Mempercepat Analitik: Membandingkan Performa Edge, Hybrid, dan Cloud
Saat menentukan tempat melakukan analisis, karakteristik aplikasi dan bandwidth transfer edge-cloud adalah faktor utama yang mempengaruhi performa.
Dalam beberapa tahun terakhir, telah terjadi gerakan menuju edge dengan formulasi "fog computing," di mana aset dan pemrosesan diterapkan di mana saja yang sesuai di seluruh spektrum antara cloud terpusat dan lingkungan edge, untuk aplikasi yang sedang dihadapkan.
Saat kita memindahkan perusahaan ke dalam ekonomi real-time, telah ada perdebatan tentang tahap mana di dalam spektrum yang memberikan performa optimum atau responsivitas tercepat. Layanan cloud menyediakan kapasitas dan pemrosesan on-demand di mana dan kapan dibutuhkan, tetapi seringkali lambat karena masalah latensi saat data dan perintah dikirim melalui berbagai jaringan jaringan. Pengaturan hybrid menawarkan beberapa tingkat pemrosesan lokal dan perpindahan data dapat dipercepat melalui sistem in-memory, tetapi kecepatan mungkin tidak konsisten. Memindahkan pemrosesan sepenuhnya ke perangkat edge mungkin memberikan analitik on-site yang cepat, tetapi tidak dapat dengan mudah dibagikan di seluruh perusahaan.
Lihat juga: Mengapa Edge Computing Bantu IoT Mencapai Potensi Penuh
Itu adalah inti dari presentasi dan paper yang dipresentasikan di konferensi IEEE Edge Computing terbaru oleh tim peneliti dari University of Arkansas. Tim, dipimpin oleh Dumitrel Loghin dari National University of Singapore, menguji tiga mode utama edge computing ini, dan menyimpulkan bahwa ketika datang ke kecepatan, itu adalah imbang antara tiga mode pengiriman data. Analisis berbasis pengukuran mereka "mengungkapkan lanskap performa 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 mempengaruhi performa."
Tim melakukan pengukuran mereka di tujuh aplikasi MapReduce yang berbeda pada dua perangkat edge daya rendah dan pada cloud AWS. Meskipun tidak semua aplikasi MapReduce cocok untuk pemrosesan edge-cloud hybrid, di antara yang ditemukan cocok, mereka menganalisis kecepatan di seluruh kluster edge dan cloud terpisah dan satu kluster edge-cloud tunggal.
Sejumlah faktor mempengaruhi performa, termasuk karakteristik aplikasi, seperti selektivitas, dan bandwidth edge-cloud, menurut peneliti. Sebagai contoh, dua aplikasi Hadoop primer yang diukur menunjukkan kecepatan yang bervariasi berdasarkan link jaringan intra- dan inter-kluster. Kluster MapReduce hybrid tunggal 41% dan 63% lebih lambat daripada kluster edge dan cloud terpisah untuk beberapa proses yang dipilih, tetapi 85% dan 100% lebih cepat untuk yang lain.
Peneliti juga mencatat bahwa pengaturan dibuat "menggunakan tiga wilayah AWS cloud, sehingga dua di antaranya mensimulasikan edge dan yang ketiga mewakili cloud. Kami memilih untuk mensimulasikan edge menggunakan instance cloud karena kami ingin menganalisis pengaruh waktu transfer dan bandwidth daripada efek hardware terhadap kecepatan cloud di atas edge. Dengan menggunakan jenis node yang sama untuk edge dan cloud, kami meminimalkan efek kecepatan cloud. Selain itu, kami menggunakan dua wilayah untuk edge karena
dalam skenario dunia nyata organisasi memiliki lebih dari satu kluster
edge untuk mengagregasi data dari."
