محاسبات لبه (Edge Computing) یک رویکرد شبکه‌ای است که بر انتقال توان محاسباتی نزدیک به منبع تولید داده تمرکز دارد. هدف اصلی از این کار، کاهش تأخیر (Latency) و مصرف پهنای باند است. به زبان ساده‌تر، محاسبات لبه به معنای انتقال فرایندها از فضای ابری به موقعیت‌هایی نزدیک‌تر به کاربر یا دستگاه‌هایی مثل کامپیوتر کاربر، دستگاه‌های اینترنت اشیا (IoT) یا سرورهای لبه است. انتقال محاسبات به لبه شبکه میزان ارتباطات طولانی میان سرور و کلاینت را به حداقل می‌رساند.

لبه شبکه (Network Edge) چیست؟

برای دستگاه‌های متصل به اینترنت، لبه شبکه نقطه‌ای است که دستگاه یا شبکه محلی آن با اینترنت ارتباط برقرار می‌کند. مفهوم «لبه» کمی مبهم است؛ برای مثال، کامپیوتر کاربر، پردازنده دوربین IoT، روتر کاربر، ISP و سرور محلی همه می‌توانند لبه شبکه محسوب شوند. نکته کلیدی این است که لبه شبکه به لحاظ جغرافیایی بسیار نزدیک‌تر به دستگاه است تا سرورهای مبدأ و سرورهای ابری که ممکن است فاصله زیادی داشته باشند.

تفاوت محاسبات لبه با سایر مدل‌های محاسباتی

تاریخچه محاسبات نشان می‌دهد که مدل‌های مختلفی برای اجرای برنامه‌ها به وجود آمده است:

• محاسبات اولیه: اجرای برنامه‌ها فقط روی یک کامپیوتر مرکزی
• محاسبات شخصی (Personal Computing): برنامه‌ها به صورت محلی روی کامپیوتر کاربران اجرا می‌شدند.
• محاسبات ابری (Cloud Computing): اجرای برنامه‌ها به صورت متمرکز در مراکز داده ابری که از هر جایی قابل دسترس هستند.
• 

  محاسبات لبه (Edge Computing): اجرای برنامه‌ها در نزدیکی کاربران، به صورت محلی یا در لبه شبکه

محاسبات لبه تأخیر ارتباط با مراکز داده ابری را کاهش داده و در عین حال ویژگی‌های محاسبات ابری را حفظ می‌کند.

مثال کاربردی محاسبات لبه

یک ساختمان را فرض کنید که ده‌ها دوربین امنیتی IoT دارد. این دوربین‌ها معمولاً به صورت پیوسته داده‌ها را به سرور ابری ارسال می‌کنند تا پردازش‌هایی مثل تشخیص حرکت انجام شود. این امر باعث مصرف پهنای باند و فشار زیاد روی سرور ابری می‌شود.

اما اگر محاسبات تشخیص حرکت در لبه انجام شود، هر دوربین به‌صورت مستقل این عملیات را انجام داده و فقط اطلاعات مهم را به سرور ارسال می‌کند. در این صورت پهنای باند به شدت کاهش می‌یابد و سرور می‌تواند دوربین‌های بیشتری را بدون فشار اضافی پشتیبانی کند.

موارد کاربرد محاسبات لبه

• سیستم‌های امنیتی: بهبود کارایی و کاهش مصرف پهنای باند
• دستگاه‌های اینترنت اشیا (IoT): اجرای کد محلی برای تعامل سریع‌تر و کارآمدتر
• خودروهای خودران: تصمیم‌گیری سریع و بلادرنگ بدون نیاز به ارتباط با سرور مرکزی
• کش (Caching) کارآمد: بهبود سرعت دسترسی کاربران به داده‌ها از طریق کش در شبکه لبه
• تجهیزات پزشکی: پاسخگویی فوری بدون نیاز به ارتباط با سرور ابری
• ویدئو کنفرانس: کاهش تأخیر و مصرف پهنای باند با پردازش داده‌ها در نزدیکی کاربران

مزایای محاسبات لبه

• کاهش هزینه‌ها: کاهش مصرف پهنای باند و منابع سرور
• افزایش عملکرد: کاهش تأخیر در انتقال داده‌ها
• کارایی بهتر: انجام تحلیل و پردازش داده‌ها به صورت بلادرنگ
• افزودن قابلیت‌های جدید: پردازش محلی داده‌ها امکان عملکردهای جدید را فراهم می‌کند

معایب محاسبات لبه

• آسیب‌پذیری امنیتی بیشتر: افزایش تعداد دستگاه‌ها می‌تواند باعث افزایش نقاط آسیب‌پذیر شود.
• نیاز به سخت‌افزار محلی بیشتر: افزایش نیاز به سخت‌افزار محلی یا سرورهای لبه‌ای

یکی از راهکارهای کاهش این چالش‌ها استفاده از شبکه سرورهای لبه‌ای مانند شبکه جهانی Cloudflare است که دارای بیش از 335 موقعیت جغرافیایی است.

منبع: cloudflare