Durch den Nebel schneiden:Die Geschwindigkeit von Edge, Hybrid und All-Cloud

Bei der Bestimmung, wo die Analyse durchgeführt werden soll, sind Anwendungsmerkmale und Edge-Cloud-Übertragungsbandbreite die Schlüsselfaktoren, die sich auf die Leistung auswirken.

In den letzten Jahren gab es mit der Formulierung des „Fog Computing“ einen Vorstoß in Richtung Edge, bei dem Assets und Verarbeitung dort eingesetzt werden, wo es für die jeweilige Anwendung geeignet ist, entlang des Spektrums zwischen zentralisierter Cloud und Edge-Umgebung.

Während wir Unternehmen in die Echtzeitwirtschaft verlagern, wurde darüber diskutiert, welche Stufe des Spektrums die optimale Leistung oder die schnellste Reaktionsfähigkeit bietet. Cloud-Dienste bieten Kapazität und Verarbeitung nach Bedarf, wo und wann immer sie benötigt werden, werden jedoch oft durch Latenzprobleme verlangsamt, wenn Daten und Befehle über verschiedene Netzwerke von Netzwerken gesendet werden. Hybridanordnungen bieten ein gewisses Maß an lokaler Verarbeitung, und die Datenbewegung kann durch In-Memory-Systeme beschleunigt werden, aber die Geschwindigkeiten können inkonsistent sein. Die vollständige Verlagerung der Verarbeitung auf Edge-Geräte kann schnelle Vor-Ort-Analysen ermöglichen, kann jedoch nicht ohne Weiteres von Unternehmen gemeinsam genutzt werden.

Siehe auch: Warum Edge-Computing dem IoT helfen kann, sein volles Potenzial auszuschöpfen

Das ist der Kern einer Präsentation und eines Papiers, die auf der jüngsten IEEE Edge Computing-Konferenz von einem Forscherteam der University of Arkansas präsentiert wurden. Das Team unter der Leitung von Dumitrel Loghin von der National University of Singapore hat diese drei Hauptarten des Edge-Computing getestet und kommt zu dem Schluss, dass es in Bezug auf die Geschwindigkeit ein Unentschieden zwischen den drei Arten der Datenbereitstellung gibt. Ihre messungsgesteuerte Analyse „zeigt eine vielfältige Leistungslandschaft auf, in der es keinen klaren Gewinner zwischen reiner Cloud-, reiner Edge- und hybrider Verarbeitung gibt. Anwendungsmerkmale und Edge-Cloud-Übertragungsbandbreite sind jedoch die Schlüsselfaktoren, die die Leistung beeinflussen.“

Das Team führte seine Messungen über sieben verschiedene MapReduce-Anwendungen auf zwei Low-Power-Edge-Geräten und in der AWS-Cloud durch. Obwohl nicht alle MapReduce-Anwendungen für die Hybrid-Edge-Cloud-Verarbeitung geeignet sind, analysierten sie unter den Anwendungen, die sich als geeignet herausstellten, die Geschwindigkeiten sowohl über separate Edge- und Cloud-Cluster als auch über einen einzelnen Edge-Cloud-Cluster hinweg.

Die Forscher fanden heraus, dass eine Reihe von Faktoren die Leistung beeinflussten, darunter Anwendungsmerkmale wie Selektivität und Edge-Cloud-Bandbreite. Beispielsweise zeigten die beiden gemessenen primären Hadoop-Anwendungen unterschiedliche Geschwindigkeiten basierend auf Intra- und Inter-Cluster-Netzwerkverbindungen. Der einzelne hybride MapReduce-Cluster ist bei einigen ausgewählten Prozessen 41 % bzw. 63 % langsamer als separate Edge- und Cloud-Cluster, bei anderen jedoch 85 % bzw. 100 % schneller.

Die Forscher stellen auch fest, dass die Setups „unter Verwendung von drei AWS-Cloud-Regionen erstellt wurden, sodass zwei davon den Edge simulieren und der dritte die Cloud darstellt. Wir haben uns entschieden, den Edge mithilfe von Cloud-Instanzen zu simulieren, da wir den Einfluss von Übertragungszeit und Bandbreite und nicht die Auswirkung von Hardware auf die Cloud-Beschleunigung über den Edge analysieren möchten. Indem wir denselben Knotentyp für Edge und Cloud verwenden, minimieren wir den Effekt der Cloud-Beschleunigung. Außerdem verwenden wir zwei Regionen für den Rand, weil
In realen Szenarien haben Organisationen mehr als einen Vorteil
Cluster, aus dem die Daten aggregiert werden.“