4 Jenis Komputasi untuk Internet of Thing.by unsplash
Saya sering melihat kebutuhan komputasi untuk lebih terdistribusi dan tersedia dari perspektif praktisi. Ketika saya mulai mengoordinasikan IoT dengan kerangka kerja OT dan TI, masalah utama yang saya hadapi adalah banyaknya informasi yang dikirimkan perangkat dari server kami. Saya bekerja dalam situasi yang melibatkan otomatisasi pabrik di mana 400 sensor terintegrasi mengirim tiga titik data setiap satu detik.
Contents
Sakit Kepala dengan Data?
Anda mungkin sudah mengetahui hal ini, tetapi sebagian besar data sensorik yang dihasilkan tidak berguna setelah lima detik. Apakah Anda sekarang memahami maksud saya?
Kami memiliki 400 sensor, beberapa gateway, beberapa proses, dan beberapa sistem yang diperlukan untuk memproses data ini hampir secara instan. Pada saat itu, sebagian besar pendukung pengoperasian data menganjurkan model Cloud, di mana Anda harus selalu mengirim sesuatu ke cloud. Itu juga jenis pertama dari dasar komputasi IoT.
Komputasi cloud untuk IoT
Dengan model komputasi IoT dan Cloud, pada dasarnya Anda mendorong dan memproses data sensorik Anda di cloud. Anda memiliki modul penyerapan yang mengambil data dan menyimpannya di data lake (penyimpanan yang sangat besar) dan kemudian Anda menerapkan pemrosesan paralel di atasnya (bisa berupa Spark, Azure HD Insight, Hive, dll.) dan kemudian mengkonsumsi ini dengan cepat informasi yang serba cepat untuk mengambil keputusan.
Sejak saya mulai membangun solusi IoT, kami sekarang memiliki banyak produk dan layanan baru yang dapat membuat ini sangat mudah bagi Anda :
- Jika Anda seorang fanboy AWS, Anda dapat memanfaatkan layanan lambda AWS Kinesis dan Big data.
- Anda dapat memanfaatkan ekosistem Azure yang dapat membangun kemampuan data besar dan sangat mudah.
- Atau, Anda dapat menggunakan Produk Google Cloud dengan alat seperti Cloud IoT Core.
Beberapa tantangan yang saya hadapi dengan komputasi awan di IoT adalah :
- Penggunaan platform dan perusahaan berpemilik menjadi tidak nyaman dengan data mereka di Google, Microsoft, properti Amazon
- Masalah latensi dan gangguan jaringan
- Peningkatan biaya penyimpanan, keamanan data, dan persistensi
- Seringkali kerangka kerja data besar tidak cukup untuk membuat modul penyerapan besar yang dapat memfasilitasi kebutuhan data
Tetapi Anda harus memproses data Anda di suatu tempat, bukan? Kini hadir komputasi kabut!
Komputasi Kabut untuk IoT
Kami memperoleh beberapa kekuatan melalui komputasi kabut. Kami sekarang menggunakan komputer atau unit pemrosesan lokal daripada mengirim data Anda ke cloud dan menunggu server memproses dan merespons.
Ketika kami menerapkan ini empat hingga lima tahun yang lalu, baik BLE maupun solusi nirkabel seperti Sigfox dan LoraWAN tidak tersedia, dan tidak ada yang memiliki kemampuan jarak jauh atau mesh. Akibatnya, untuk memastikan bahwa kami dapat membuat koneksi yang aman dan berkelanjutan ke unit pengoperasian data, kami terpaksa menggunakan solusi jaringan yang lebih mahal. Solusi kami didasarkan pada unit pusat ini, yang jarang ditemukan di antara penyedia layanan khusus. Saya menggunakan komputasi kabut untuk pertama kalinya pada proyek pipa minyak dan gas. Kami membangun jaringan kabut dengan simpul kabut untuk menghitung terabyte data yang dihasilkan oleh jalur pipa ini.
Sesuatu yang saya pelajari dari penerapan jaringan kabut sejak saat itu:
- Ada banyak hal yang perlu Anda ketahui dan pahami, jadi itu tidak mudah. Pengembangan perangkat lunak, seperti implementasi IoT, lebih sederhana dan lebih transparan. Selain itu, ini memperlambat Anda ketika jaringan menjadi penghalang.
- Anda memerlukan tim yang sangat besar dan banyak penyedia untuk implementasi seperti itu. Seringkali Anda juga akan menghadapi penguncian vendor.
Buka Kabut dan Dampaknya pada Komputasi Kabut
Setahun yang lalu seorang rekan memperkenalkan saya ke OpenFog, kerangka kerja komputasi Open Fog untuk arsitektur komputasi kabut yang dikembangkan oleh praktisi terkemuka. Ini menyediakan :
- Aplikasi • Spesifikasi tekni
- Tempat tidur percobaan
- Dan arsitektur referensi juga
Komputasi Tepi untuk IoT
Internet of Things (IoT) berputar dengan cepat menanggapi interaksi kecil. Kami dapat menerapkan pembelajaran mesin di wilayah sensor berkat komputasi tepi, yang membawa kita paling dekat ke sumber data. Jika Anda telah membaca tentang perbedaan antara komputasi kabut dan komputasi tepi, Anda harus tahu bahwa komputasi kabut masih bergantung pada jaringan area lokal untuk menyediakan daya komputasi untuk tugas-tugas data-intensif, sedangkan komputasi tepi adalah semua tentang kecerdasan pada node sensor.
Untuk tujuan memfasilitasi kecerdasan mesin pada gateway IoT dan node sensor dengan daya komputasi yang memadai, raksasa industri seperti Microsoft dan Amazon telah merilis Azure IoT Edge dan AWS Green Gas. Meskipun ini adalah solusi luar biasa yang menyederhanakan pekerjaan, mereka secara signifikan mengubah arti edge komputasi yang praktisi. Komputasi tepi seharusnya tidak memerlukan algoritme pembelajaran mesin untuk berjalan di gateway agar membangun kecerdasan. Pada tahun 2015, saya menemukan Knowm dan melihat karya mereka yang mengesankan pada prosesor Neuromemristive. Alex dari Knowm berbicara tentang cara kerja Embedded AI pada prosesor neuromemristive pada konferensi ECI :
Komputasi tepi akan terjadi pada perangkat neuromemristik semacam itu yang dapat dimuat sebelumnya dengan algoritme pembelajaran mesin di dalamnya untuk melayani satu tujuan dan tanggung jawab. Apakah itu bagus? Katakanlah node akhir gudang Anda dapat melakukan NLP secara lokal untuk beberapa string kunci yang membuat kata sandi seperti “Open Sesame”! Perangkat tepi ini biasanya berisi struktur yang menyerupai jaringan saraf akibatnya, ketika algoritme pembelajaran mesin dimuat ke dalamnya, jaringan saraf secara efektif dihancurkan.Namun, Anda tidak akan dapat membatalkan pembatalan ini itu akan menjadi permanen.
Node sensor berdaya rendah sekarang dapat memanfaatkan kecerdasan tepi tertanam berkat kategori baru perangkat tertanam. Sekarang mari kita lihat jenis komputasi keempat untuk IoT komputasi MIST
Komputasi MIST untuk IoT
Kami menemukan bahwa hal berikut dapat dicapai untuk memfasilitasi kecerdasan IoT dan pemrosesan data :
- Model komputasi berbasis cloud
- Model komputasi berbasis kabut
- Model komputasi tepi
Tanpa harus kita menunggu lagi, inilah jenis komputasi yang meningkatkan komputasi kabut dan tepi sekaligus melengkapinya. Kita dapat dengan mudah memanfaatkan model kecerdasan dinamis yang tidak disediakan oleh komputasi kabut maupun tepi dengan menghadirkan kemampuan jaringan perangkat IoT, mendistribusikan beban kerja, dan melakukannya. Pemrosesan data berkecepatan tinggi dan ekstraksi kecerdasan dari perangkat dengan memori 256 kilobyte dan kecepatan transfer data kurang dari 100 kilobyte per detik dapat dihasilkan dari pembentukan paradigma baru ini.
Saya tidak akan mengatakan bahwa model teknologi ini cukup matang untuk membantu kami dengan model komputasi IoT. Tetapi dengan jaringan Mesh kita pasti melihat fasilitator untuk model komputasi seperti itu. Secara khusus, saya telah menginvestasikan beberapa energi untuk mengeksekusi PoC berbasis Kabut di lab kami, dan tes yang kami coba atasi adalah model pendaftaran yang tersebar dan administrasinya. Namun, saya benar-benar yakin bahwa dalam enam bulan seseorang akan mengembangkan MIST- yang unggul. model berbasis yang kita semua dapat dengan mudah memanfaatkan dan mengkonsumsi. IoT sangat menarik dan menantang pada saat yang sama, dan apa yang saya tulis sebagian besar berasal dari pengalaman saya sendiri. Jika Anda memiliki sesuatu untuk dibagikan, ditambahkan, atau dikritik, saya siap mendengarkan!
