Versnellen van analyses: Edge, hybride en cloud-prestaties vergeleken

Bij het bepalen waar analyses uitgevoerd moeten worden, zijn toepassingskenmerken en edge-cloud overdrachtsbandbreedte de sleutelfactoren die prestaties beïnvloeden.

In recent jaar is er een duwing naar de edge met de formulering van "fog computing", waarbij assets en verwerking worden geïmplementeerd waar ook geschikt langs het spectrum tussen gecentraliseerde cloud en edge-omgeving, voor de toepassing in kwestie.

Naarmate we bedrijven in de realtime-economie brengen, is er discussie over welk stadium van het spectrum de optimale prestaties of snelste responsiviteit levert. Cloudservices bieden capaciteit en verwerking on-demand waar en wanneer nodig, maar worden vaak vertraagd door latentieproblemen omdat data en commando's via diverse netwerken van netwerken worden verzonden. Hybride arrangementen bieden een zekere mate van lokale verwerking en dataverplaatsing kan worden versneld door in-memory systemen, maar snelheden kunnen inconsistent zijn. Het verplaatsen van verwerking naar edge-apparaten volledig kan snelle on-site analyses leveren, maar kan niet gemakkelijk over bedrijven gedeeld worden.

Zie ook: Waarom edge computing IoT kan helpen zijn volle potentieel te bereiken

Dat is de kern van een presentatie en paper gepresenteerd op de recente IEEE Edge Computing conferentie door een team onderzoekers van de Universiteit van Arkansas. Het team, geleid door Dumitrel Loghin van de Nationale Universiteit van Singapore, testte deze drie grote modi van edge computing en concludeert dat wat snelheden betreft, het gelijkspel is tussen de drie modi van datalevering. Hun meting-gedreven analyse "onthult een divers prestatielandschap waar er geen duidelijke winnaar is onder cloud-only, edge-only en hybride verwerking. Toepassingskenmerken en edge-cloud overdrachtsbandbreedte zijn echter de sleutelfactoren die prestaties beïnvloeden."

Het team voerde hun metingen uit over zeven verschillende MapReduce-toepassingen op twee low-power edge-apparaten en op AWS cloud. Terwijl niet alle MapReduce-toepassingen geschikt zijn voor hybride edge-cloud verwerking, analyseerden ze bij de geschikte snelheden over zowel afzonderlijke edge- en cloud-clusters als een enkel edge-cloud cluster.

Verschillende factoren beïnvloedden prestaties, waaronder toepassingskenmerken, zoals selectiviteit, en edge-cloud bandbreedte, vonden de onderzoekers. De twee primaire Hadoop-toepassingen die gemeten werden, toonden variërende snelheden gebaseerd op intra- en inter-cluster netwerklinks. Het enkele hybride MapReduce-cluster is 41% en 63% langzamer dan afzonderlijke edge- en cloud-clusters voor sommige geselecteerde processen, maar 85% en 100% sneller voor anderen.

De onderzoekers merken ook op dat de opstellingen "gemaakt zijn met drie AWS cloud-regio's, zodat twee van hen de edge simuleren en de derde de cloud vertegenwoordigt. We kiezen om de edge te simuleren met cloud-instanties omdat we de invloed van overdrachttijd en bandbreedte willen analyseren in plaats van het effect van hardware op cloud-versnelling ten opzichte van de edge. Door hetzelfde type knooppunten voor edge en cloud te gebruiken, minimaliseren we het effect van cloud-versnelling. Bovendien gebruiken we twee regio's voor de edge omdat in real-world scenario's organisaties meer dan één edge-cluster hebben om data te aggregateren."