Door de mist snijden:de snelheid van Edge, Hybrid en All-Cloud

In de afgelopen jaren is er een duw in de richting van de edge geweest met de formulering van 'fog computing', waarbij activa en verwerking worden ingezet waar nodig langs het spectrum tussen gecentraliseerde cloud en edge-omgeving, voor de applicatie die voorhanden is.

Terwijl we ondernemingen naar de realtime economie brengen, is er discussie geweest over welke fase van het spectrum de optimale prestaties of snelste reactietijd levert. Cloudservices bieden capaciteit en verwerking op aanvraag waar en wanneer dat nodig is, maar worden vaak vertraagd door latentieproblemen omdat gegevens en opdrachten via verschillende netwerken of netwerken worden verzonden. Hybride arrangementen bieden een zekere mate van lokale verwerking en gegevensverplaatsing kan worden versneld door in-memory systemen, maar snelheden kunnen inconsistent zijn. Het volledig verplaatsen van verwerking naar edge-apparaten kan snelle analyses ter plaatse opleveren, maar kan niet gemakkelijk worden gedeeld door ondernemingen.

Zie ook: Waarom Edge Computing IoT kan helpen het volledige potentieel te bereiken

Dat is de kern van een presentatie en paper gepresenteerd op de recente IEEE Edge Computing-conferentie door een team van onderzoekers van de Universiteit van Arkansas. Het team, geleid door Dumitrel Loghin van de National University of Singapore, testte deze drie belangrijkste vormen van edge computing en concludeert dat als het gaat om snelheden, het een gelijkspel is tussen de drie manieren van gegevenslevering. Hun meetgestuurde analyse "onthult een divers prestatielandschap waar er geen duidelijke winnaar is tussen cloud-only, edge-only en hybride verwerking. Echter, applicatiekenmerken en edge-cloud overdrachtsbandbreedte zijn de belangrijkste factoren die de prestaties beïnvloeden.”

Het team voerde hun metingen uit in zeven verschillende MapReduce-applicaties op twee low-power edge-apparaten en op AWS-cloud. Hoewel niet alle MapReduce-applicaties geschikt zijn voor hybride edge-cloudverwerking, analyseerden ze van de applicaties die wel geschikt waren, snelheden over zowel afzonderlijke edge- als cloudclusters en een enkele edge-cloudcluster.

Een aantal factoren beïnvloedde de prestaties, waaronder applicatiekenmerken, zoals selectiviteit en edge-cloud-bandbreedte, ontdekten de onderzoekers. De twee primaire gemeten Hadoop-applicaties vertoonden bijvoorbeeld verschillende snelheden op basis van intra- en interclusternetwerkverbindingen. Het enkele hybride MapReduce-cluster is 41% en 63% langzamer dan afzonderlijke edge- en cloudclusters voor sommige geselecteerde processen, maar 85% en 100% sneller voor andere.

De onderzoekers merken ook op dat de opstellingen zijn gemaakt "met behulp van drie AWS-cloudregio's, zodat twee van hen de rand simuleren en de derde de cloud vertegenwoordigt. We kiezen ervoor om de edge te simuleren met cloud-instances omdat we de invloed van overdrachtstijd en bandbreedte willen analyseren in plaats van het effect van hardware op cloud-versnelling over de edge. Door hetzelfde type nodes te gebruiken voor de edge en de cloud, minimaliseren we het effect van cloudversnelling. Bovendien gebruiken we twee regio's voor de rand omdat:
in real-world scenario's hebben organisaties meer dan één voordeel
cluster om de gegevens van samen te voegen.”