Edge Computing. Co to jest przetwarzanie brzegowe?

Pojęcie Edge Computing, czyli inaczej przetwarzanie brzegowe, staje się coraz popularniejsze w branży automatyki. Praktycznie każdy z nas nie raz spotkał się z tym terminem i wiele osób zastanawia się, co tak właściwie się pod nim kryje, do czego można to wykorzystać i w czym może mi to pomóc. Spróbujmy odpowiedzieć na te pytania.

Zdarza się błędne kojarzenie terminu Edge Computing z Cloud Computing, czyli przetwarzania brzegowego z przetwarzaniem w chmurze. Tymczasem, pomimo podobieństw w nazwach, idea stojąca za tymi rozwiązaniami jest różna.

Edge Computing oznacza instalowanie urządzeń o odpowiedniej mocy obliczeniowej i możliwościach składowania danych w miejscach, gdzie są one generowane. Można powiedzieć, że urządzenia takie znajdują się zawsze blisko źródła, które wytwarza dane. Oczywiście nie każde urządzenie generujące dane potrzebuje dedykowanego urządzenia do ich obróbki i przechowywania. Jeśli w jednym miejscu znajduje się kilka źródeł danych, zazwyczaj spina się je wszystkie do jednego urządzenia, które je zbiera i pozwala na ich przetwarzanie.

Po co stosuje się Edge Computing?

Odpowiedź jest bardzo prosta. Celem jest optymalizacja czasu i kosztów oraz podniesienie bezpieczeństwa i dostępności. Przetwarzanie danych blisko źródła ich generowania w sposób znaczący pomaga ograniczyć liczbę procesów, jakie musielibyśmy wykonać w scentralizowanym centrum obróbki danych (np. w chmurze lub lokalnym data center w przedsiębiorstwie). Ogranicza to także ilość danych, jakie musielibyśmy do takich systemów wysyłać, często na duże odległości. To z kolei znacząco wpływa na odciążenie sieci komunikacyjnej i oszczędza ogrom czasu, jaki jest potrzebny na wysłanie danych, ich przetworzenie i odesłanie konkretnych informacji z powrotem. W efekcie prowadzi to do znaczącej optymalizacji kosztów.

Przetwarzanie brzegowe ma też inne zalety. Zwiększa się bezpieczeństwo, ponieważ dane nie muszą być wysyłane poza miejsce, gdzie są generowane. Urządzenia przetwarzania brzegowego można dodatkowo zabezpieczyć przed nieautoryzowanym użyciem, a awaria sieci komunikacyjnej pomiędzy urządzeniem przetwarzania brzegowego a np. chmurą nie spowoduje braku dostępu do danych. Pozwala to bez przeszkód kontynuować realizowany proces, zwiększając tym samym jego dostępność.

Edge Computing – dla kogo?

Jak widać, Edge Computing znacząco różni się od modelu, w którym dane przetwarzane są w dedykowanych centrach w siedzibach przedsiębiorstw lub w chmurze. Przetwarzanie brzegowe pozwala przetwarzać dane w miejscu, gdzie zostały wygenerowane, na brzegu sieci. Pojawia się pytanie: kogo to dotyczy i kto może mieć potrzebę lokalnego przetwarzania danych? Okazuje się, że takich systemów jest coraz więcej. Wszędzie tam, gdzie konieczna jest szybka analiza, np. obrazu, danych dotyczących bezpieczeństwa czy predykcji zachowań, idea Edge Computing wykorzystywana jest od bardzo dawna.

Najlepszym przykładem mogą być pojazdy autonomiczne, które poruszają się po drogach publicznych, zdalnie sterowane drony czy autonomiczne roboty, wykorzystywane na halach produkcyjnych. W takich przypadkach ilość danych generowanych przez sensory, w jakie wyposażone są powyższe urządzenia, w połączeniu z koniecznością ich bardzo szybkiej obróbki i analizy, wymuszają wręcz potrzebę przetwarzania ich w miejscu, gdzie zostały wygenerowane. Dzięki temu mogą być użyteczne dla prowadzonego procesu. Realizowane jest to w czasie rzeczywistym, bez żadnych opóźnień, a konkretne informacje wykorzystywane są do prawidłowego i bezpiecznego działania tych urządzeń.

Dane – motor napędowy przetwarzania brzegowego

Wszystkie ogólnodostępne raporty i analizy ośrodków analityczno-badawczych (np. Gartner) mówią jednoznacznie, że danych z roku na rok generujemy coraz więcej. Według IDC do 2025 roku ludzkość wygeneruje 180 zettabajtów danych. Dla porównania 1 zettabajt stanowił cały ruch w światowym Internecie w 2016 roku. Do tego czasu będziemy też wytwarzać 460 eksabajtów danych dziennie. Na ten wręcz wykładniczy przyrost wpływ ma przede wszystkim lawinowy wzrost liczby urządzeń IoT, instalowanych nie tylko w zastosowaniach komercyjnych, ale przede wszystkim w przemyśle.

Sedno problemu z generowaniem i udostępnianiem danych przesunęło się w ostatnich latach w stronę konieczności ich szybkiej obróbki. Przesyłanie wszystkiego do centralnego systemu jest po prostu nieefektywne. Nie tylko ze względu na czas i koszty, ale też z punktu widzenia bezpieczeństwa. W takich przypadkach przetwarzanie brzegowe jest bardzo pomocne. Wstępna obróbka na poziomie lokalnym i udostępnianie tylko istotnych i przefiltrowanych danych znacząco redukuje ilość danych transferowanych przez sieć. Ma to korzystny wpływ na redukcję kosztów operacyjnych, wynikających z wykorzystywania rozwiązań chmurowych. Dodatkowo urządzenia do przetwarzania brzegowego potrafią bardzo dobrze zabezpieczać udostępniane dalej dane – poprzez ich szyfrowanie.

W nowoczesnych modelach przetwarzania danych właśnie z powodu wydajności i bezpieczeństwa coraz częściej odchodzi się od modelu przesyłania strumieniowego wszystkich posiadanych danych na rzecz przechowywania i przetwarzania ich lokalnie. Obliczenia rozproszone, bo o tym mowa, nie są niczym nowym. Od wielu lat taki model wykorzystują przedsiębiorstwa, które wykonują działania zdalnie. Obecnie ten model wydaje się być bardzo wskazany również dla innych. Tradycyjny sposób przesyłania wszystkich danych poprzez sieć Internet nie daje gwarancji szybkiego dostępu do informacji niezbędnych do podejmowania kluczowych decyzji. Przepustowość łącz internetowych również ma swoje granice. Na to nakłada się dodatkowo ryzyko przerw w ciągłości dostępu do usług i ryzyko spowolnienia, wynikające ze zbyt dużego obciążenia sieciowego i wykorzystywania infrastruktury, której bardzo często nie jesteśmy właścicielem. To, w przypadku urządzeń wymagających obsługi wręcz w czasie rzeczywistym, eliminuje możliwość wykorzystania tradycyjnych metod polegających na centralnej analizie i przetwarzaniu danych. Pozostaje przetwarzanie na brzegu sieci.

Ale sam Edge Computing nie zastąpi architektury, w której korzystamy z rozwiązań i usług dostępnych w chmurze. Powód jest bardzo prozaiczny. Chodzi o zasoby i moc obliczeniową. Urządzenia do przetwarzania brzegowego charakteryzują się względnie optymalnymi zasobami. Jest to kompromis pomiędzy kosztami posiadania a możliwościami i wydajnością. Aplikacje, takie jak rozszerzona rzeczywistość (AR), wirtualna rzeczywistość (VR), uczenie maszynowe (ML) i sztuczna inteligencja (AI) mogą wymagać znacznie większych mocy obliczeniowych, niż Edge Computing będzie mógł dostarczyć.

Oczywiście można zainwestować w sprzęt dużo bardziej wydajny, ale to będzie wiązało się z większymi nakładami finansowymi. Wykorzystanie przetwarzania brzegowego do lokalnej obróbki danych w połączeniu z chmurą, która daje większe możliwości przy obsłudze zaawansowanych aplikacji, jest bardzo dobrą kombinacją dla użytkowników mających większe potrzeby w zakresie wydajności przy jednoczesnej optymalizacji nakładów inwestycyjnych. Edge Computing można w takim przypadku potraktować jako element uzupełniający system centralnego przetwarzania danych.

Co może być źródłem danych dla Egde Computing?

Każde urządzenie generujące dane może być źródłem dla Edge Computing. W przypadku zastosowań przemysłowych mogą to być wszystkie czujniki zainstalowane na maszynach (i wokół nich) do monitorowania środowiska pracy: kamery, skanery, czujniki RFID, analizatory. Źródłem mogą być same sterowniki PLC, kontrolery PAC czy układy I/O, które w systemach automatyki dane generują i przetwarzają je na potrzeby prowadzenia procesu.

Do „źródeł danych” z pewnością możemy także zaliczyć operatorów maszyn i procesów, którzy za pośrednictwem pulpitów sterujących, urządzeń HMI czy systemów SCADA wprowadzają dane na produkcji. Ale to nie wszystko. Źródłem informacji mogą być także systemy pochodzące spoza świata automatyki i wizualizacji. Przykładem takich zewnętrznych źródeł danych są systemy bazodanowe, jakie znajdziemy w praktycznie każdym zakładzie przemysłowym, a także zewnętrzne serwisy udostępniające rozmaite informacje – o pogodzie, opadach, temperaturze, sile i kierunku wiatru, cenach energii elektrycznej czy kosztach frachtu. W zależności od tego, jakie czynniki mają wpływ na prowadzony przez nas proces, dane do Edge Computing można integrować zgodnie z naszymi potrzebami. Integracja możliwa jest dzięki obsłudze większości branżowych standardów komunikacyjnych, jakie spotykamy w zakładach produkcyjnych, zarówno na poziomie sieci przemysłowych, jak i sieci IT. Opcji jest bardzo dużo.

Gdzie możemy spotkać rozwiązania oparte o przetwarzanie brzegowe?

Wiele osób nie zdaje sobie sprawy z tego, że praktycznie każdego dnia korzysta z rozwiązań opartych o przetwarzanie brzegowe. Przejeżdżając samochodem przez skrzyżowanie ze światłami jest wielce prawdopodobne, że cykle programu są uzależnione od intensywności i natężenia ruchu z różnych kierunków i dynamicznie dostosowują się do warunków panujących na drodze. Zainstalowane na pokładzie samochodu systemy, takie jak asystenci pasa ruchu, awaryjnego hamowania czy rozpoznawania znaków, to nic innego, jak Edge Computing.

Również żywność, którą spożywamy codziennie była wyprodukowana z wykorzystaniem algorytmów przetwarzania brzegowego. Monitorowanie poziomu wilgotności gleby, zawartości składników odżywczych, predykcje pogody w okresie wzrostu, wegetacji i owocowania roślin są bardzo często określane przy pomocy przetwarzania brzegowego. Podobnie jak przewidywanie optymalnego czasu zbiorów plonów, aby zapewnić maksymalną wydajność. Przetwarzanie brzegowe pomaga też w innych obszarach: w transporcie, logistyce, SmartCity.

Produkcja przemysłowa korzysta z Edge Computing coraz częściej. Obszar analizy pracy maszyn i linii produkcyjnych ma kluczowe znaczenie dla poprawy wydajności i zysków z produkcji – dzięki minimalizacji występowania awarii i ulepszaniu procesu produkcyjnego. Sama agregacja danych w jednym miejscu i możliwość kontrolowanego sterowania ich przepływem pomiędzy aplikacjami i serwisami wbudowanymi w urządzenie do przetwarzania brzegowego, daje nowe możliwości w zakresie informowania operatorów, służb utrzymania ruchu czy managerów o kluczowych z punktu widzenia produkcji parametrach. Dashboardy, które w zależności od kontekstu mogą udostępniać odpowiednie treści serwisowe, wydajnościowe czy operacyjne, pozwalają personelowi znacznie szybciej reagować i podejmować właściwe działania.