Vad är databehandling på gränsenheter?
Databehandling på gränsenheter är ett ramverk för distribuerad databehandling som gör att IoT-enheter snabbt kan bearbeta och agera på data i nätverksgränsen.
Förklaring av molnbaserad databehandling på gränsenheter
Med databehandling på gränsenheter kan enheter på fjärrplatser bearbeta data vid "gränsen" för nätverket, antingen via enheten eller en lokal server. Och när data behöver bearbetas i det centrala datacentret överförs endast de viktigaste data, vilket minimerar svarstiden.
Varför använder företag databehandling på gränsenheter?
Företag använder databehandling på gränsenheter för att förbättra svarstiderna för sina fjärranslutna enheter och för att få bättre insikter i tid från enhetsdata. Databehandling på gränsenheter gör realtidsberäkning möjlig på platser där det normalt inte skulle vara möjligt och minskar flaskhalsar i de nätverk och datacenter som stöder gränsenheter.
Utan databehandling på gränsenheter skulle den enorma mängden data som genereras av gränsenheter överbelasta de flesta av dagens affärsnätverk, vilket hindrade alla åtgärder i ett berört nätverk. IT-kostnaderna kan skjuta i höjden. Missnöjda kunder kan ta sin verksamhet någon annanstans. Värdefulla maskiner kan skadas eller vara mindre produktiva. Men viktigast av allt är att personalens säkerhet kan äventyras i branscher som förlitar sig på intelligenta sensorer för att skydda dem.
Hur fungerar databehandling på gränsenheter?
För att göra realtidsfunktioner möjliga för smarta appar och IoT-sensorer löser gränsberäkning tre relaterade utmaningar:
- Ansluta en enhet till ett nätverk från en fjärrplats.
- Långsam databearbetning på grund av nätverks- eller beräkningsbegränsningar.
- Gränsenheter som orsakar problem med nätverksbandbredd.
Framsteg inom nätverkstekniker, till exempel trådlöst 5G, har gjort det möjligt att lösa dessa utmaningar i global, kommersiell skala. 5G-nätverk kan hantera stora mängder data – till och från enheter och datacenter – nästan i realtid. (Det finns även ett trådlöst nätverk som använder kryptovaluta för att uppmuntra användare att utöka täckningen till områden som är svårare att nå.)
Men framsteg inom trådlös teknik är bara en del av lösningen för att få databehandling på gränsenheter att fungera i stor skala. Att vara selektiv om vilka data som ska inkluderas och exkluderas i dataströmmar över nätverk är också viktigt för att minska svarstiden och leverera realtidsresultat.
Ett exempel på databehandling på gränsenheter:
En säkerhetskamera i ett fjärrlager använder AI för att identifiera misstänkt aktivitet och skickar endast dessa specifika data till huvuddatacentret för omedelbar bearbetning. Så i stället för att kameran belastar nätverket 24 timmar per dag genom att hela tiden överföra alla dess bilder, skickar den bara relevanta videoklipp. Detta frigör företagets nätverksbandbredd och beräkningsbearbetningsresurser för andra användningsområden.
Användningsfall och exempel för databehandling på gränsenheter
Fler användningsfall för molnbaserad databehandling på gränsenheter:
- En butik 1 000 miles från företagets primära datacenter använder trådlösa kassaenheter för att omedelbart bearbeta betalningar.
- En oljerigg mitt i havet använder IoT-sensorer och AI för att snabbt identifiera utrustningsfel innan de eskalerar.
- Ett bevattningssystem i ett fjärrfält justerar mängden vatten som används i realtid genom att identifiera markfuktighetsnivåer.
Varför är databehandling på gränsenheter viktigt?
Fördelarna med databehandling på gränsenheter är stora, från arbetsplatssäkerhet till säkerhet och produktivitet:
Offentligt moln
Effektivare verksamhet. Databehandling på gränsenheter hjälper företag att optimera sina dagliga åtgärder genom att snabbt bearbeta stora mängder data på eller nära de lokala platser där dessa data samlas in. Detta är mer effektivt än att skicka alla insamlade data till ett centraliserat moln eller ett primärt datacenter flera tidszoner bort, vilket skulle orsaka för stora nätverksfördröjningar och prestandaproblem.
Privat moln
Snabbare svarstider. Databehandling på gränsenheter kringgår centraliserade moln- och datacenterplatser så att företag kan bearbeta data snabbare och mer tillförlitligt, i realtid eller nära dem. Tänk på datafördröjningen, flaskhalsarna i nätverket och den försämrade datakvaliteten som kan uppstå när du försöker skicka information från tusentals sensorer, kameror eller andra smarta enheter till ett centralt kontor på en gång. I stället gör databehandling på gränsenheter att enheter vid eller nära nätverksgränsen omedelbart kan varna nyckelpersonal och utrustning för mekaniska fel, säkerhetshot och andra kritiska incidenter så att snabba åtgärder kan vidtas.
Hybridmoln
Större produktivitet för anställda. Med databehandling på gränsenheter kan företag snabbare leverera de data som personalen behöver för att slutföra sina arbetsuppgifter så effektivt som möjligt. Och på smarta arbetsplatser som drar nytta av automatisering och förutsägande underhåll ser gränsberäkning till att den utrustning som personalen behöver körs smidig, utan avbrott eller lätt att förhindra misstag.
Offentligt moln
Förbättrad säkerhet på arbetsplatsen. I arbetsmiljöer där felaktig utrustning eller förändringar i arbetsförhållanden kan orsaka skador eller värre kan IoT-sensorer och gränsberäkning hjälpa till att skydda människor. Till exempel kan förutsägande underhåll och realtidsdata som analyseras på eller nära utrustningsplatsen öka säkerheten för arbetare och minimera påverkan på miljön på oljeriggar, oljepipelines och andra avlägsna industriella användningsfall.
Privat moln
Funktioner på avlägsna platser. Databehandling på gränsenheter gör det enklare att använda data som samlas in på fjärranslutna platser där Internetanslutningen är tillfällig eller nätverksbandbredden är begränsad, till exempel att åka ombord på ett fiskefartyg i Berings hav eller på en vingård på den italienska landsbygden. Driftdata som vatten- eller jordkvalitet kan ständigt övervakas av sensorer och åtgärdas vid behov. När Internetanslutningen blir tillgänglig kan relevanta data överföras till ett centralt datacenter för bearbetning och analys.
Hybridmoln
Ökad säkerhet. För företag är säkerhetsrisken med att lägga till tusentals Internetanslutna sensorer och enheter i nätverket ett verkligt problem. Databehandling på gränsenheter bidrar till att minska den här risken genom att göra det möjligt för företag att bearbeta data lokalt och lagra dem offline. Detta minskar de data som överförs via nätverket och hjälper företag att bli mindre sårbara för säkerhetshot.
Offentligt moln
Datasuveränitet. Vid insamling, bearbetning, lagring och på annat sätt använda kunddata måste organisationer följa reglerna för datasekretess i det land eller den region där dessa data samlas in eller lagras, till exempel EU:s allmän dataskyddsförordning (GDPR). Att flytta data till molnet eller till ett primärt datacenter över nationella gränser kan göra det svårt att följa reglerna för datasuveränitet, men med databehandling på gränsenheter kan företag se till att de följer lokala riktlinjer för datasuveränitet genom att bearbeta och lagra data nära där de samlades in.
Privat moln
Minskade IT-kostnader. Med databehandling på gränsenheter kan företag optimera sina IT-utgifter genom att bearbeta data lokalt i stället för i molnet. Förutom att minimera företagens molnbearbetnings- och lagringskostnader minskar gränsberäkning överföringskostnaderna genom att rensa bort onödiga data på eller nära den plats där de samlas in.
Hybridmoln
Maskinvara och nätverk för databehandling på gränsenheter
Vid databehandling på gränsenheter finns mycket av bearbetningskraften fysiskt på eller nära den plats där data samlas in. Maskinvara för databehandling på gränsenheter består ofta av följande fysiska komponenter:
Offentligt moln
Gränsenheter omfattar smarta kameror, termometer, robotar, drönare, vibrationssensorer och andra IoT-enheter. Även om vissa enheter har inbyggda funktioner för beräkning, minne och lagring har inte alla det.
Privat moln
Processorer är CPU:er, GPU:er och associerat minne som driver databehandlingssystem på gränsenheter. Ju mer processorkraft ett gränsberäkningssystem har, desto snabbare kan det utföra uppgifter och desto fler arbetsbelastningar kan det stödja.
Hybridmoln
Kluster/servrar är grupper av servrar som bearbetar data på en gränsplats, till exempel på fabriksgolvet eller på ett kommersiellt fiske. Kluster/-servrar på gränsen har ofta till uppgift att köra företagsappar, företagsarbetsbelastningar och en organisations delade tjänster.
Offentligt moln
Gatewayer är kluster/-servrar på gränsen som utför viktiga nätverksfunktioner som att aktivera trådlös anslutning, tillhandahålla brandväggsskydd och bearbeta och överföra gränsenhetsdata.
Privat moln
Routrar är gränsenheter som ansluter nätverk. En router vid gränsen kan till exempel användas för att ansluta ett företags LAN med ett WAN eller Internet.
Hybridmoln
Växlar, som även kallas åtkomstnoder, ansluter flera enheter för att skapa ett nätverk.
Offentligt moln
Noder är en catch-all-term som används för att beskriva gränsenheter, servrar och gatewayer som möjliggör databehandling på gränsenheter.
Privat moln
Hybridmoln
Vilka är några av egenskaperna hos maskinvara för databehandling på gränsenheter?
Maskinvaran för databehandling på gränsenheter måste vara beständig och pålitlig. Ofta måste den här utrustningen kunna klara extrema väderförhållanden, miljöförhållanden och mekaniska förhållanden. I synnerhet måste det ofta vara:
Offentligt moln
Fläktlös och utan ventilation. Med tillförlitlighet som nyckel, särskilt i branscher där utrustningsfel kan stoppa produktion och utsätta arbetare för fara, måste gränsmaskinvara stängas ute från damm, smuts, fukt och annan saker som kan kompromettera den.
Privat moln
Temperaturbeständig. Gränsmaskinvara placeras ofta ute i kalla, tryckande och fuktiga klimat. Ibland placeras den till och med under vattnet. Att kunna klara temperaturer under noll och temperaturer nära kokpunkten är ett måste i många fall.
Hybridmoln
Ogenomträngliga för plötsliga rörelser. Maskinvaran måste kunna klara vibrationer och stötar av maskiner eller naturliga element. Det är viktigt att bygga dessa komponenter utan fläktar, kablar och andra interna delar som enkelt kan skakas loss eller brytas.
Offentligt moln
Liten formfaktor. Med gränsdatorer är kompakt namnet på spelet. De behöver ofta passa in på trånga platser. Exempel är smarta kameror som placeras på väggar, hyllor och tak och smarta termometer packade i fraktlådor.
Privat moln
Utrustad med gott om lagringsutrymme. Gränsdatorer som samlar in stora mängder data från gränsenheter kan kräva betydande datalagring. De måste också kunna komma åt och överföra stora mängder data snabbt.
Hybridmoln
Kompatibel med ny och äldre utrustning. Gränsdatorer, särskilt de som körs i produktions- eller fabriksinställningar, har vanligtvis en mängd olika I/O-portar, inklusive USB-, COM-, Ethernet- och allmänna portar. På så sätt kan de ansluta till både ny och äldre produktionsutrustning, maskiner, enheter, sensorer och larm.
Offentligt moln
Skapad med flera anslutningsalternativ. Gränsdatorer stöder vanligtvis både trådlös och kabelansluten anslutning. På så sätt kan datorn fortfarande ansluta till Internet för att överföra data om det inte är ett alternativ på en extern fjärrplats som en servergrupp eller ett skepp till havs.
Privat moln
Stöd för flera typer av strömindata. Gränsdatorer stöder ofta en mängd olika ströminmatningar för att hantera de många olika ströminmatningar som de kan stöta på på fjärrplatser. De kräver också funktioner för ökning, överspänning och energisparfunktioner för att förhindra elektriska skador.
Hybridmoln
Skyddat mot cyberattacker. Gränsenheter, som ofta inte kan hanteras av nätverksadministratörer lika rigoröst som deras lokala och molnbaserade motsvarigheter, tenderar att vara mer sårbara för dåliga aktörer. För att skydda dem mot skadlig kod och andra cyberattacker måste gränsenheter vara utrustade med säkerhetsverktyg som brandväggar och nätverksbaserade intrångsidentifieringssystem.
Offentligt moln
Manipulationsskyddad. Eftersom gränsenheter ofta används på avlägsna platser där de inte kan övervakas konsekvent, måste de byggas för att skyddas från stöld, stöld och obehörig fysisk åtkomst.
Privat moln
Hybridmoln
Molnbaserad databehandling jämfört med databehandling på gränsenheter jämfört med dimbaserad databehandling
Gränsberäkning och dimbaserad databehandling är mellanliggande databehandlingstekniker som hjälper till att flytta data som samlas in av IoT-enheter på fjärrplatser till ett företags moln. Nu ska vi utforska hur gränsberäkning skiljer sig från dimberäkning och molnbaserad databehandling och hur de tre fungerar tillsammans:
Med molnbaserad databehandling kan företag lagra, bearbeta och på annat sätt arbeta med sina data på fjärrservrar som finns på Internet. Leverantörer av kommersiell molnbaserad databehandling som Microsoft Azure erbjuder plattformar för digital databehandling och samlingar av tjänster som företag kan använda för att minska eller eliminera sin fysiska IT-infrastruktur och tillhörande kostnader. Molnbaserad databehandling gör det också möjligt för organisationer att leverera säkra funktioner för distansarbete till sina medarbetare, enklare skala sina data och appar och dra nytta av IoT.
Med databehandling på gränsenheter kan data samlas in, bearbetas och analyseras längst ut i organisationens nätverk: "gränsen." Detta gör att organisationer och branscher kan arbeta med brådskande data i realtid, ibland utan att ens behöva kommunicera med ett primärt datacenter, och ofta genom att bara skicka de mest relevanta data till det primära datacentret för snabbare bearbetning. Detta hindrar primära databehandlingsresurser som molnnätverk från att kopplas till irrelevanta data, vilket minskar svarstiden för hela nätverket. Det minskar också nätverkskostnader.
Överväg en oljerigg som körs mitt i havet. Sensorer som spårar information som borrdjup, yttryck och vätskeflödeshastighet kan hjälpa till att hålla maskinerna på en borrigg igång smidigt och hjälpa till att hålla arbetare och miljön säkra. För att göra detta utan att sakta ned nätverket i onödan skickar sensorerna endast data om kritiska underhållsbehov, utrustningsfel och information om arbetssäkerhet över nätverket, vilket gör det möjligt att identifiera och reagera på problem nära realtid.
Med dimbaserad databehandling kan data tillfälligt lagras och analyseras i ett beräkningslager mellan molnet och gränsen för fall där det inte går att bearbeta gränsdata på grund av beräkningsbegränsningar för gränsutrustning.
Från dimman kan relevanta data skickas till molnservrar för långsiktig lagring och framtida analys och användning. Genom att inte skicka alla gränsenhetsdata till ett centralt datacenter för bearbetning kan företag minska belastningen på sina molnservrar, vilket hjälper till att optimera IT-effektiviteten.
Tänk dig till exempel ett byggnadshanteringsföretag som använder smarta enheter för att automatisera temperaturkontroll, ventilation, belysning, spridare och brand- och säkerhetslarm i alla sina byggnader. I stället för att dessa sensorer ständigt överför data till sitt huvuddatacenter har företaget en server i varje byggnads kontrollrum som hanterar omedelbara problem och skickar endast aggregerade data till huvuddatacentret när nätverkstrafik och beräkningsresurser har överkapacitet. Med det här dimbaserade beräkningsskiktet kan företaget maximera sin IT-effektivitet utan att offra prestanda.
Det är viktigt att observera att gränsberäkning inte är beroende av dimbaserad beräkning. Dimbaserad beräkning är helt enkelt ett ytterligare alternativ för att hjälpa företag att få mer hastighet, prestanda och effektivitet i vissa scenarier med gränsberäkning.
Användningsfall och exempel för databehandling på gränsenheter
IoT-enheter och databehandling på gränsenheter förändrar snabbt hur branscher över hela världen arbetar med data. Följande är några av de mest viktiga användningsfallen för databehandling på gränsenheter i verksamheten:
Edge-databehandling för avdelningskontor. Smarta enheter och sensorer minskar antalet resurser som behövs för att driva ett företags sekundära kontor. Överväg Internetanslutna HVAC-kontroller, sensorer som identifierar när kopior kräver reparationer och säkerhetskameror. Genom att bara skicka de viktigaste enhetsaviseringar till ett företags primära datacenter hjälper gränsberäkning till att förhindra överbelastning och fördröjning på servern samtidigt som svarstiden på anläggningsproblem ökar avsevärt.
Databehandling på gränsenheter för tillverkning. Sensorer på fabriksgolvet kan användas för att övervaka utrustning för rutinunderhåll och fel, samt för att skydda personalen. Dessutom kan smart utrustning i fabriker och lager öka produktiviteten, minska produktionskostnaderna och ge kvalitetskontroll. Och om du behåller data och analyser på fabriksgolvet i stället för att skicka dem till ett centraliserat datacenter kan du undvika dyra och potentiellt farliga fördröjningar.
Databehandling på gränsenheter för energi. Energi- och elbolag använder IoT-sensorer och gränsberäkning för att öka effektiviteten, automatisera elnätet, förenkla underhållet och kompensera för brister i nätverksanslutningen på fjärrplatser. Verktygstorn, vindkraftsparker, oljeriggar och andra fjärrenergikällor kan utrustas med IoT-enheter som klarar hårt väder och andra miljöutmaningar. Dessa enheter kan bearbeta data på eller nära energiplatsen och endast skicka de mest relevanta data till huvuddatacentret. I olje- och gassektorn tillhandahåller IoT-sensorer och gränsberäkning viktiga säkerhetsvarningar i realtid som meddelar nyckelpersonal om nödvändiga reparationer och farliga utrustningsfel som kan leda till explosioner eller andra katastrofer.
Databehandling på gränsenheter för jordbruk. Databehandling på gränsenheter kan hjälpa till att öka effektiviteten och avkastningen för jordbruksprodukter. Väderbeständiga IoT-sensorer och drönare kan hjälpa bönder att övervaka utrustningens temperatur och prestanda. analysera jord, ljus och andra miljödata; optimera mängden vatten och skörd som används på beskär; och tidsskördar mer effektivt. Databehandling på gränsenheter gör det mer kostnadseffektivt att använda IoT-teknik även på fjärrplatser där nätverksanslutningen är begränsad.
Databehandling på gränsenheter för detaljhandeln. Stora återförsäljare samlar ofta in enorma mängder data i sina enskilda butiker. Med hjälp av databehandling på gränsenheter kan återförsäljare extrahera rikare affärsinsikter och reagera på dem i realtid. Återförsäljare kan till exempel samla in data om kundfotstrafik, spåra försäljningsställen och övervaka framgångarna med reklamkampanjer i alla sina butiker och använda dessa lokala data för att hantera inventeringen mer effektivt och fatta snabbare och mer välgrundade affärsbeslut.
Databehandling på gränsenheter för hälso- och sjukvård. Användningsområdena för gränsberäkning inom hälso- och sjukvårdssektorn är enorma. Temperatursensorer som levereras med läkemedel kan hjälpa till att säkerställa att de bibehåller sin integritet i hela leveranskedjan. Medicinsk utrustning hemma som smarta CPAP-datorer och hjärtövervakare kan samla in patientdata och skicka relevant information till en patients läkare och sjukvårdsnätverk. Sjukhus kan bättre betjäna patienter genom att använda IoT-teknik för att spåra patienternas viktiga tecken och för att mer exakt spåra platsen för utrustning som rullstolar och bårar.
Databehandling på gränsenheter för autonoma fordon. Det finns nästan ingen felmarginal för personbilar, taxibilar, lastbilar och lastbilar. Databehandling på gränsenheter gör det möjligt för dem att reagera direkt och korrekt på trafiksignaler, vägförhållanden, hinder, gångvägar och andra fordon i realtid.
Tjänster för databehandling på gränsenheter
I takt med att molnbaserad databehandling på gränsen har vuxit mot ett brett införande har även de typer av relaterade tjänster som stöder dess användning vuxit. Dagens tjänster för databehandling på gränsenheter sträcker sig långt bortom bara enheter och nätverk för att inkludera lösningar för att:
- Kör AI, analys och andra affärsfunktioner på IoT-enheter.
- Konsolidera gränsdata i stor skala och eliminera datasilor.
- Distribuera, hantera och skydda gränsarbetsbelastningar på distans.
- Optimera kostnaderna för att köra gränslösningar.
- Gör det möjligt för enheter att reagera snabbare på lokala ändringar.
- Se till att enheterna fungerar tillförlitligt efter längre offlineperioder.
De senaste lösningarna omfattar tjänster för att integrera databehandling på gränsenheter med vanliga tekniker som databaser, operativsystem, cybersäkerhet, blockkedjeregister och infrastrukturhantering, för att bara nämna några få.
Exempel på Microsoft-tjänster för databehandling på gränsenheter:
Azure IoT Edge
Använd molnintelligens och molnanalys på gränsenheter.
Azure Stack Edge
Ta Azure-beräkning, lagring och intelligens till gränsen med Azure-hanterade enheter.
Azure Sphere
Anslut MCU-enheter på ett säkert sätt från enheten direkt till molnet.
Azure SQL Edge
Få datainsikter i realtid för IoT-servrar, gatewayer och enheter.
Azure Data Box
Flytta snabbt och kostnadseffektivt lagrade data eller förhandsversioner av data till Azure och databehandling på gränsenheter.
Azure Network Function Manager
Distribuera och hantera nätverksfunktioner för 5G- och SD-WAN på gränsenheter.
Windows för IoT
Skapa intelligenta gränslösningar med utvecklarverktyg, support och säkerhet i företagsklass.
Avere vFXT for Azure
Kör högpresterande och filbaserade arbetsbelastningar i molnet.
Azure Front Door
Få snabb, tillförlitlig och säkrare tjänst för leverans av molninehåll med intelligent hotskydd.
Azure confidential ledger
Lagra ostrukturerade metadata i en blockkedja med hjälp av en REST API hanterad tjänst.
En kommentar om AI- och analystjänster för databehandling på gränsenheter
AI- och analystjänster för gränsenheter är särskilt värdefulla för att förbättra automatisering, produktivitet, underhåll och säkerhet. Här är bara ett exempel: Genom att distribuera förutsägelsemodeller till fabrikskameror kan du identifiera kvalitetskontroll och säkerhetsproblem. I det här fallet utlöser lösningen en avisering och bearbetar data lokalt för att utföra en omedelbar åtgärd eller skickar dem till molnet för omedelbar analys innan de vidtar åtgärder.
Vanliga frågor och svar
-
Databehandling på gränsenheter är en nätverksteknik som gör det möjligt för enheter på fjärrplatser att bearbeta data och utföra åtgärder i realtid. Det fungerar genom att minimera nätverksfördröjningen genom att bearbeta de flesta data på "gränsen" av nätverket, till exempel av själva enheten eller av en närliggande server, och endast skicka de mest relevanta data till huvuddatacentret för nästan omedelbar bearbetning.
-
"Molnbaserad databehandling på gränsenheter" är ett annat sätt att säga "databehandling på gränsenheter"– de två termerna betyder samma sak: att göra det möjligt för enheter på fjärrplatser att bearbeta data och utföra åtgärder i realtid genom att minimera nätverksfördröjningen.
-
Teknik för databehandling på gränsenheter omfattar nätverkslösningar och maskinvara som gör att smarta enheter i fjärranslutna eller utmanande miljöer kan fungera utan att behöva en fullständig anslutning till ett centralt nätverk. Nätverkslösningar omfattar tekniker som 5G och lösningar som bidrar till att minska svarstiden genom att minimera mängden data som skickas över nätverket. Vanliga gränsenheter är kameror, sensorer, servrar, processorer, växlar och routrar som ansluter via nätverket till ett centralt datacenter. I många fall kör gränsenheter AI lokalt och skickar endast vissa kritiska data till det primära datacentret för ytterligare bearbetning.
-
Databehandling på gränsenheter används ofta för platser som fabriksgolvet, butiksrum, fraktcontainrar, sjukhus, byggplatser, energinät och servergrupper – och till och med den internationella rymdstationen – där enheter eller sensorer behöver arbeta i realtid men bara har begränsad anslutning till ett primärt datacenter. Det gör det möjligt för företag att göra saker som att använda sensorer för att se till att maskiner fungerar säkert och effektivt, för att identifiera när lagret är lågt på butikshyllor, öka eller minska bevattningen på anläggningar baserat på jordfuktighet och för att upptäcka när arbetare kan vara i fara.