محاسبه یا رایانش مه یک زیرساخت محاسباتی غیر متمرکز است که در آن داده ها ، محاسبات ، ذخیره سازی و برنامه های کاربردی در جایی بین منبع داده و ابر قرار دارند. مانند محاسبه لبه ، محاسبه مه مزایا و توان ابر را در نزدیکی جایی که داده ها ایجاد و بر اساس آنها عمل می شود ، نزدیک می کند. به بیان دیگر می توان گفت گسترش خدمات ابری به دستگاه های لبه، محاسبه مه است.
دامنه محاسبه مه از لبه های بیرونی محل جمع آوری داده ها شروع می شود تا جایی که در نهایت ذخیره می شود. گره های مه نقش مهمی در کار کلی محاسبات مه ایفا می کنند زیرا داده ها را از منابع متعدد برای پردازش بیشتر جمع آوری می کنند. این گره ها به شکل توزیع شده در سراسر شبکه مستقر شده اند. داده ها با کمک آنها تجزیه و تحلیل می شوند. این گره ها به عنوان دسترسی محلی غیر متمرکز عمل می کنند ، بنابراین وابستگی به بستر ابر را برای تجزیه و تحلیل داده های جمع آوری شده کاهش می دهند.
خیلی از مردم محاسبه مه و محاسبه لبه را بجای هم بکار می برند چرا که از جهاتی شبیه هم هستند.
گفته می شود که مدیر خط تولید شرکت سیسکو اصطلاح محاسبات مه را ابداع کرده است و اغلب نیز با نام Cisco Fog Computing شناخته می شود و این یک نام ثبت شده است.
در سال 2015 ، سیسکو با همکاری مایکروسافت ، دل ، اینتل ، آرم و دانشگاه پرینستون کنسرسیوم OpenFog را تشکیل داد. سازمان های دیگر از جمله جنرال الکتریک (GE) ، فاکسکان و هیتاچی نیز در این کنسرسیوم مشارکت داشتند. اهداف اولیه این کنسرسیوم ارتقاء و استانداردسازی محاسبات مه بود. کنسرسیوم در سال 2019 با کنسرسیوم اینترنت صنعتی (Industrial Internet Consortium -IIC) ادغام شد.
طبق کنسرسیوم OpenFog که توسط Cisco راه اندازی شده است ، تفاوت اصلی بین محاسبه لبه و مه در جایی است که هوشمندی و توان محاسبه قرار می گیرد. در یک محیط کاملاً مه آلود ، اطلاعات در شبکه محلی (LAN) قرار دارد و داده ها از نقاط پایانی به درگاه مه منتقل می شوند ، سپس در آنجا به منابع برای پردازش و بازگشت انتقال داده می شوند.
در محاسبات لبه ، هوشمندی و توان می توانند در نقطه پایانی یا درگاه ارتباطی باشند. طرفداران محاسبه لبه از کاهش نقاط خرابی آن استقبال می کنند زیرا هر دستگاه به طور مستقل کار می کند و تعیین می کند که کدام داده را به صورت محلی ذخیره کند و کدام داده را برای تجزیه و تحلیل بیشتر به یک درگاه یا ابر ارسال کند. طرفداران محاسبه مه درمقابل محاسبات لبه می گویند که مقیاس پذیری آن بیشتر است و یک تصویر بزرگتر از شبکه را به نمایش می گذارد زیرا از چندین نقطه داده ها به آن وارد می شوند.
با این حال ، باید توجه داشت که برخی از مهندسان شبکه محاسبات مه را فقط یک برند سیسکو برای یک رویکرد در محاسبه لبه می دانند.
شبکه مه ، مکمل محاسبات ابری است و نه جایگزین آن. مه گرفتگی امکان کوتاه مدت تجزیه و تحلیل را فراهم می کند ، در حالی که ابر تجزیه و تحلیل طولانی مدت و منابع طولانی را انجام می دهد.
اگرچه دستگاهها و حسگرهای لبه محل تولید و جمع آوری داده ها هستند ، اما گاهی اوقات منابع محاسباتی و ذخیره ای برای انجام کارهای پیشرفته، تجزیه و تحلیل و یادگیری ماشین ندارند. اگرچه سرورهای ابری قدرت انجام این کار را دارند ، اما اغلب برای پردازش داده ها و پاسخ به موقع بسیار دور هستند.
علاوه بر این ، داشتن تمام نقاط پایانی ، متصل شدن و ارسال داده های خام به ابر از طریق اینترنت می تواند حریم خصوصی ، امنیت و پیامدهای حقوقی را به همراه داشته باشد ، به ویژه هنگام برخورد با مقررات متفاوت مربوط به داده های حساس در کشورهای مختلف.
برنامه های رایج محاسبات مه شامل شبکه های هوشمند ، شهرهای هوشمند ، ساختمان های هوشمند ، شبکه های خودرو و شبکه های تعریف شده توسط نرم افزار است.
فرایند کار محاسبه مه را می توان به شرح زیر توضیح داد:
مانند هر فناوری دیگری ، محاسبه مه دارای مزایا و معایب است. برخی از مزایای محاسبه مه شامل موارد زیر است:
البته محاسبه مه نیز معایبی دارد که برخی از آنها شامل موارد زیر است:
محاسبه مه و اینترنت اشیاء
از آنجا که رایانش ابری برای بسیاری از برنامه های اینترنت اشیا قابل استفاده نیست، محاسبه مه اغلب استفاده می شود. رویکرد توزیع شده آن نیازهای اینترنت اشیاء و اینترنت اشیاء صنعتی (IIoT) و همچنین حجم عظیمی از سنسورهای هوشمند و دستگاه های اینترنت اشیا را تأمین می کند که ارسال و سپردن پردازش آنها به ابر هزینه بر و زمان بر است. محاسبه مه پهنای باند مورد نیاز را و ارتباط رفت و برگشت بین حسگرها و ابر را کاهش می دهد ، که در حالت معمول می توانست بر عملکرد اینترنت اشیا تأثیر منفی بگذارد.
محاسبه مه و 5G
محاسبه مه یک معماری محاسباتی است که در آن مجموعه ای از گره ها داده ها را از دستگاه های اینترنت اشیا در لحظه دریافت می کنند. این گره ها ظرف چند میلی ثانیه پردازش زمان واقعی داده هایی را که دریافت می کنند را انجام می دهند. گره ها به صورت دوره ای اطلاعات خلاصه تحلیلی را به ابر ارسال می کنند. سپس یک برنامه مبتنی بر ابر، داده های دریافت شده از گره های مختلف را با هدف ارائه یک بینش عملی، تجزیه و تحلیل می کند.
این معماری به چیزی بیشتر از قابلیت های محاسباتی صرف نیاز دارد. اتصال سریع بین دستگاه های اینترنت اشیا و گره ها هم نیازاست. به یاد داشته باشید ، هدف این است که بتوانید داده ها را در عرض چند ثانیه پردازش کنید. البته ، گزینه های اتصال براساس مورد استفاده متفاوت است. به عنوان مثال ، یک حسگر اینترنت اشیا در طبقه کارخانه می تواند از اتصال سیمی استفاده کند. با این حال ، یک منبع متحرک ، مانند یک وسیله نقلیه مستقل ، یا یک منبع جدا شده ، مانند یک توربین بادی در وسط یک میدان ، به شکل متفاوتی از اتصال نیاز دارد.
شبکه 5G یک گزینه بسیار قانع کننده است زیرا یک اتصال سریع را فراهم می کند که برای تجزیه و تحلیل داده ها در لحظه مورد نیاز است.
منبع: IoT Agenda و Wisdomplexus