دانلود ترجمه مقاله چالش ها و فرصت ها در رایانش لبه

1. مقدمه 2. انگیزش 3. چالش ها 4. فرصت ها 5. نتیجه گیری

بسیاری از برنامه های ابری، از دیتاسنترهایی به عنوان یک سرور مرکزی برای پردازش داده های تولید شده توسط دستگاه های لبه ای، مانند گوشی های هوشمند، تبلت ها و ابزار پوشیدنی، استفاده می کنند. این مدل، تقاضای بیش از پیش را بر زیرساخت ارتباطاتی و محاسباتی با اثر مضر اجتناب ناپذیر بر «کیفیت خدمات» و «کیفیت تجربه»، تحمیل می کند. مفهوم رایانش لبه ای، بر حرکت تعدادی از این بارهای محاسباتی به سمت لبه شبکه برای بهره گیری از قابلیت های محاسباتی که در حال حاضر در گره های لبه استفاده نشده، مانند ایستگاه های مبنا، روترها و کلیدها، برقرار می شود. این مقاله، چالش ها و فرصت های بوجود آمده از این جهت جدید در چشم انداز محاسباتی و رایانشی را مورد ملاحظه قرار می دهد. مقدمه: مقاله «فراتر از ابرها»، چالش ها و فرصت ها در رایانش ابری را ارائه داده است [1]. پژوهش ها در مورد ابرها، از آن وقت به بعد، سریعاً رشد کردند و عرصه را برای بسیاری از رقیبان در یک بازار شلوغ، هموار کرد. اگرچه چشم انداز ارائه رایانش به عنوان یک ابزار و برنامه کاربردی حاصل شده است [2]، اما فضای پژوهشی هنوز اشباع نشده و فرصت های جالبی را فراهم می کند. بسیاری از کاربردهای ابری، مبتنی بر کاربر هستند که این باعث بوجود آمدن فرصت هایی برای ابزارهای تحلیل داده مقیاس بزرگ شده است. اما، استفاده از ابرها به عنوان یک سرور متمرکز، بسادگی فراوانی ارتباطات بین دستگاه های کاربری، مانند گوشی های هوشمند، تبلت ها، لوازم پوشیدنی و گجت ها را افزایش می دهد، که در نتیجه به سمت دستگاه های لبه ای و مراکز داده ابری دور از نظر جغرافیایی، روی می آوریم. این امر برای برنامه های کاربردی که نیاز به پاسخ بلادرنگ دارند، محدود کننده است. بنابراین، نیاز به توجه به «فراتر از ابرها» به سمت لبه شبکه، به صورت نشان داده شده در شکل 1 بوجود می آید که به آن «رایانش لبه ای» گفته می شود [3، 4]، همچنین به آن رایانش مه ای [5، 6] یا رایانش ابرک [7، 8] نیز گفته می شود. هدف، بررسی امکانات انجام محاسبات برروی گره ها می باشد که از طریق آنها ترافیک شبکه هدایت می شود، مانند روترها، کلیدها و ایستگاه های مبنا، که به آنها، گره های لبه ای می گوییم. هدف این مقاله، تعریف نوآوری، چالش ها و فرصت ها در رایانش لبه ای است که در شکل 2 به صورت خلاصه نشان داده شده اند.

Many cloud-based applications employ a data centers as a central server to process data that is generated by edge devices, such as smartphones, tablets and wearables. This model places ever increasing demands on communication and computational infrastructure with inevitable adverse effect on Quality-of-Service and Experience. The concept of Edge Computing is predicated on moving some of this computational load towards the edge of the network to harness computational capabilities that are currently untapped in edge nodes, such as base stations, routers and switches. This position paper considers the challenges and opportunities that arise out of this new direction in the computing landscape. INTRODUCTION: The article ‘Above the clouds’ presented challenges and opportunities in cloud computing [1]. Cloud research since has rapidly progressed paving the way for many competitors in a crowded marketplace. Although the vision of offering computing as a utility was achieved [2], the research space is still far from saturation and offers interesting opportunities. Many cloud applications are user-driven, which has resulted in opportunities for large-scale data analytics. However, using the cloud as a centralised server simply increases the frequency of communication between user devices, such as smartphones, tablets, wearables and gadgets, we refer to as edge devices, and geographically distant cloud data centers. This is limiting for applications that require realtime response. Hence, there has been a need for looking ‘beyond the clouds’ towards the edge of the network as shown in Figure 1, referred to as edge computing [3], [4], but also known as fog computing [5], [6] or cloudlet computing [7], [8]. The aim is to explore possibilities of performing computations on nodes through which network traffic is directed, such as routers, switches and base stations, we refer to as edge nodes. The objective of this paper is to define the motivation, challenges and opportunities in edge computing, which is summarised in Figure 2.