بر ترافیک در زمان واقعی (Real-time traffic monitoring) نیاز به پردازش سریع و زمان پاسخگویی سریع دارند (Hassan et al., 2018; Liu et al., 2019). کاربران نهایی معمولاً این برنامه ‌ها را روی دستگاه ‌های تلفن همراه با محدودیت منابع خود اجرا می‌ کنند در حالی که خدمات اصلی و پردازش روی سرورهای ابری انجام می ‌شود (Khan et al., 2019). مدیریت شبکه های اینترنت اشیا به دلیل ناهمگونی منابع آن پیچیده است که باعث ایجاد مشکلاتی در پروتکل های ارتباطی، عملیات بلادرنگ، مدیریت داده ها، ذخیره سازی بزرگ داده، امنیت و حریم خصوصی می شود (Mao et al., 2017). معماری‌های محاسبات لبه راه‌حلی برای زیرساخت‌های اینترنت اشیا در این زمینه ارائه می‌کنند زیرا می‌توانند داده‌های متنوع تولید شده توسط دستگاه‌های اینترنت اشیا را مدیریت کنند. شکل 2 یک طراحی ساده محاسباتی سه لایه مبتنی بر لبه را نشان می دهد (Shinde et al., 2023).

شکل 2: معماری سه لایه محاسبات لبه (Edge computing)

لایه اول (لایه زیرین) وظیفه جذب داده ها و عملیات مربوطه را بر عهده دارد و شامل تجهیزات اینترنت اشیا (حسگرها، مترهای هوشمند، دوشاخه های هوشمند و غیره) و کاربران است. گره های لبه که لایه دوم (لایه میانی) را تشکیل می دهند، وظیفه پردازش، مسیریابی و محاسبات داده ها را بر عهده دارند. لایه سوم (لایه بالایی) از چندین سرویس ابری تشکیل شده است که نیازهای محاسباتی سطح بالاتری داشته و وظایفی مانند تجزیه و تحلیل داده ها را بر عهده دارند. پردازش های مرتبط با هوش مصنوعی، یادگیری ماشینی، و تجسم، در این لایه صورت می گیرد (Shinde et al., 2023).

منابع

Alwakeel, A. M. (2021). An Overview of Fog Computing and Edge Computing Security and Privacy Issues. In Sensors (Vol 21, Number 24). https://doi.org/10.3390/s21248226

Fotopoulos, A., Lappas, P. Z., & Melitsiotis, A. (2022). Chapter 8 – The edge-cloud continuum in wearable sensing for respiratory analysis (R. P. Paiva, P. de Carvalho, & V. B. T.-W. S. and I. D. A. for R. M. Kilintzis (reds); bll 241–271). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-12-823447-1.00002-6

Hassan, N., Gillani, S., Ahmed, E., Yaqoob, I., & Imran, M. (2018). The Role of Edge Computing in Internet of Things. IEEE Communications Magazine, 56(11), 110–115. https://doi.org/10.1109/MCOM.2018.1700906

Lin, S.-Y., Du, Y., Ko, P.-C., Wu, T.-J., Ho, P.-T., Sivakumar, V., & subbareddy, R. (2020). Fog Computing Based Hybrid Deep Learning Framework in effective inspection system for smart manufacturing. Computer Communications, 160, 636–642. https://doi.org/https://doi.org/10.1016/j.comcom.2020.05.044

Liu, M., Yu, F. R., Teng, Y., Leung, V. C. M., & Song, M. (2019). Distributed Resource Allocation in Blockchain-Based Video Streaming Systems With Mobile Edge Computing. IEEE Transactions on Wireless Communications, 18(1), 695–708. https://doi.org/10.1109/TWC.2018.2885266

Mao, Y., You, C., Zhang, J., Huang, K., & Letaief, K. B. (2017). A Survey on Mobile Edge Computing: The Communication Perspective. IEEE Communications Surveys & Tutorials, 19(4), 2322–2358. https://doi.org/10.1109/COMST.2017.2745201

Pushpa, J., & Kalyani, S. A. (2020). Chapter Three – Using fog computing/edge computing to leverage Digital Twin. In P. Raj & P. B. T.-A. in C. Evangeline (Reds), The Digital Twin Paradigm for Smarter Systems and Environments: The Industry Use Cases (Vol 117, Number 1, bll 51–77). Elsevier. https://doi.org/https://doi.org/10.1016/bs.adcom.2019.09.003

Sha, K., Yang, T. A., Wei, W., & Davari, S. (2020). A survey of edge computing-based designs for IoT security. Digital Communications and Networks, 6(2), 195–202. https://doi.org/https://doi.org/10.1016/j.dcan.2019.08.006

Shinde, S. V., Hemanth, D. J., & Elhoseny, M. (2023). Chapter 1 – Introduction to different computing paradigms: cloud computing, fog computing, and edge computing. In D. J. Hemanth, B. B. Gupta, M. Elhoseny, & S. V. B. T.-I. E. C. for C. P. A. Shinde (Reds), Intelligent Data-Centric Systems (bll 1–16). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-323-99412-5.00005-8

Yi, S., Li, C., & Li, Q. (2015). A Survey of Fog Computing: Concepts, Applications and Issues. Proceedings of the 2015 Workshop on Mobile Big Data, 37–42. https://doi.org/10.1145/2757384.2757397