از دیدگاه یک متخصص، اینترنت اشیا نیازمند تکنولوژی های پردازشی است که قابلیت های دسترسی پذیری و توزیع پذیری را بهتر ارائه دهند. هنگامی که اینترنت اشیا با فناوری اطلاعات آمیخته می شود، مشکل مدیریت، پردازش و کنترل داده های ارسالی پدیدار می شود. در این مقاله، روش های مختلف پاسخگویی به چالش مذکور بیان می شود.

دردسری که داده ها ایجاد می کنند

حتما پیش از این در سناریو های دیگر این عبارت به گوشتان خورده است ولی در اینترنت اشیا اوضاع متفاوت است و می توان گفت داده های ارسالی توسط حسگر ها تنها بعد از ۵ ثانیه بی مصرف خواهند بود. شاید این مورد دردسر موجود را نشان دهد. حال فرض کنید در محیطی حدودا ۴۰۰ حسگر و تعدادی Gateway، عملیات و سیستم وجود دارند که نیازمند پردازش بلادرنگ داده ها هستند. یکی از مرسوم ترین و رایج ترین روش های پردازشی، ارسال داده ها به سمت فضای رایانش ابری است که طرفداران بسیاری نیز دارد. در ادامه به بیان این روش خواهیم پرداخت.

رایانش ابری

با بهره گیری از رایانش ابری در کاربردهای اینترنت اشیا در واقع اطلاعات حسگرها به سمت فضای ابری هدایت می شود. در واقع در سمت فضای ابری یک ماژول فروبری تعریف می شود که داده های ارسالی به سمت فضای ابری را در یک دریاچه داده ( یک فضای ذخیره سازی بسیار بزرگ ) ذخیره می کند و سپس پردازش موازی بر روی آنها اعمال می شود ( که می تواند راه حل هایی نظیر Spark، Azure HDInsight، Hive و غیره باشد ). در انتها باید از اطلاعاتی که از داده ها استخراج شده جهت تصمیم گیری ها استفاده شود. از جمله ابزارهای بسیار معروف و پر کاربرد می توان به AWS Kinesis، Big data lambda، Azure و Google Cloud IoT Core اشاره کرد.

البته استفاده از فضای رایانش ابری چالش هایی را هم به همراه دارد که می توان در موارد زیر جمع بندی کرد:

– یکی از مشکلات محرمانگی داده ها و اطلاعات است که بسیاری از شرکت ها و کسب و کارها تمایلی به بارگذاری داده های خود را بر روی پلتفرم هایی نظیر آمازون، مایکروسافت و گوگل ندارند.

– مشکلات تاخیر و قطعی شبکه که از مشکلات اجتناب ناپذیر استفاده از فضای ابری است.

– هزینه های افزایش منابع مورد نیاز

– امنیت و ماندگاری داده ها

– معمولا فریم وورک هایی که برای داده های بزرگ ارائه می دهند به تنهایی قادر به ایجاد ماژول های فروبری مناسب و بزرگ جهت آماده سازی سریع داده ها نیستند.

ممکن است برخی از ویژگی های رایانش ابری باعث شود که تمایلی به انجام پردازش بر روی آن را نداشته باشید. بنابراین سراغ روش دیگر پردازشی در اینترنت اشیا می رویم.

رایانش مه

با استفاده از رایانش مه، وضعیت بهتر می شود. به جای آنکه تمامی داده ها به سمت فضای ابری ارسال شود و منتظر بمانیم تا سرور پاسخی را به ما بازگرداند، حالا از یک واحد پردازشی یا کامپیوتر محلی استفاده می کنیم. ۴-۵ سال قبل که این نوع روش پردازشی مدنظر بود تکنولوژی های بیسیمی نظیر Sigfox، LoraWAN وجود نداشت و یا اینکه BLE از قابلیت همبندی شبکه های توری و حالت برد بلند پشتیبانی نمی کرد. پس، ناچارا باید از روش های شبکه ای پرهزینه تری استفاده میشد تا مطمئن شویم ارتباطات امن و با ثباتی با واحد پردازشی برقرارند. این واحد مرکزی هسته اصلی راه حل مطرح شده بود و کمتر شرکتی این خدمات را به شکل تخصصی ارائه می داد. در راه حل های رایانش مه، گره های مه به صورت توزیع شده و چند لایه در محیط عملیاتی و نزدیک به تجهیزات ( حسگرها و محرک ها ) قرار می گیرند. هدف آنها ارائه خدمات ارتباطی، پردازشی و ذخیره سازی در نزدیک ترین فاصله نست به محیط انتزاع است. در مورد طراحی و پیاده سازی یک سیستم رایانش ابری ۲ نکته حائز اهمیت است :

۱- پیاده سازی رایانش مه خیلی ساده و سر راست نیست! مفاهیم و دانش زیادی وجود دارد که باید جهت پیاده سازی آن درک کنید و فرابگیرید. توسعه نرم افزار و آنچکه در اینترنت اشیا انجام می شود ساده تر بنظر می رسند.

۲- نیازمند یک تیم بزرگ و متخصصان مختلف برای پیاده سازی پروژه ها دارید. همچنیم به علت کمبود ارائه دهندگان خدمات رایانش مه ممکن است مجبور به همکاری با یک شرکت شوید.

رایانش مه در تضاد با مفهوم رایانش ابری نیست بلکه به عنوان مکمل یکدیگر شناخته می شوند. رایانش مه همچنین در ویژگی هایی نظیر تحرک پذیری و مصرف انرژی بهبود ایجاد می کند. در مورد کاربردهای اینترنت اشیا که نیازمند پردازش بلادرنگ و فوری هستند استفاده از رایانش مه کمک شایانی می کند.

رایانش لبه

اینترنت اشیا شامل فعل و انفعالات ریز و درشتی است که باید پس از مشاهده آنها فورا پاسخ دهی شوند. رایانش لبه به ما اجازه می دهد که پردازش را در نزدیکی منابع داده داشته باشیم و عملیات یادگیری ماشین را در محیط انتزاع انجام دهیم. اگر مباحث مربوط به تفاوت های رایانش مه و لبه را مطالعه کرده باشید، می دانید که رایانش لبه همانند رایانش مه به طور کلی سرویس های مورد نیاز را در محیط انتزاع ارائه می دهد ولی در مورد سایز و نوع گره ها، خدمات و حجم آنها، ساختار چند لایه ای و توزیع پذیری محدودیت هایی دارد. شرکت های بزرگ نظیر مایکروسافت و آمازون با ارائه محصولاتی نظیر Azure IoT Edge و AWS Green Gas به هوشمندی ماشین ها در Gateway های اینترنت اشیا و گره های حسگر که منابع پردازشی قابل توجهی دارند کمک می کنند. هرچند تکنولوژی های مذکور کارها را بسیار راحتتر می کنند ولی، آنچکه ارائه می شود تفاوت محسوسی با تعاریفی دارد که برای رایانش لبه مطرح شده بود.

در حالی که رایانش مه بیشتر مورد توجه ارائه دهندگان خدمات یا کمپانی های ارائه دهنده خدمات پردازشی قرار گرفته است، رایانش لبه تکنولوژی مورد نظر کمپانی های ارائه دهنده میان افزار و سرویس های مخابراتی بوده است. رایانش مه هوشمندی را در فضای شبکه محلی قرار می دهد ولی در رایانش لبه هوشمندی در خود تجهیزات باید تعبیه شود. بدین مفهوم که در رایانش مه ممکن است هیچ عملیاتی صورت نگیرد و تمامی پردازش به فضای ابری و یا گره دیگری واگذار شود ولی در رایانش لبه همه یا حداقل بخشی از پردازش در خود دستگاه انجام می شود.

جمع بندی

در انتها می توان بیان کرد که تکنولوژی های پردازیشی فوق الذکر، در مقابل یکدیگر قرار نمی گیرند بلکه، به عنوان مکمل یکدیگرشناخته می شوند. اینترنت اشیا بسیار بزرگ و جامع است از اینرو، تکنولوژی های مرتبط با آن نیز باید جوابگوی نیازهای چنین سیستم بزرگی باشند. به وسیله تکنولوژی های مختلف پردازشی می توان خدمات را با انعطاف و دقت مناسبی ارائه و کاربردهای گوناگون را تحت پوشش قرار داد.