Analytics beschleunigen: Edge, Hybrid und Cloud im Performance-Vergleich

Bei der Entscheidung, wo Analysen durchgeführt werden, sind Anwendungsmerkmale und Edge-Cloud-Transferbandbreite die entscheidenden Leistungsfaktoren.

Der Wandel zum Edge Computing

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

Mit dem Übergang in die Echtzeit-Wirtschaft wird diskutiert, welche Stufe des Spektrums die optimale Leistung oder schnellste Reaktionsfähigkeit liefert. Cloud-Dienste bieten Kapazität und Verarbeitung auf Abruf, werden aber oft durch Latenzprobleme gebremst, da Daten und Befehle durch verschiedene Netzwerke gesendet werden. Hybrid-Arrangements bieten lokale Verarbeitung, und Datenbewegungen können durch In-Memory-Systeme beschleunigt werden, doch Geschwindigkeiten können inkonsistent sein. Die Verarbeitung vollständig auf Edge-Geräte zu verlagern, liefert zwar schnelle Vor-Ort-Analysen, lässt sich aber nicht einfach unternehmensweit teilen.

Siehe auch: Warum Edge Computing IoT zum vollen Potenzial verhelfen kann

Forschungsergebnisse: Kein klarer Gewinner

Das ist die Quintessenz einer Präsentation und eines Papers auf der jüngsten IEEE Edge Computing Conference durch ein Forscherteam der University of Arkansas. Das Team, geleitet von Dumitrel Loghin von der National University of Singapore, testete diese drei Hauptmodi des Edge Computing und kommt zum Schluss: Bei der Geschwindigkeit gibt es ein Unentschieden zwischen den drei Datenbereitstellungsmodi. Ihre messbasierte Analyse „enthüllt eine vielfältige Performancelandschaft, in der es keinen klaren Sieger unter Cloud-only, Edge-only und Hybrid-Verarbeitung gibt. Allerdings sind Anwendungsmerkmale und Edge-Cloud-Transferbandbreite die entscheidenden Leistungsfaktoren.“

Das Team führte Messungen an sieben verschiedenen MapReduce-Anwendungen auf zwei Low-Power-Edge-Geräten und in der AWS-Cloud durch. Nicht alle MapReduce-Anwendungen eignen sich für hybride Edge-Cloud-Verarbeitung; unter den geeigneten analysierten sie Geschwindigkeiten sowohl über separate Edge- und Cloud-Cluster als auch über einen einzelnen Edge-Cloud-Cluster.

Verschiedene Faktoren beeinflussten die Performance, darunter Anwendungsmerkmale wie Selektivität und Edge-Cloud-Bandbreite. Beispielsweise zeigten die zwei primären Hadoop-Anwendungen unterschiedliche Geschwindigkeiten basierend auf Intra- und Inter-Cluster-Netzwerkverbindungen. Der einzelne hybride MapReduce-Cluster war bei einigen ausgewählten Prozessen 41 % und 63 % langsamer als separate Edge- und Cloud-Cluster, aber 85 % und 100 % schneller bei anderen.

Die Forscher merken an, dass die Setups „mit drei AWS-Cloud-Regionen erstellt wurden, wobei zwei den Edge und die dritte die Cloud simulieren. Wir wählten die Cloud-Instanzen zur Edge-Simulation, um den Einfluss von Transferzeit und Bandbreite zu analysieren, nicht den Hardware-Effekt auf Cloud-Speedup über Edge. Durch Verwendung derselben Knotentypen für Edge und Cloud minimieren wir den Cloud-Speedup-Effekt. Zudem nutzen wir zwei Regionen für den Edge, da Organisationen in realen Szenarien mehr als einen Edge-Cluster zur Datenaggregation haben.“