Počítanie na hrane siete

Vďaka trendom edge/fog computing sa posúva inteligencia bližšie k systémom, na hranu siete alebo až priamo na koncové zariadenia. Termín edge computing je starší. Vznikol v 90. rokoch 20. storočia, no s jeho aplikovaním sa začína až dnes. Oproti tomu pojem fog computing presadila spoločnosť Cisco až v roku 2015. Výpočtová kapacita koncových zariadení rastie a tým sa naskytuje možnosť implementovať inteligentné algoritmy. Zo zariadení sa postupne stávajú múdrejšie/inteligentnejšie zariadenia, ktoré by uskutočňovaním výpočtov na hrane siete mali spĺňať tieto princípy:

  • znížiť latenciu siete a množstvo dát prenášaných v sieti,
  • znížiť množstvo údajov odoslaných do cloudu,
  • znížiť náklady na cloud computing,
  • zlepšiť riadenie systémov prostredníctvom lepšieho reakčného času,
  • zvýšiť bezpečnosť dát, keďže časť z nich ostáva „doma“.

Tieto dva spomínane koncepty majú spoločné ciele, ale ich implementácie sa však mierne odlišujú. Hlavné rozdiely by sme mohli zhrnúť takto:

  • Fog computing [1] (z angl. fog – hmla, „mrak (cloud) pri zemi“). Výpočty prebiehajú v dátových centrách bližšie k zdrojovým IoT systémom. Model fog computingu je vysoko virtualizovanou platformou, ktorá poskytuje výpočtové, úložné a sieťové služby medzi koncovými zariadeniami a tradičnými dátovými centrami – cloud. Je tu podobnosť s privátnym cloudom. Používa sa v aplikáciách citlivých na reakciu siete. Zvyčajne, nie výhradne, tento koncept presúva časť výpočtovej kapacity aj na samotné koncové zariadenia IoT systémov do úrovne lokálnej siete. To by malo mať za následok zníženie latencie medzi koncovými zariadeniami a vzdialenými servermi. Zariadenia sa na lokálne servery pripájajú prostredníctvom brán (gateway), tie však spravidla len štandardizujú siete a protokoly použité na prenos informácii z IoT zariadení.
  • Edge computing [2] (z angl. edge – hrana, okraj). Výpočty prebiehajú na priechodných zariadeniach „na hrane siete“. V tomto prípade ide o presunutie inteligencie do úrovne lokálnej siete. Môže ísť napríklad o inteligentný IoT Gateway (bránu siete), ktorý dáta nielen preposiela, ale aj spracúva, agreguje, ukladá, sleduje procesy a poskytuje upozornenia. Vďaka čoraz väčšiemu výpočtovému výkonu môže byť inteligencia distribuovaná na priechodné sieťové zariadenia aj koncové IoT zariadenia. Tie prostredníctvom týchto algoritmov môžu lepšie merať a riadiť procesy a v neposlednom rade sa môžu stať aj energeticky úspornejšími.

Vedecký pohlaď na spôsoby realizácie IoT riešení

Analyzovali sme viacero vedeckých článkov a na základe toho by sme mohli kategorizovať základné spôsoby realizácie IoT riešení vo vedecko-technickom svete. Moderné IoT riešenia môžu byť realizované tromi hlavnými spôsobmi podľa distribúcie inteligencie v systéme – cloud-, fog- a edge-enabled:

  • Cloud-enabled IoT riešenia – zariadenia sa zvyčajne pripájajú na cloud, kde sa realizujú všetky výpočty.
  • Fog-enabled IoT riešenia – zariadenia sa pripájajú na lokálny server (IoT platformu), ktorý môže byť ďalej pripojený na verejný cloud. Tento lokálny server však bude umiestnený bližšie k systémom, z ktorých dáta prichádzajú, aby sa v čo najväčšej miere znížil reakčný čas medzi IoT zariadeniami a IoT platformou. Takýto typ architektúry sa aplikuje pri väčších IoT riešeniach (nemocnice, výrobné podniky…).
  • Edge-enabled IoT riešenia – ide o spôsob realizácie IoT riešení, pri ktorých sa inteligencia distribuuje až na samotné koncové zariadenia siete (edge of the network). O výpočty a komunikáciu medzi zariadeniami a cloudom sa čiastočne stará IoT Gateway, pretože niektoré zariadenia nemôžu byť na cloud priamo pripojené. Takýto typ architektúry je vhodný pre menšie IoT riešenia (smart home, domáca zdravotná starostlivosť…). Toto riešenie je obmedzené adresáciou IoT sietí a brán (gateway, domáci WiFi router teoreticky podporuje maximálne 254 zariadení, prakticky je však toto číslo mnohonásobne nižšie, BLE master dokáže zaadresovať približne 200 zariadení). Vďaka menšiemu počtu zariadení je výpočtová kapacita edge-enabled riešenia oproti fog-enabled riešeniu menšia (napr. izba oproti nemocnici).

Princípy edge computingu vo výrobe

IoT technológie možno implementovať takmer vo všetkých oblastiach nášho života. Priemysel nie je výnimkou. Takto vznikol nový koncept Industrial Internet of Things (IIoT – priemyselný internet vecí) [3]. V klasickej pyramídovej architektúre prebieha zber dát zo spodnej technologickej vrstvy smerom hore cez ostatné vrstvy. Dáta putujú cez rôzne rozhrania, prevodníky a rozličné protokoly. Naopak myšlienkou IIoT je tento proces zjednodušiť, zbaviť sa rôznych rozhraní a iných prekážok. Pri realizácii IIoT riešení môže edge computing výrazne pomôcť. Vďaka otvoreným protokolom možno pripojiť nové aj staršie zariadenia a pomocou spracovania dát blízko ich zdroja dokážeme znížiť zaťaženie siete a náklady na cloudové riešenia [4]. Na obr. 1 je znázornená aplikácia týchto princípov vo výrobnom podniku.

Supervízne riadenie a zber dát v moderných IIoT riešeniach

Moderné IIoT technológie poskytujú nový typ spätnej väzby, ktorá rozširuje klasickú väzbu človek – stroj. Zo zozbieraných dát možno vďaka tomu tvoriť určitú abstrakciu reálneho sveta. Táto abstrakcia (virtuálna/kybernetická časť) spolu s reálnym systémom (technologická úroveň) teda tvoria CPS (Cyber Physical System – kyberfyzikálny systém). S tými by mala pracovať nová generácia operátorov používajúcich pokročilé rozhrania, ako sú rôzne analytické nástroje či virtuálna a rozšírená realita. Z tohto dôvodu vznikol koncept Human CPS (H-CPS) [5]. Typy spätnej väzby spolu so spôsobmi spracovania dát sú zobrazené na obr. 2.

V tomto systéme vznikajú dva základné typy väzby a dva základné spôsoby spracovania dát [6], ktoré treba prispôsobiť konkrétnej aplikácii.

  • Hlavná spätná väzba prostredníctvom operátora, ktorý zabezpečuje bezproblémový chod systému prostredníctvom svojich skúseností. Pri tomto riadení však môže zapôsobiť ľudský faktor, ktorý by sa mal práve druhým typom spätnej väzby čo v najväčšej miere eliminovať.
  • Spätná väzba prostredníctvom nových technológií zaznamenávajúcich dáta napríklad z technologickej úrovne podniku, ktoré sa následne spracúvajú dvoma spôsobmi.

– Stream processing – spracovanie prúdov dát kladie vysoké nároky na výkonnosť hardvéru. Pri požiadavke real-time vizualizácií na cloude môže byť využitie plného potenciálu edge zariadení značne obmedzené, keďže dáta sa musia čo najrýchlejšie spracovať a preposielať. Ak by sa dáta napríklad filtrovali podľa informačnej hodnoty, mohli by byť v týchto real-time grafoch „diery“. Real-time vizualizácia však môže bežať na edge zariadení – inteligentnej bráne (gateway).

– Batch processing – ide o spracovanie dát v dávkach. Môžu byť použité aj výpočtovo náročnejšie metódy. Pri tomto type spracovania dát je problém dosiahnuť real-time riadenie alebo vizualizáciu.

Záver

Každým rokom počty pripojených zariadení a odoslaných dát exponenciálne rastú. Dnešná doba je dobrým štartovacím bodom na implementáciu technológií, ktoré dokážu inteligentne spracúvať dáta čo najbližšie k miestu ich vzniku. V tomto článku sme opísali základné princípy edge-enabled archi­tektúry [6]. V ďalších častiach pripravujeme konkrétnu funkcionalitu, ktorú možno implementovať v edge zariadeniach, a prípadové štúdie, ktoré sme realizovali vo výskumnej skupine Inteligentné kybernetické systémy na Katedre kybernetiky a umelej inteligencie FEI Technickej univerzity v Košiciach.

Poďakovanie

V tejto publikácii bola prezentovaná časť výsledkov dizertačnej práce [6]. Publikácia bola podporená projektom VEGA 1/0663/17 a UVP Technicom Fáza II. ITMS: 313011D232.

Literatúra

[1] Bonomi, F. – Milito, R. – Zhu, J. – Addepalli, S. (2012). Fog computing and its role in the internet of things. In: Proceedings of the first edition of the MCC workshop on Mobile cloud computing, pp. 13 – 16. ACM.

[2] Shi, W. – Cao, J. – Zhang, Q. – Li, Y. – Xu, L. (2016). Edge computing: Vision and challenges. In: IEEE Internet of Things Journal, 3(5), pp. 637 – 646.

[3] Da Xu, L. – He, W. – Li, S. (2014). Internet of things in industries: A survey. In: IEEE Transactions on industrial informatics, 10(4), pp. 2 233 – 2 243.

[4] Lojka, T. – Bundzel, M. – Zolotová, I. (2016). Service-oriented architecture and cloud manufacturing. In: Acta Polytechnica Hungarica, 13(6), pp. 25 – 44.

[5] Romero, D. – Bernus, P. – Noran, O. – Stahre, J. – Fast-Berglund, A. (2016). The Operator 4.0: human cyber-physical systems & adaptive automation towards human-automation symbiosis work systems. In: IFIP International Conference on Advances in Production Management Systems. Springer, Cham. pp. 677 – 686.

[6] Miškuf, M. (2018). Edge-enabled framework pre monitorovanie kvality zdravotnej starostlivosti. Dizertačná práca. KKUI, FEI, TUKE.

   

Ing. Martin Miškuf, PhD.
Ing. Erik Kajáti
Ing. Jozef Mocnej
Ing. Peter Papcun, PhD.
Technická univerzita v Košiciach FEI
Katedra kybernetiky a umelej inteligencie
Laboratórium inteligentných kybernetických systémov/Laboratórium IoT
http://ics.fei.tuke.sk