‫ گسترش اینترنت اشیاء برای پاسخگویی به نیازهای شرکت

متعادل ساختن رایانش ابری و لبه‌ای

شرکت‌ها به طور فزاینده‌ای در حال تکمیل راه‌حل‌های اینترنت اشیاء مبتنی بر ابر خود با استفاده از رایانش لبه‌ای  هستند تا تجزیه و تحلیل داده‌ها را تسریع کنند و با سرعت بیشتر، تصمیمات بهتری بگیرند.
تا چند سال گذشته، بسیاری انتظار داشتند که تمامی متعلقات اینترنت اشیاء به فضای ابری منتقل شود- چه بسا که بسیاری از موارد مرتبط با مشتری در اینترنت اشیاء در حال حاضر در همان جا حضور دارد- اما یکی از مبانی اساسی در طراحی و ساخت راه‌حل‌های اینترنت اشیاء در مقیاس سازمانی، استفاده متعادل از رایانش ابری و لبه‌ای است. بیشتر راه‌حل‌های اینترنت اشیاء در حال حاضر به ترکیبی از رایانش ابری و لبه‌ای احتیاج دارند. در مقایسه با راه‌حل‌های فقط ابری، راه‌حل‌های ترکیبی که رایانش لبه‌ای را نیز شامل می‌شوند، می‎توانند تاخیر را کاهش و مقیاس‌پذیری و دسترسی به اطلاعات را افزایش دهند تا بتوان تصمیمات بهتر و سریع تری اتخاذ کرد و در نتیجه شرکت‌ها چابک‌تر شوند.
همان طور که گفته شد، پیچیدگی ارائه شده توسط رایانش لبه‌ای باید اهداف موجود شامل مقیاس، سرعت و انعطاف‌پذیری را در بر بگیرد. انتخابی که بیش از حد در یک جهت پیش برود معمولاً باعث پیچیدگی‌ها و هزینه‌های عملیاتی قابل توجهی خواهد شد. در نهایت، سازمان باید تمامی فاکتورهایی که اهداف خاص در طراحی و ساخت راه‌حل‌های اینترنت اشیاء را نشان می‌دهد در نظر بگیرد.
در این مقاله، ما در مورد زمان و چگونگی بهره‌برداری بهینه از مفاهیم ابری و لبه‌ای در راه‌حل‌های اینترنت اشیاء بحث می‌کنیم. ما نقش‌های رایانش ابری و لبه‌ای، دلایل نیازمندی به لبه و چگونگی انتخاب روش حل را توضیح می‌دهیم. همچنین برخی از پیچیدگی‌ها با رایانش لبه‌ای و چند نمونه‌ی عملی را توضیح می دهیم.

رایانش لبه‌ای چیست؟

رایانش لبه‌ای یک ویژگی معماری توزیع‌شده، مانند پردازش و ذخیره‌سازی است که در نزدیکی منبع داده – و حتی گاهی اوقات بر روی خود منبع داده - واقع شده است. به عنوان مثال می‌توان به دوربین‌هایی با امکان پردازش بینایی روی دستگاه و تجهیزات پزشکی پوشیدنی اشاره کرد که داده‌ها را از طریق بلوتوث به تلفن همراه ارسال می‌کنند. با در نظر گرفتن این ویژگی‌ها، امروزه استفاده متعادل از هر دوی رایانش ابری و لبه‌ای اغلب یکی از نیازهای اصلی طراحی و ساخت راه‌حل‌های اینترنت اشیاء در مقیاس سازمانی تلقی می‌شود.
نماینده‌ی عملکرد اصلی که عمدتا در لبه استفاده می‌شود در شکل 1 قابل مشاهده است.

 
انفجار فضای ابری و چالش تأخیر: وارد شدن به عرصه‌ی رایانش لبه‌ای

ما در دهه گذشته یک انفجار واقعی از استفاده از فضای ابری را تجربه کرده‌ایم. عملکرد فناوری اطلاعات بسیاری از شرکت‌های مدرن به طور انحصاری، یا به طور عمده، در فضای ابری وجود دارد. از بین مزایای بسیار زیرساخت‌های فضای ابری می‌توان به مقرون به صرفه بودن، مقیاس‌پذیری، خودکارسازی، قابلیت همکاری با سیستم‌های سنتی دفتر کار و عملکرد متمرکز اشاره کرد.
در همین دهه، میزان داده‌های تولید‌شده توسط حسگر نیز به شدت رشد کرده است و انتظار می‌رود این روند در سال های آینده نیز ادامه داشته باشد. از آن جا که داده‌ها ممکن است اساساً پس از تولید، گاهی در طی میلی ثانیه، بی‌ارزش شوند، سرعتی که سازمان‌ها می‌توانند داده‌ها را به بینش و سپس به عمل تبدیل کنند، عموماً مأموریت اساسی تلقی می‌شود. بنابراین، داشتن کمترین تأخیر ممکن بین تولید داده و تصمیم یا اقدام می‌تواند برای حفظ چابکی سازمان حیاتی باشد. با این حال، از آنجا که سرعت انتقال داده به سرعت نور محدود می‌شود، تنها با کاهش فاصله‌ای که داده باید طی کند، می‌توان چالش تأخیر را کاهش داد یا به طور کلی از آن جلوگیری کرد. در دنیایی که فقط فضای ابری وجود دارد، داده‌ها در نهایت صدها یا حتی هزاران مایل را طی می‌کنند. بنابراین در مواردی که تأخیر برای یک راه حل مهم است، رایانش لبه‌ای می‌تواند کلیدی باشد.
طبق یک تخمین، 55 درصد از داده‌های اینترنت اشیاء به زودی می‌توانند در نزدیکی منبع پردازش شوند. چه در دستگاه و چه از طریق رایانش لبه‌ای. در واقع، مقیاس نقش مهمی در این تغییر احتمالی ایفا می کند. تقاضای فزاینده‌ی‌‌‌‌ داده به احتمال زیاد تمرکز را روی تأخیر قرار می‌دهد و کاهش تأخیر می‌تواند به طور چشمگیری زمان پاسخ را بهبود بخشد، در نتیجه باعث صرفه‌جویی در وقت و هزینه می‌شود.

شکل 2 مقیاس نسبی تأخیرهای معمول ، از دستگاه تا ابر عمومی را نشان می دهد.

مزایای رایانش لبه‌ای در راه‌حل‌های اینترنت اشیاء بسیار زیاد است: این فقط مربوط به تأخیر نیست. تأخیر تنها یکی از دلایل بسیاری است که باعث می‌شود عملکرد لبه‌ای به یک راه‌حل اینترنت اشیاء اضافه شود. لیست کاملی از مزایای بالقوه رایانش لبه‌ای در شکل 3 آورده‌ شده است.

 

در حیات بخشیدن به رایانش ابری و لبه‌ای، درک موارد دنیای واقعی می‌تواند تا حد زیادی کمک کننده باشد. تکامل مداوم فناوری مانند در دسترس بودن نهایی 5G، اغلب بر معادله‌ی هزینه/ تأخیر/ تعادل تأثیر می‌گذارد. بدین ترتیب، در نظر گرفتن شرایط فعلی در تصمیم‌گیری به جای پیش‌فرض قرار دادن گزینه های قبلی، ضروری است. توجه به همه‌ی محرک‌ها هنگام طراحی یک راه‌حل اینترنت اشیاء مهم است. زیرا ممکن است چندین محرک در یک شرایط خاص اعمال شوند.

ایجاد تعادل بین رایانش ابری و لبه‌ای در راه‌حل‌های اینترنت اشیاء

اینترنت اشیاء می‌تواند تأثیر چشمگیری بر توانایی چابک بودن سازمان داشته باشد. در زیر چند روش وجود دارد که در آن لبه و ابر به تجمیع و انتقال داده از طرف شرکت‌های متصل به اینترنت اشیاء کمک می‌کنند.

 

کارخانه‌های هوشمند

شرکت‌ها به سرعت به سمت یک معماری مبتنی بر رویداد و فرایندهای دیجیتالی خودکار در زمان واقعی حرکت می‌کنند. اما وقتی در نظر بگیرید که بسیاری از تولیدکنندگان چندین کارخانه در مناطق مختلف جغرافیایی دارند- هر کدام معمولاً دارای ویژگی‌های منحصر به فرد و نیازهای عملکردی هستند- چالش برای حفظ قابلیت تجزیه و تحلیل داده‌های منحصراً متمرکز در فضای ابری یا در یک مرکز داده شرکتی آشکار می‌شود.
مطمئناً رایانش ابری مزایای زیادی را به همراه دارد و مطمئناً در ساخت و ساز هوشمند نقش دارد. با استفاده از داده‌های موجود در فضای ابری، یک مرکز عملیات متمرکز می‌تواند سیستم‌ها و فرایندها را در یک مجموعه بزرگ، احتمالاً در سطح جهانی، رصد کند. همچنین می‌توان تجزیه و تحلیل مقایسه‌ای را در کل نمونه کارها انجام داد که می‌تواند پتانسیل بهینه سازی‌ها را تعیین کند.
با این حال، تصور می‌کنیم که یک معماری یکپارچه و ابری نوعی اتصال سریع و تقریباً بلامانع را که کارخانه‌های هوشمند به آن نیاز دارند فراهم می‌کند.

شکل 4 نحوه کار لبه و ابر را به طور معمول با حسگرها و دستگاه‌ها در یک سطح تولید نشان می دهد.

 
  لایه‌ی دستگاه  نشان دهنده تجهیزات جداگانه‌ای است که برای تعاملات فوری به فناوری عملیاتی محلی و قابلیت‌های اینترنت اشیاء متصل هستند. در این لایه، امتیازدهی یا استنتاج یادگیری ماشین انجام می‌شود که براساس مدل‌های یادگیری ماشین آموزش دیده در ابر انجام می‌شود. مقادیر قابل توجهی از داده‌های دستگاه خام نیز در اینجا ذخیره می‌شود.

• در حالی که لایه‌ی دستگاه قابلیت مشاهده و كنترل تك تك تجهیزات را فراهم می‌كند، لایه‌ی برنامه‌های كارخانه قابلیت مشاهده و كنترل در تمام تجهیزات متصل شده در یك كارخانه را فراهم می‌كند. لایه اتصال لبه اتصال لازم را بین تجهیزات جداگانه و برنامه‌های کاربردی فراهم می‌کند.
• لایه‌ی سازمانی که میزبان آن ابری است، عمدتا قابلیت مشاهده و برخی از کنترل ها را در چندین کارخانه فراهم می‌کند - نمای پورتفولیو. تجزیه و تحلیل شرکتی و الگوریتم‌های یادگیری ماشین در این لایه برای پیش‌بینی و فراهم کردن هوش عملی توسعه یافته‌اند- مدل های یادگیری ماشین که در اینجا آموزش دیده و دوباره آموزش می‌بینند از داده‌های کل پورتفولیو مجموعه تجهیزات کارخانه استفاده می‌کنند و سپس به لبه ها منتقل می‌شوند و در نهایت به با استفاده از نرم افزار اینترنت اشیاء در هر یک از تجهیزات، عملیات با کمک اطلاعات را هوشمندتر می‌کند.

 

ساختمان‌های هوشمند

    ظهور دستگاه‌های اینترنت اشیای هوشمند و همواره متصل، فرصتی ایجاد کرده است تا ساختمان‌ها- اعم از دفاتر، فروشگاه‌های خرده‌فروشی، کارخانه‌ها یا بیمارستان‌ها- به محیط‌هایی مقرون به صرفه و پاسخگو برای ارائه تجربیات استثنایی به استفاده‌کنندگان خود تبدیل شوند. ساختمان‌های هوشمند سازه‌های متصل دیجیتالی هستند که برای بهبود تجربه کاربر، افزایش بهره‌وری، کاهش هزینه‌ها و کاهش خطرات فیزیکی و امنیت سایبری، اتوماسیون ساختاری بهینه و عملیاتی را با مدیریت فضای هوشمند ترکیب می‌کنند. ساختمان‌های هوشمند و دیجیتالی صنایع و کاربردهای مختلفی را در بر می‌گیرند، اما همه‌ی آن‌ها می‌توانند قابلیت‌های اساسی یکسانی را فراهم کنند: آنها انسان‌ها را به هم متصل می کنند، کنترل بهتری بر امکانات و عملیات فراهم می‌کنند، از راه‌های همکاری دیجیتالی پشتیبانی می‌کنند و دارندگان را قادر می سازند تا در استفاده از منابع، از جمله فضا، انرژی، آب و کارمندان صرفه‌جویی کنند. هر یک از این چهار قابلیت می‌تواند مبنایی برای ایجاد یک استراتژی هوشمند‌سازی ایجاد کند که می‌تواند مزایای قابل اندازه‌گیری داشته باشد. شکل 5 برخی از انواع مختلف حسگرها و برنامه‌هایی را که می‌توان در یک ساختمان هوشمند استفاده کرد نشان می‌دهد.

 

به عنوان مثال، 75 الی 80 درصد هزینه‌های چرخه‌ی عمر ساختمان مربوط به عملیات ساختمان است. تمام ساختمان‌های تجاری و بزرگ مسکونی موجود دارای نوعی سیستم اتوماسیون ساختمان (یا مدیریت) هستند که مواردی مانند سیستم تهویه مطبوع را کنترل می‌کند. به منظور معرفی ویژگی‌های ساختمان هوشمند، مانند روشنایی هوشمند با سنسورهای اشغال داخلی، و ارتباط اینها با سیستم اصلی، حداقل یک درگاه ورودی با برخی از قابلیت‌های اضافی که معمولاً با یک سرور لبه ارائه می‌شود ، مورد نیاز است.
قابلیت لبه می‌تواند داد‌ه‌ها (مثلا داده‌های اشغال) را از سنسورهایی که به صورت استراتژیک در یک میزبان ابری تعبیه شده‌اند که تجزیه و تحلیل‌های تخصصی انجام می‌دهد بگیرد. نتایج حاصل از این تجزیه و تحلیل‌ها را می توان از طریق دروازه  یا سرور لبه بازگردانید تا برنامه تجهیزات متصل به سیستم اصلی را به منظور بهینه‌سازی عملیات تغییر دهد. این پیکربندی برای دستیابی به نمای پورتفولیویی در مورد عملیات و شرایط ساختمان نیز ضروری است. رایانش لبه‌ای و ابری مدیریت هوشمندانه منابع را امکان‌پذیر می‌کنند.

 

پیچیدگی‌ها و چالش‌ها در گسترش . مقیاس‌پذیری راهکارهای اینترنت اشیاء با استفاده از هر دو رایانش لبه‌ای و ابری

اگرچه رایانش لبه‌ای مزایای خوبی دارد، اما همزمان می‌تواند پیچیدگی‌های عملیاتی و طراحی را به شما نشان دهد. پردازش لبه بسیار پراکنده است و اغلب دربرگیرنده‌ی مکان‎هایی است که دسترسی به آن‌ها دشوار یا غیر ممکن است. مانند سنسورها/ محرک‌ها و درگاه‎ها در دفاتر، گیاهان، دانشگاه‌ها، خطوط لوله و زمین‌ها و مکان‌های دور. هر سازمانی می‌تواند هزاران دستگاه و صدها دروازه یا درگاه مرتبط داشته باشد. همه‌ی نودهای لبه دارای سیستم عامل ، سیستم‌های عملیاتی، نوعی مجازی سازی و کانتینرها  و نرم‌افزار نصب‌شده هستند که برخی از آنها توسط تولید‌کنندگان و برخی دیگر توسط ارائه‌دهندگان راه‌حل ارائه می‌شوند. این ها باید توسط مالک/ مدیر این نودهای لبه به درستی مدیریت و نگهداری شوند و درجه‌ی زیادی از اتوماسیون (مانند پشتیبانی، وصله‌گذاری  ، به روزرسانی و نظارت) ضروری است.
تعداد مشکلات بالقوه بسیار زیاد است و عیب یابی در یک مدل پراکنده می‌تواند بسیار چالش برانگیز و پیچیده باشد. در بسیاری از موارد، تکنسین‌های خدمات میدانی ملزم هستند به طور منظم در محل حضور داشته باشند تا مواردی را که در نتیجه ارتقاء یا حتی تعمیر و نگهداری عمومی رخ می‌دهد برطرف کنند. این محرک‌ها همچنین متمایل به نیاز گسترده به رویکرد "نرم‌افزار همه چیز را تعریف کرده است" هستند. زیرا ارتقاء نرم‌افزار ساده‌تر از ارتقاء سخت‌افزار قابل دست‌یابی است.

 

به‌روز رسانی مداوم

    با در نظر نگرفتن چالش‌ها، رایانش ابری نگرانی‌های بسیاری را در زمینه‌های کلیدی فناوری اطلاعات برطرف کرده که باعث رسیدن به درجه‌ای از خدمات سلف سرویس و خودکارسازی شده است. پردازش لبه عملیا‌ت‌های معمول مرکز داده (تهیه، به روزرسانی، مدیریت تغییر و نظارت) را علاوه بر عملکردهای سطح بالای دیگر (مدیریت دستگاه، به روزرسانی مدل‌های یادگیری ماشین و غیره) نیاز دارد تا بر تمام نودهای لبه و خوشه‌ها اعمال شود.

 

سیاست‌ها و روش‌ها

سیاست‌ها و روش‌های مورد استفاده در مراکز داده سنتی معمولاً برای استقرار لبه‌ها که در چندین مکان توزیع می‌شوند و به طور قابل توجهی پویاتر از مراکز داده سنتی هستند، به راحتی قابل استفاده نیستند. انجام مدیریت عملیاتی چنین سیستمی یک چالش پیچیده است.

هزینه
در حالی که فضای ابری مقیاس‌پذیری بر اساس تقاضا را ارائه می‌دهد و به راحتی قابل تنظیم، خودکار و انعطاف پذیر است، اما ارائه‌ی این قابلیت‌ها در لبه می‌تواند هزینه‌بر و پیچیده باشد. توسعه‌ی لبه موجود برای امکان افزایش تعداد دستگاه‌ها و نودهای لبه می‌تواند سرمایه گذاری قابل توجهی در سخت افزار و نرم افزار اضافی داشته باشد و بر پیچیدگی کارها بیفزاید.

 

امنیت سایبری

گسترش ابر و مرکز داده تا لبه با چندین نود و دستگاه، به طور تصاعدی سطح حملات سایبری را افزایش می‌دهد. نقاط انتهایی ناامن، مانند دستگاه‌ها و نودهای لبه، می‌توانند به عنوان نقاط ورود به دارایی های ارزشمند در یک شبکه سازمانی محسوب شوند و برای اهداف پلید دیگری مانند حملات توزیع شده انکار سرویس  استفاده شوند. حفظ موقعیت فیزیکی و امنیت سایبری کلیه دارایی‌های موجود در لبه یک چالش پیچیده و حیاتی است.

 

نحوه‌ی تعیین نیاز به پردازش لبه در راهکارهای اینترنت اشیاء

    گنجاندن پیچیدگی‌های غیرضروری در یک راه‌حل می‌تواند پرهزینه، پرخطر و هدردهنده منابع باشد. بنابراین این که آیا می‌توان پردازش لبه را به یک راه حل اینترنت اشیاء اضافه کرد تصمیمی است که با دقت و براساس ارزیابی ریسک/ پاداش گرفته می‌شود. برای این منظور، شکل 6 برخی از رهنمودها را ارائه می‌دهد که ممکن است مفید باشد.

 

    در بسیاری از موارد استفاده از اینترنت اشیاء، با توجه به فناوری عملیاتی موجود، لبه به سادگی بخشی ضروری یا اجباری از راه حل است. اضافه کردن یک جزء با میزبان ابری، به درجاتی از محاسبات لبه ای نیاز دارد، حتی اگر در درجه اول یک دروازه یا درگاه باشد. به همین ترتیب، تمایل به افزودن قابلیت‌های هوشمند به زیرساخت‌های سیستم مدیریت ساختمان موجود و ایجاد نمای پورتفولیوی املاک مبتنی بر ابر، استفاده از برخی از قابلیت‌های پردازش لبه را ضروری می‌کند.

 

چالش های گسترش اینترنت اشیاءء با استفاده‌ی انحصاری از لبه یا ابر به تنهایی

طراحی یک راه‌حل بزرگ اینترنت اشیاء که اساساً هیچ کاری انجام نمی‌دهد و همه داده‌ها را برای اقدامات به ابر می‌فرستد، که اغلب از نظر استفاده از پهنای باند چالش‌های مقیاس‌بندی را ایجاد می‌کند، احتمالاً نیاز به ارتقاء زیرساخت‌های شبکه دارد. علاوه بر این، هنگامی که راه‌حل گسترده می‌شود، استفاده انحصاری از ابر می‌تواند نیاز به پیکربندی مجدد موتورهای ورودی یا اینجسشن  و توازن بار از طریق مداخله‌ی دستی داشته باشد.
پیچیدگی‌های معماری توزیع‌شده منحصراً مبتنی بر لبه (به خصوص معماری که ممکن است شامل پردازش توزیع‌شده باشد) کمتر نیست و با مقیاس افزایش می‌یابد. سیستم‌ها و مدیریت برنامه‌ها بسیار پیچیده هستند و ابزارهای مورد نیاز برای آنها هنوز بالغ نشده‌اند. در بسیاری از موارد، استقرار لبه‌ها به اندازه‌ی کافی قابلیت توسعه را در نظر نمی‌گیرند و این امر پشتیبانی از دستگاه‌ها و داده‌های بیشتر را پیچیده می‌کند.

 

از کجا شروع کنیم؟

اولین قدم ارزیابی این است که آیا اصلاً به رایانش لبه‌ای نیاز است یا خیر. ممکن است بهترین راه‌حل یک راه‌حل کاملا ابری باشد. گام بعدی تعیین توانایی‌های مورد نیاز در لبه و به دنبال آن تعیین مناسب‌ترین مدل استقرار، با توجه به اینکه پردازش لبه می‌تواند در دستگاه‌ها، دروازه‌ها یا درگاه‌ها، سرورهای لبه و احتمالاً در چند ردیف یا مراکز داده خرد باشد است. در قابلیت‌های رایانش، پاسخگویی و جایگذاری می‌تواند تنوع زیادی داشته باشد.
در بعضی موارد، راه‌حل‌های از پیش پیکربندی شده و به صورت بسته‌بندی‌شده در یک محصول واحد و یکپارچه، می توانند سادگی را در ازای انعطاف پذیری ارائه دهند.
توانایی فراهم‌شده توسط انعطاف اجزای خودساخته که از بهترین گونه‌ها هستند، بسیار جذاب است. با این وجود، در ازای توسعه و تثبیت نرم‌افزار یا محصول به دست می‌آید که که باعث طولانی شدن زمان ارائه راه‌حل می شود و تعدادی خطرات بالقوه را به همراه دارد.
توجه به تغییرات در چشم انداز محاسبه لبه مهم است. همان طور که انجام اثبات مفهوم  با طراحی استقرار مربوطه به منظور نهایی کردن بهترین انتخاب برای مورد استفاده  موجود اهمیت دارد.
یک متغیر دیگر نیز قابل توجه است - چشم انداز فروشنده رایانش لبه‌ای که در حال تغییر سریع است. بیشتر فروشندگان زیرساخت پلتفرم‌‌های اینترنت اشیاء یا تشخیص می‌دهند که رایانش لبه‌ای قسمت مهمی از بسیاری از راه‌حل‌های اینترنت اشیاء و سخت افزار تحویلی، مانند درگاه‌ها یا سرورها، با برخی پردازش داده‌ها، تجزیه و تحلیل‌ها و توانایی ذخیره‌سازی محلی است. این فروشندگان سخت‌افزار تمایل دارند که علاوه بر سایر قابلیت‌ها، برای مدیریت دستگاه، مدیریت پروتکل و تبدیل‌، به دیگران اعتماد کنند. محتمل است که ادغام قابل توجهی در این فضا اتفاق بیفتد، زیرا فروشندگان به دنبال ارائه‌ی راه‌حل‌های سرتاسری  هستند.

 

نکات

    دستگاه‌های اینترنت اشیاء و داده‌هایی که می‌توانند ارائه دهند، جهان و نحوه تعامل ما را تغییر می‌دهد. بیشتر دنیای اینترنت اشیای در ارتباط با مشتری، به دلیل مزایای بسیار در فضای ابری وجود دارد. با این حال، در بیشتر موارد، یک راه‌حل اینترنت اشیاء شامل ترکیبی از لبه و ابر است. آوردن آن به لبه می‌تواند تاخیر را کاهش و مقیاس پذیری و دسترسی به اطلاعات را افزایش دهد تا تصمیمات سریع‌تری گرفته شود و در نتیجه سازمان‌ها چابک‌تر شوند.
    در حالی که تصمیم‌گیری در مورد تعادل مناسب عملکرد لبه و ابر در یک راه‌حل اینترنت اشیاء انجام می‌شود، لازم است به خاطر داشته باشید که رایانش‌های لبه‌ای دارای تنظیمات مختلفی هستند و همه می‌توانند مزایای خاص خود را داشته باشند، اما همچنین می‌توانند چالش‌های منحصر به فردی به وجود آورند. پیچیدگی‌ها و هزینه‌های عملیاتی قابل توجهی در کوتاه‌ترین زمان ممکن رخ می‌دهند. بنابراین شرکت‌ها باید طیف کاملی از عوامل را هنگام طراحی و ساخت هر راه حل اینترنت اشیاء در نظر بگیرند.
    حتی در آن صورت، یک راه حل اینترنت اشیاء باید به همان سادگی که لازم است باشد و ساده‌تر از آن نباشد. برعکس، باید فقط به اندازه نیاز پیچیده باشد و پیچیده‌تر نباشد. این نکات به ظاهر ساده و در عین حال اساسی، می‌تواند در موفقیت یک راه‌حل تفاوت ایجاد کند.
    واضح است که هیچ پاسخ صحیحی در ارزیابی ابر و لبه در زمینه‌ی اینترنت اشیاء وجود ندارد. هر موقعیتی منحصر به فرد است. آنچه روشن است این است که تعادل بین رایانش ابری و لبه‌ای به احتمال زیاد معماری اینترنت اشیای فردا را تشکیل می دهد.

 

ترجمه مقاله https://www2.deloitte.com/content/dam/insights/us/articles/5104_Scaling-IoT/DI_Scaling-IoT-to-meet-enterprise-needs.pdf

منبع: www2.deloitte.com

ترجمه: هستی قادر آزاد