Zum Inhalt springen

On Edge Computing. Fragen und Antworten mit David Nguyen

Ursprünglich veröffentlicht von Roberto Zicari auf ODBMS.org

 

Q1. Was ist Edge Computing?

Edge Computing führt Rechenaktionen und Berechnungen mit Geräten mit geringem Stromverbrauch durch, die sich am Rande der Netzwerkkonnektivität befinden. Dadurch wird die Berechnung so nah wie möglich an die Quelle der Daten gebracht, die generiert und dann verbraucht werden. Es verhindert, dass alle Daten an ein Cloud-Datenbanksystem zurückgesendet werden müssen. Da Edge-Hardware immer leistungsfähiger und energieeffizienter wird, können diese Geräte immer mehr leisten. In einigen Fällen ermöglicht die zusätzliche Rechenleistung den Geräten selbst, unnötige Daten herauszufiltern oder andere ML- oder AI-bezogene Berechnungen durchzuführen, vorausgesetzt, sie haben eine ausreichend schnelle Möglichkeit, auf ihre Daten zuzugreifen und diese zu speichern.

Q2. Warum sollten wir uns darum kümmern?

Um eine möglichst schnelle Antwort auf Daten zu erhalten, müssen diese an der Quelle oder mit etwas direkt damit verbundenem Daten konsumiert werden, insbesondere in Fällen, in denen KI geschäftskritisch ist. Wir sehen sehr viele Anwendungsfälle beim autonomen Fahren, bei denen die Verzögerung beim Senden der Daten über ein Netzwerk an eine leistungsstarke Cloud-Compute-Engine und dann wieder zurück nicht schnell genug wäre. Eine selbstfahrende Anwendung, die auf einem Auto ausgeführt wird, muss in der Lage sein, alle eingehenden Daten von mehreren Kameras, LIDAR, RADAR und Ultraschall zu sehen und zu verarbeiten und diese schnell mit relevanten Kartendaten und möglichen Benutzereingaben zu kombinieren. Diese Berechnung muss am Auto selbst erfolgen, da es durchaus möglich ist, dass sich ein Auto in einer Situation befindet, in der kein Mobilfunkdatenzugriff besteht oder die erforderlichen 5G-Netzwerke noch nicht eingerichtet wurden. Ohne 5G wäre die Verzögerung zwischen einer Cloud-zu-Auto-Kommunikation zu groß für die erforderliche sofortige Reaktion. Im Gesundheitswesen verfügen alle medizinischen Geräte jetzt über Verarbeitungsleistung und können dem Gerätebenutzer relevante und wichtige Informationen sofort zur Verfügung stellen, indem sie die von ihnen generierten Informationen filtern und verarbeiten.

Q3. Welche Art von Infrastruktur (en) wird (werden) benötigt, um Edge-Computing zu unterstützen?

Das Edge-Gerät muss über eine gewisse Rechenleistung verfügen und über eine unterstützende Methode zum Speichern von Daten verfügen. Sei es reines RAM oder ein angeschlossenes physisches Speichermedium. Von dort aus ist eine Verbindung vom Edge-Gerät zu anderen Edge-Geräten oder einem Cloud-Backend ideal. Die Verbindung muss jedoch nicht konstant sein. Dies würde es dem Gerät ermöglichen, die von ihm erzeugten Daten zu nutzen, aber auch wichtige Rückmeldungen / Informationen zur weiteren Analyse oder menschlichen Reaktion in der Kette zu senden.

Q4. In einer Cloud-basierten Umgebung werden alle Daten in die Cloud übertragen, wo sie verarbeitet werden. Beim Edge-Computing landet nur ein kleiner Teil der Daten in den Cloud-Rechenzentren. Wohin geht der Rest der Daten?

Der Rest der Daten wird auf dem Edge-Gerät selbst verbraucht und für die Berechnung verwendet, sodass keine Daten in die Cloud übertragen werden müssen. Während die Daten eingehen, würde eine Kantendatenbank ermöglichen, dass die Daten gespeichert und dann durchgefiltert werden. Dann können basierend auf diesen Daten Maßnahmen ergriffen werden. Von dort können nur die wichtigen Informationen an das Cloud-Rechenzentrum gesendet werden, der Rest wird verworfen. Es kann sicher verworfen werden, da aufgrund der Edge-Computing-Fähigkeit der Geräte bereits die erforderlichen Maßnahmen ergriffen wurden.

Q5. Welche Rolle spielt Raima beim Edge-Computing?

Raima ist das leistungsstärkste Edge-Datenbanksystem. Es hilft dabei, den Prozessor und den RAM in einem Edge-Computing-Gerät freizugeben, da Raima nur sehr wenig CPU-Verarbeitungsleistung und RAM (200 KB) benötigt, um Daten effizient und kompakt zu speichern, und gleichzeitig ein hocheffizientes und schnelles Nachschlagen und Abrufen dieser Daten ermöglicht. Mit dieser freigegebenen CPU und dem freigegebenen RAM kann der Anwendungsentwickler nun einen Teil der Rechenleistung des Edge-Geräts für die Verarbeitung dieser wichtigen Daten verwenden.

Qx. Möchten Sie noch etwas hinzufügen?

Angesichts der enormen Datenmengen, die derzeit in der Welt gesammelt werden, wird Cloud Computing nicht annähernd ausreichen, um damit Schritt zu halten. Edge Compute ist erforderlich, um als erster Filter für diese großen Mengen eingehender Daten zu fungieren, sodass nur die wichtigen Informationen nach oben gesendet werden.

 

David Nguyen ist der Director of Engineering & QA bei Raima. Er begann seine Karriere als QA-Software-Ingenieur mit der Arbeit an der Erstellung und Wartung eines vollautomatisierten QA-Test-Frameworks und eines vollständigen täglichen Build-Systems. Als Director of Engineering leitet er die Entwicklung bei der Modernisierung der Datenbankproduktlinie mit einem Schwerpunkt auf KI, autonomem Fahren und Edge-IoT und stellt gleichzeitig sicher, dass das Kundenerlebnis so einfach und benutzerfreundlich wie möglich ist. David hat einen BS in Mathematik und Informatik von der University of Washington.