اجازه دهید محاسبات "edge" یا لبه یا کناره یا اِج را به شما معرفی کنیم.
 
Edge یک کلمه باب روز است. مانند "اینترنت اشیاء" و قبل از آن "ابر"، لبه به معنی همه چیز و هیچ چیز است. اما ما ارائه های برخی از متخصصان صنعت را  تماشا کرده ایم، به پادکست ها گوش داده ایم و حتی گاهی اوقات، مقالاتی در این زمینه مطالعه کرده ایم. و فکر می کنیم یک تعریف مفید و معرفی برخی از برنامه های کاربردی احتمالی برای این فناوری باب روز لازم باشد.
 

محاسبه لبه چیست؟

در ابتدا، یک کامپیوتر بزرگ وجود داشت. سپس، در عصر یونیکس، نحوه اتصال به رایانه را با استفاده از پایانه های لال (نه به معنی تحقیرآمیز آن) یاد گرفتیم. در مرحله بعد ما رایانه های شخصی داشتیم، این اولین باری بود که افراد عادی واقعاً دارای سخت افزارهایی بودند که کار می کرد.
 
در حال حاضر، ما کاملاً در عصر محاسبات ابری قرار داریم. بسیاری از ما هنوز دارای رایانه های شخصی هستیم، اما بیشتر از آنها برای دسترسی به خدمات متمرکز مانندDropbox ، Gmail ، Office 365  و Slack استفاده می کنیم. علاوه بر این، دستگاه هایی مانندAmazon Echo ، Google Chromecast  و Apple TV از محتوا و هوش موجود در ابر پشتیبانی می کنند - برخلاف جعبه DVD مجموعه Little House در Prairie  یا CD-ROM Encarta که ممکن است از آن در عصر محاسبات شخصی لذت برده باشید.
 
هرچقدر همه این ها متمرکز به نظر برسد، نکته واقعاً شگفت انگیز در مورد رایانش ابری این است که درصد زیادی از همه شرکت های جهان اکنون به زیرساخت ها، میزبانی، یادگیری ماشین و قدرت محاسبه تعداد کمی از ارائه دهندگان ابر متکی هستند: آمازون، مایکروسافت، گوگل و آی بی ام.
 
آمازون، از بزرگ ترین ارائه دهندگان این ابر عمومی (در مقایسه با "ابرهای خصوصی" که شرکت هایی مانند اپل، فیس بوک و Dropbox  خود میزبان آن هستند) 47 درصد از بازار را در سه سال گذشته داشت.
 
ظهور محاسبات لبه به عنوان یک کلمه باب روز که شاید باید به آن توجه کرده باشید این است که توسط این شرکت ها درک می شود که رشد زیادی در فضای ابری باقی نمانده است. تقریباً هر چیزی که می تواند متمرکز شود متمرکز شده است. اکنون بیشتر فرصت های جدید برای "ابر" در "لبه" قرار دارد.
 
بنابراین، لبه چیست؟
 
کلمه لبه در این زمینه به معنی توزیع جغرافیایی واقعی است. محاسبه لبه محاسبه ای است که در منبع یا نزدیک منبع داده انجام می شود، به جای این که برای انجام همه کارها به ابر در یکی از ده ها مرکز داده تکیه شود. این بدان معنا نیست که ابر ناپدید می شود. این بدان معناست که ابر دارد به سمت شما می آید.
 
بر این اساس، بیایید سعی کنیم آن چه را که عملاً منظور مردم هنگام تمجید از محاسبه لبه است بررسی کنیم.
 

تأخیر

یکی از محرک های مهم برای محاسبه لبه سرعت نور است. اگر یک کامپیوتر A قبل از این که بتواند کاری انجام دهد، باید از کامپیوترB ، در نیم کره دیگر زمین، درخواستی کند، کاربر رایانه A این معطلی را به عنوان تأخیر درک می کند. لحظات کوتاه معطلی پس از کلیک بر روی پیوند قبل از این که مرورگر وب شما شروع به نشان دادن هر چیزی کند، تا حد زیادی به دلیل سرعت نور است. بازی های ویدئویی چند نفره تکنیک های پیچیده متعددی را برای کاهش تأخیر واقعی و درک شده بین تیراندازی شما به طرف کسی و دانستن شما، با اطمینان، از این که شلیک را از دست داده اید اجرا می کنند.
 
دستیاران صوتی معمولاً باید درخواست های شما را در فضای ابری تجزیه و تحلیل کنند، و زمان رفت و برگشت می تواند بسیار قابل توجه باشد. پژواک یا اکو (Echo) شما باید گفتار شما را پردازش کند، نمای فشرده ای از آن را به ابر ارسال کند، ابر باید آن نما را از حالت فشرده خارج کرده و آن را پردازش کند – که این پردازش ممکن است مستلزم و شامل پینگ کردن یک API  دیگر در جایی باشد (به عمل صدا کردن کامپیوتری دیگر در شبکه که در شبکه موجود می باشد و تست عمل برای این که آیا send  یا receive داریم یا نه ping  می گویند)، شاید برای فهمیدن آب و هوا و افزودن سرعت بیشتر تأخیر نوری - و سپس ابر پاسخ اکوی شما را ارسال می کند، و در نهایت می توانید بفهمید که امروز باید دمایی حداکثر 30 و حداقل 6 درجه سانتیگراد  را انتظار داشته باشید، و برنامه کاری و پوشش خود را بر آن مبنا تنظیم می کنید. کل این عملیات اگر قرار باشد به صورت محاسبه لبه انجام شود با تأخیر کمتر و صرفه جویی بیشتر در منابع شبکه صورت خواهد گرفت زیرا بسیاری از عملیات به جای این که در ابر انجام گیرد در نزدیک ترین ترین کامپیوتر موجود در شبکه صورت خواهد گرفت.

محاسبه لبه یک الگوی محاسباتی توزیع شده است که محاسبات و ذخیره داده ها را به منابع داده نزدیک می کند. انتظار می رود این امر زمان پاسخگویی را بهبود بخشد و در پهنای باند صرفه جویی کند. یک تصور اشتباه رایج این است که محاسبه لبه و اینترنت اشیاء مترادف هستند. به بیان ساده، محاسبه لبه یک شکل از محاسبه توزیع شده است که حساس به توپولوژی و مکان است، در حالی که اینترنت اشیاء یک مثال کاربردی از محاسبه لبه است. اصطلاح محاسبه لبه بیشتر راجع به یک معماری است و نه یک فناوری خاص. 

منشأ محاسبات لبه ای در شبکه های تحویل محتوا نهفته است که در اواخر دهه 1990 برای ارائه محتوای وب و ویدئو از سرورهای لبه ای که نزدیک کاربران مستقر شده بودند ایجاد شد. در اوایل دهه 2000، این شبکه ها برای میزبانی برنامه ها و اجزای برنامه در سرورهای لبه تکامل یافتند، که منجر به اولین خدمات محاسبات لبه ای تجاری شد که میزبان برنامه هایی مانند موقعیت یاب فروشندگان، سبد خرید، تجمع داده های بلادرنگ، و موتورهای درج آگهی شد.

تعریف

یک تعریف از محاسبه لبه این است:  هر نوع برنامه کامپیوتری که با تأخیر کم به درخواست ها نزدیک تر می شود. کریم عربی، در یک IEEE DAC 2014 Keynote  و متعاقباً در یک سخنرانی دعوت شده در سمینارMTL MIT ،  محاسبه لبه را به طور گسترده ای به عنوان تمام محاسبات خارج از ابر در لبه شبکه و به طور خاص در برنامه هایی که پردازش داده ها به صورت بلادرنگ مورد نیاز است تعریف کرد. در تعریف وی، رایانش ابری بر روی داده های بزرگ عمل می کند در حالی که محاسبات لبه بر روی "داده های فوری" که داده های بلادرنگ تولید شده توسط حسگرها یا کاربران است، عمل می کند.

این اصطلاح اغلب مترادف با محاسبه مه (fog computing) استفاده می شود. 

بر اساس گزارشState of the Edge ، محاسبه لبه روی سرورها "در مجاورت شبکه موجود در آخرین مایل" متمرکز است. "هر چیزی که یک مرکز داده ی مرسوم نیست، می تواند لبه برای کسی باشد."

گره های لبه ای که برای پخش بازی مورد استفاده قرار می گیرند، گِیملِت نامیده می شوند، که معمولاً یک یا دو پرش از مشتری فاصله دارند. پر آناند و ادوین می گویند "گره لبه عمدتاً یک یا دو پرش از مشتری تلفن همراه فاصله دارد تا محدودیت های زمان پاسخ برای بازی های بلادرنگ را در مقایسه با زمینه بازی های ابری مرتفع کند." 

محاسبه اج ممکن است از فناوری مجازی سازی برای سهولت استقرار و اجرای طیف گسترده ای از برنامه ها در سرورهای لبه استفاده کند. 

مفهوم

پیش بینی می شود داده های جهان تا سال 2025، 61 درصد افزایش یابد و به 175 زتابایت برسد. افزایش دستگاه های اینترنت اشیاء در حاشیه یا لبه شبکه، حجم عظیمی از داده ها را تولید می کند - ذخیره و استفاده از تمام این داده ها در مراکز داده ابری، الزامات پهنای باند شبکه را به حداکثر می رساند. علیرغم پیشرفت فناوری شبکه، مراکز داده نمی توانند نرخ انتقال و زمان پاسخگویی قابل قبولی را، که به هر حال غالباً برای بسیاری از برنامه های کاربردی ضروری است، تضمین کنند. علاوه بر این، دستگاه های حاشیه ای یا لبه ای دائماً از داده های ابر استفاده می کنند و این امر، شرکت ها را مجبور می کند ذخیره سازی داده ها و ارائه خدمات را غیر متمرکز کنند و از مجاورت فیزیکی با کاربر نهایی استفاده کنند.

به طور مشابه، هدف محاسبه لبه ای این است که محاسبات را از مراکز داده به سمت لبه شبکه منتقل کند، و به نمایندگی از ابر، از اشیاء هوشمند، تلفن های همراه یا دروازه های شبکه برای انجام وظایف و ارائه خدمات استفاده کند. با انتقال خدمات به لبه، می توان ذخیره سازی محتوا، ارائه خدمات، ذخیره مداوم داده ها و مدیریت اینترنت اشیاء را فراهم کرد که زمان پاسخگویی بهتر و نرخ انتقال را افزایش می دهد. در عین حال، توزیع منطق در گره های مختلف شبکه مسائل و چالش های جدیدی را معرفی می کند.

حریم خصوصی و امنیت

ماهیت توزیع شده این الگو، تغییر در طرح های امنیتی مورد استفاده در محاسبات ابری را معرفی می کند. در محاسبه لبه، داده ها ممکن است بین گره های مختلف توزیع شده متصل از طریق اینترنت حرکت کنند و این بنابراین مستلزم مکانیسم های رمزگذاری خاصی مستقل از ابر است. گره های لبه همچنین ممکن است دستگاه هایی با محدودیت منابع باشند که از نظر روش های امنیتی، انتخاب را محدود می کنند. علاوه بر این، تغییر از زیرساخت های متمرکز از بالا به پایین به یک مدل اعتماد غیر متمرکز نیازمند است. از سوی دیگر، با نگهداری و پردازش داده ها در لبه، می توان با به حداقل رساندن انتقال اطلاعات حساس به ابر، امنیت حریم خصوصی را افزایش داد. علاوه بر این، مالکیت داده های جمع آوری شده، از ارائه دهندگان خدمات به کاربران نهایی شیفت پیدا می کند. 

مقیاس پذیری

مقیاس پذیری در یک شبکه توزیع شده باید با مسائل مختلفی مواجه شود. ابتدا، باید ناهمگونی دستگاه ها، عملکردهای مختلف و محدودیت های انرژی، شرایط بسیار پویا، و قابلیت اعتماد به اتصالات در مقایسه با زیرساخت قوی تر مراکز داده ابری را در نظر بگیرد. علاوه بر این، الزامات امنیتی ممکن است تأخیر بیشتری در ارتباط بین گره ها ایجاد کند، که ممکن است روند مقیاس بندی را کُند کند. 

قابلیت اطمینان

مدیریت خرابی ها برای زنده نگه داشتن خدمات بسیار مهم است. اگر یک گره منقبض شود و قابل دسترسی نباشد، کاربران باید همچنان بتوانند بدون وقفه به یک سرویس دسترسی داشته باشند. علاوه بر این، سیستم های محاسبه لبه باید اقدامات لازم را برای بازیابی نقص و هشدار به کاربر در مورد حادثه انجام دهند. برای این منظور، هر دستگاه باید توپولوژی شبکه کل سیستم توزیع شده را حفظ کند، به طوری که تشخیص خطاها و بازیابی به راحتی قابل اجرا باشد. عوامل دیگری که ممکن است بر این جنبه تأثیر بگذارند عبارتند از فناوری های اتصال مورد استفاده، که ممکن است سطوح متفاوتی از قابلیت اطمینان را ارائه دهند، و دقت داده های تولید شده در لبه که به دلیل شرایط خاص محیطی غیرقابل اعتماد است. به عنوان مثال، یک دستگاه محاسبات لبه ای، مانند دستیار صوتی، ممکن است خدمات خود را به کاربران محلی حتی در حین سرویس ابری یا قطع اینترنت ادامه دهد. 

سرعت

محاسبه لبه منابع محاسباتی تحلیلی را به کاربران نهایی نزدیک می کند و بنابراین می تواند پاسخگویی و توان برنامه های کاربردی را افزایش دهد. یک پلت فرم لبه خوب طراحی شده به طور قابل توجهی از یک سیستم سنتی مبتنی بر ابر بهتر عمل می کند. برخی از برنامه های کاربردی به زمان پاسخ کوتاه متکی هستند و محاسبه لبه را به طور قابل توجهی بیشتر از رایانش ابری امکان پذیر می کنند. مثال ها از اینترنت اشیاء گرفته تا رانندگی خودگردان، هر چیزی که مربوط به سلامتی یا ایمنی انسان / عموم باشد، یا شامل ادراک انسان مانند تشخیص چهره باشد که معمولاً بین 370 تا 620 میلی ثانیه طول می کشد تا انسان انجام دهد، می باشد. محاسبه لبه به احتمال زیاد می تواند همان سرعت درک انسان را تقلید کند، که در کاربردهایی مانند واقعیت افزوده که در آن هدست ترجیحاً باید همزمان با استفاده کننده تشخیص دهد که شخص چه کسی است، مفید است.

بهره وری

به دلیل نزدیک بودن منابع تحلیلی به کاربران نهایی، ابزارهای تحلیلی پیچیده و ابزارهای هوش مصنوعی می توانند در لبه سیستم اجرا شوند. این قرار گرفتن در لبه به افزایش کارایی عملکردی کمک می کند و موجد بسیاری از مزایای سیستم است.

علاوه بر این، استفاده از محاسبات لبه به عنوان یک مرحله میانی بین دستگاه های سرویس گیرنده و اینترنت گسترده تر موجب صرفه جویی های بهره ورانه ای می شود که در مثال زیر قابل نمایش است: با استفاده از سرورهای واقع در یک شبکه محلی برای انجام محاسبات، فایل های ویدئویی فقط باید در شبکه محلی منتقل شوند. اجتناب از انتقال از طریق اینترنت موجب صرفه جویی قابل توجهی در پهنای باند و در نتیجه افزایش کارایی می شود. مثال دیگر تشخیص صدا است. اگر تشخیص به صورت محلی انجام شود، می توان تنها متن شناخته شده را به جای ضبط صدا به ابر ارسال کرد و این به این ترتیب میزان پهنای باند مورد نیاز را به میزان قابل توجهی کاهش می دهد.

برنامه های کاربردی

خدمات برنامه کاربردی Edge حجم داده هایی که باید جا به جا شوند، ترافیک متعاقب آن و مسافتی که داده ها باید طی کنند را کاهش می دهد. این باعث تأخیر کمتر و کاهش هزینه های انتقال می شود. بارگیری محاسبه برای برنامه های کاربردی بلادرنگ، مانند الگوریتم های تشخیص چهره، همان طور که این در تحقیقات اولیه نشان داده شد، بهبودهای قابل توجهی را در زمان پاسخ نشان داد. تحقیقات بیشتر نشان داد که استفاده از ماشین های غنی از منابع به نام cloudlets  در نزدیکی کاربران تلفن همراه، که خدمات معمول در ابر را ارائه می دهند، زمان اجرای برخی از وظایف در گره لبه را بهبود می بخشد. از طرف دیگر، بارگیری هر وظیفه ممکن است به دلیل زمان انتقال بین دستگاه و گره ها کٌند شود، بنابراین بسته به حجم کار، یک پیکربندی بهینه می تواند تعریف شود.

یکی دیگر از کاربردهای این معماری، بازی ابری است، جایی که برخی از جنبه های یک بازی می تواند در ابر اجرا شود، در حالی که ویدیوی در آمده به مشتریان دارای حجم کم منتقل می شود که روی دستگاه هایی مانند تلفن های همراه، عینک VR  و غیره اجرا شود. این نوع جریان همچنین به عنوان جریان پیکسل شناخته شده است.
محاسبات اج، بی شمار نمونه و موارد استفاده در دنیای واقعی ایجاد کرده است، از جمله:
 
* در ساخت. یک تولید کننده صنعتی برای نظارت بر تولید، محاسبات پیشرفته را به کار می گیرد، و تجزیه و تحلیل بلادرنگ و یادگیری ماشین را در انتها برای یافتن خطاهای تولید و بهبود کیفیت تولید محصول فعال می کند. محاسبه اج از افزودن حسگرهای محیطی در سراسر کارخانه تولید پشتیبانی می کند و بینشی در مورد نحوه مونتاژ و ذخیره هر قطعه محصول - و مدت زمان باقی ماندن قطعات در انبار ارائه می دهد. اکنون تولید کننده می تواند تصمیمات تجاری سریع تر و دقیق تری در مورد تاسیسأت کارخانه و عملیات تولید اتخاذ کند.
 
* در کشاورزی. شغلی را در نظر بگیرید که در فضای بسته بدون نور خورشید، خاک و آفت کش ها کشت می کند. این روند زمان رشد را بیش از 60 درصد کاهش می دهد. استفاده از سنسورها شرکت را قادر می سازد تا میزان مصرف آب، چگالی مواد مغذی و میزان برداشت بهینه را ردیابی کند. داده ها جمع آوری و تجزیه و تحلیل می شوند تا آثار عوامل محیطی را بیابند و الگوریتم های رشد محصول را به طور مداوم بهبود بخشند و از برداشت محصول در شرایط اوج اطمینان حاصل کنند.
 
* در امنیت محل کار. محاسبه اج می تواند داده های دوربین های موجود در محل، دستگاه های ایمنی کارکنان و دیگر حسگرها را ترکیب کرده و تجزیه و تحلیل کند تا به مشاغل در نظارت بر شرایط محیط کار یا اطمینان از رعایت پروتکل های ایمنی کارکنان اطمینان دهد - به ویژه هنگامی که محل کار دور یا به طور غیرمعمول خطرناک است، مانند سایت های ساختمانی یا سکوهای نفتی.
 
موارد استفاده متعدد دیگر از جمله در بهبود مراقبت های بهداشتی، حمل و نقل، خرده فروشی مشاغل برای این فناوری وجود دارد. سایر برنامه های کاربردی قابل توجه در این رابطه عبارتند از اتومبیل های متصل، اتومبیل های خودران، شهرهای هوشمند،  صنعت 4.0 (صنعت هوشمند)، و سیستم های اتوماسیون خانگی.
 
منبع: پاول میلر، theverge