从云到 Cloudlets 一种新的数据处理办法
发布时间：2022-06-18 11:12:27 所属栏目：云计算 来源：互联网
导读：关键要点 越来越多的终端设备数据到云端进行处理，这越来越多的共识是资源密集、耗时且效率低下，无法由大型单体云处理。 将数据从每个物联网设备转移到基于云的神经网络进行语音识别根本不可行。然而，通过在这些设备和中央云之间使用间隙小云，神经网络
|
关键要点 越来越多的终端设备数据到云端进行处理，这越来越多的共识是资源密集、耗时且效率低下，无法由大型单体云处理。 将数据从每个物联网设备转移到基于云的神经网络进行语音识别根本不可行。然而，通过在这些设备和中央云之间使用间隙小云，神经网络可以开始通知即使是最小的物联网设备的操作。 到目前为止，cloudlets 面临的最大挑战是安全性，因为一旦数据在多个存储和处理设备上分散，安全管理它们就变得更加困难。最有效的安全措施是在数据在 cloudlet、设备和云之间移动时对其进行加密。 尽管 Cloudlet 模型提供了所有机会，但截至 2020 年它们仍然相当罕见。 相反， 一些 分析师表示，这些数据在本地处理得更好。此处理要么需要在生成这些数据的设备中进行，要么需要在设备和组织的中央云存储之间的半本地云中进行。 这就是“cloudlet”的含义：智能设备、cloudlet 和云。Cloudlet 可以被 视为一个盒子中的数据中心，其目标是通过为设备提供处理能力，从而使云更接近设备。至少有一些本地数据。 值得注意的是，这种方法与假定物联网基础设施的工作方式有很大不同。甚至在几年前，人们就认为 5G 连接将 允许 物联网设备（包括自动驾驶汽车）所需的 所有数据处理在云端执行。 然而，越来越清楚的是，这些设备的计算需求——尤其是为它们配备语音识别接口的愿望——远远超出了单片云所能处理的范围。 机遇与挑战 同时，组织和工程师都非常不愿意失去云存储和处理的所有优势。 云模型提供的额外便利和安全性是今年使用更多基于云的应用程序的公司比去年多36%的主要原因之一 。但是，希望通过将其中一些应用程序移到更靠近其数据源的位置，可以提高它们的效率。 这样做可能带来的机会可能是巨大的。目前， 使用神经网络的最大限制之一 是它们必须输入的大量数据才能有效地工作。 例如，将数据从每个物联网设备转移到基于云的神经网络进行语音识别是不可行的。然而，通过在这些设备和中央云之间使用间隙小云，神经网络可以开始通知即使是最小的物联网设备的操作。通过公共云边缘服务的边缘服务移动数据流意味着通过链接到整个国家或省份的服务区域的管道移动数据，这就是为什么使用小云传输数据可以更有效的原因。 这将产生几个连锁效应。一个，已经提到，将大大提高 在物联网设备中使用语音识别系统的能力。另一个同样重要的影响将是增强在分布式位置使用视觉 AI 系统（例如面部识别）的能力。 尽管如此，向小云的迁移也带来了一些新的挑战，涉及数据分发、存储和安全性。其中最基本的与设计小云的架构模型有关。小云模型的 基本假设 是，这些较小的分布式云可以比其较大的集中式类似物更快地处理数据。 然而，这种类型的本地化数据处理需要本地处理单元有足够的电力，这对固有的便携式物联网设备来说是一个挑战。如果必须在很长的地理距离上移动数据，这个问题就会变得更加复杂。 其次，研究小云模型可行性的研究人员面临另一个问题：保持数据同步和连贯，不仅跨多个设备，而且跨多个子云。以这种方式确保数据的一致性不仅会影响云系统本身的可靠性：对于自动驾驶汽车，这可能对其安全运行至关重要。 另一方面，有一些理由相信 Cloudlet 系统 可能 比它们的全云系统更安全。这是因为与许多云系统上的全谱数据相比，这些较小系统收集的数据本质上不那么详尽，因此价值也较低。 当然，也有可能在构建通过大量间隙设备共享数据的系统时，可以设置更多层的保护。 然而，实际上，最有效的方法是在数据在 cloudlet、设备和云之间移动时对其进行加密。实现这一点的最简单方法之一是依赖使用 L2TP 或 IKEv2 协议的虚拟专用网络，这两种协议 在协商新隧道会话时都提供了出色的安全性和可靠性。目前，无论是设备还是小云都不具备部署强加密同时保持可观性能的计算能力。 （编辑：PHP编程网 - 黄冈站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
浙公网安备 33038102330482号