Edge Computing and Its Trade-offs

การประมวลผลบนคลาวด์รวมศูนย์การประมวลผลไว้ในศูนย์ข้อมูลขนาดใหญ่ แต่การส่งข้อมูลเซ็นเซอร์ทุกรายการไปยังเซิร์ฟเวอร์ที่อยู่ห่างไกลทำให้เกิดเวลาแฝงและใช้แบนด์วิดท์เครือข่ายอย่างมาก

การประมวลผลที่ขอบเครือข่ายแก้ปัญหานี้ด้วยการวางทรัพยากรการคำนวณไว้ใกล้แหล่งข้อมูลทางกายภาพ ไม่ว่าจะเป็นพื้นชั้นโรงงาน สถานีฐาน หรือกล้องอัจฉริยะ

ยานยนต์ขับเคลื่อนด้วยตัวเองเป็นตัวอย่างที่ชัดเจน มันต้องประมวลผลสัญญาณ LIDAR กล้อง และเรดาร์แบบเรียลไทม์และตอบสนองภายในเวลาไม่กี่มิลลิวินาที

การอัปโหลดข้อมูลเซ็นเซอร์ดิบไปยังเซิร์ฟเวอร์คลาวด์และรอการตัดสินใจนั้นไม่สามารถทำได้ ความฉลาดต้องอยู่ที่ขอบเครือข่าย

โหนดที่ขอบเครือข่ายมักรันโมเดลอนุมานที่มีน้ำหนักเบาแทนที่จะเป็นปริมาณงานการฝึกเต็มรูปแบบ

เทคนิคเช่น quantization ซึ่งลดความแม่นยำของน้ำหนักจาก float 32 บิตเป็น integer 8 บิต และการตัดแต่ง (pruning) บีบอัดโมเดลให้สามารถรันบนฮาร์ดแวร์ที่ใช้พลังงานต่ำได้โดยไม่สูญเสียความแม่นยำอย่างยอมรับไม่ได้

ความท้าทายในการดำเนินงานนั้นสำคัญมาก กองยานอุปกรณ์ที่ขอบเครือข่ายที่กระจายอยู่ตามสถานที่ทางกายภาพหลายแห่งนั้นยากต่อการแพตช์ ติดตาม และแก้ไขปัญหามากกว่าคลัสเตอร์แบบรวมศูนย์มาก

ไปป์ไลน์อัปเดตแบบ over-the-air และโปรโตคอล remote attestation เป็นโครงสร้างพื้นฐานที่จำเป็นสำหรับการติดตั้งที่ขอบเครือข่ายอย่างจริงจัง

สถาปัตยกรรมที่เกิดขึ้นในทางปฏิบัติมักเป็นแบบต่อเนื่องกัน กล่าวคือ ประมวลผลบางส่วนที่ขอบเครือข่าย รวมข้อมูลบางส่วนที่โหนดระดับภูมิภาค และส่งต่อเฉพาะข้อมูลที่สรุปหรือผิดปกติไปยังคลาวด์กลาง แทนที่จะเป็นการเลือกแบบไบนารีระหว่างขอบเครือข่ายเต็มรูปแบบหรือคลาวด์เต็มรูปแบบ