Memotong Kabut:Kecepatan Edge, Hybrid, dan All-Cloud

Saat mencoba menentukan tempat untuk melakukan analisis, karakteristik aplikasi dan bandwidth transfer edge-cloud adalah faktor utama yang memengaruhi kinerja.

Dalam beberapa tahun terakhir, ada dorongan ke arah tepi dengan formulasi "komputasi kabut", di mana aset dan pemrosesan dikerahkan di mana pun sesuai di sepanjang spektrum antara cloud terpusat dan lingkungan tepi, untuk aplikasi yang ada.

Saat kami memindahkan perusahaan ke ekonomi real-time, ada perdebatan tentang tahap spektrum mana yang memberikan kinerja optimal atau respons tercepat. Layanan cloud menyediakan kapasitas dan pemrosesan sesuai permintaan di mana dan kapan pun dibutuhkan, tetapi sering kali diperlambat oleh masalah latensi karena data dan perintah dikirim melalui berbagai jaringan jaringan. Pengaturan hibrida menawarkan beberapa tingkat pemrosesan lokal dan pergerakan data dapat dipercepat melalui sistem dalam memori, tetapi kecepatannya mungkin tidak konsisten. Memindahkan pemrosesan ke perangkat edge sepenuhnya dapat memberikan analitik di tempat yang cepat, tetapi tidak dapat dengan mudah dibagikan ke seluruh perusahaan.

Lihat juga: Mengapa Edge Computing Dapat Membantu IoT Mencapai Potensi Penuh

Itulah inti dari presentasi dan makalah yang dipresentasikan pada konferensi IEEE Edge Computing baru-baru ini oleh tim peneliti dari University of Arkansas. Tim yang dipimpin oleh Dumitrel Loghin dari National University of Singapore, menguji ketiga mode utama komputasi tepi ini, dan menyimpulkan bahwa dalam hal kecepatan, ini adalah hasil imbang antara tiga mode pengiriman data. Analisis berbasis pengukuran mereka “mengungkapkan lanskap kinerja yang beragam di mana tidak ada pemenang yang jelas antara pemrosesan cloud-only, edge-only, dan hybrid. Namun, karakteristik aplikasi dan bandwidth transfer edge-cloud adalah faktor utama yang memengaruhi kinerja.”

Tim melakukan pengukuran di tujuh aplikasi MapReduce yang berbeda pada dua perangkat edge berdaya rendah dan di AWS cloud. Meskipun tidak semua aplikasi MapReduce cocok untuk pemrosesan edge-cloud hybrid, di antara yang ditemukan cocok, mereka menganalisis kecepatan di kedua edge dan cloud cluster yang terpisah dan cluster edge-cloud tunggal.

Sejumlah faktor mempengaruhi kinerja, termasuk karakteristik aplikasi, seperti selektivitas, dan bandwidth edge-cloud, para peneliti menemukan. Misalnya, dua aplikasi Hadoop utama yang diukur menunjukkan kecepatan yang bervariasi berdasarkan tautan jaringan intra dan antar klaster. Cluster MapReduce hybrid tunggal adalah 41% dan 63% lebih lambat daripada cluster edge dan cloud yang terpisah untuk beberapa proses yang dipilih, tetapi 85% dan 100% lebih cepat untuk proses lainnya.

Para peneliti juga mencatat bahwa pengaturan dibuat “menggunakan tiga wilayah cloud AWS, sehingga dua di antaranya mensimulasikan edge dan yang ketiga mewakili cloud. Kami memilih untuk mensimulasikan edge menggunakan instans cloud karena kami ingin menganalisis pengaruh waktu transfer dan bandwidth daripada pengaruh perangkat keras pada percepatan cloud over the edge. Dengan menggunakan jenis node yang sama untuk edge dan cloud, kami meminimalkan efek percepatan cloud. Selain itu, kami menggunakan dua wilayah untuk tepi karena
dalam skenario dunia nyata, organisasi memiliki lebih dari satu sisi
cluster untuk menggabungkan data dari.”