رایانش لبه

Edge Computing

شماره درس: ۴۰۸۴۵ تعداد واحد: ۳
مقطع: کارشناسی ارشد نوع درس: نظری
پیش‌نیاز: – هم‌نیاز: –

اهداف درس

در دهه گذشته، رایانش ابری به‌سرعت توسعه یافته و به یک الگوی محاسباتی مقرون‌به‌صرفه، کاربرپسند، انعطاف‌پذیر و مقیاس‌پذیر تبدیل شده است که مدل‌های کسب‌وکار مدرن را دگرگون کرده است. با این حال، روندهای فناورانه جدیدی مانند Industry 4.0 و China-2050 چالش‌های تازه‌ای را مطرح کرده‌اند که معماری‌های کنونی رایانش ابری قادر به پاسخگویی به آن‌ها نیستند. این اهداف مستلزم اتصال هزاران، و حتی میلیون‌ها، حسگر و عملگر به همراه عملیات بهینه‌سازی‌شده برای خودکارسازی فرآیندهای مختلف در کارخانه‌ها، شهرها یا حتی کل کشورها هستند. این موضوع آغازگر عصر جدیدی شده است که در آن دستگاه‌های سبک‌وزن، اطلاعات حیاتی را برای پردازش و تصمیم‌گیری بیشتر به بستر‌های محاسباتی ارسال می‌کنند. با وجود مقیاس بزرگ و توان بالای معماری‌های فعلی رایانش ابری، این معماری‌ها در پردازش کارآمد حجم عظیم داده‌های جمع‌آوری‌شده از این تعداد زیاد دستگاه‌ها و عملگرها، به‌ویژه در کاربردهایی با الزامات سخت‌گیرانه مانند تأخیر کم در ارتباطات یا محدودیت زمانی پردازش، با مشکل مواجه هستند. برای رفع این مسائل، الگوی محاسباتی جدیدی به نام رایانش لبه (Edge Computing) پیشنهاد شده و به‌سرعت توجه ویژه‌ای را هم در محیط‌های دانشگاهی و هم در صنعت به خود جلب کرده است. هدف رایانش لبه‌ انتقال مرز کاربردها، داده‌ها و خدمات محاسباتی از گره‌های متمرکز به لبه شبکه است؛ جایی که تحلیل داده‌ها و تولید اطلاعات می‌تواند مستقیماً در منبع داده انجام شود. این درس به‌طور اختصاصی بر الگوی رایانش لبه‌ تمرکز خواهد داشت، نه حوزه‌های مشابهی مانند رایانش مه (Fog Computing)، زیرا رایانش لبه ویژگی‌های منحصربه‌فردی دارد. رایانش لبه این امکان را فراهم می‌کند که دستگاه‌های ناهمگون به فرآیندهای تصمیم‌گیری و رویه‌های خودکارسازی مجهز شوند و در نتیجه، برنامه‌ها بتوانند (عمدتاً) در مناطق جغرافیایی بسیار گسترده و پراکنده فعالیت کنند.

ریز مواد

  1. مقدمه‌ای بر رایانش لبه
    • تکامل سیستم‌های محاسباتی، مروری کلی بر رایانش لبه‌ای ، کاربردها، چالش‌ها
  2. معماری‌های رایانش لبه
    • رایانش لبه در مدل ابری‌سازی
    • معماری مرجع استاندارد
    • رایانش لبه به‌عنوان تابع شبکه مجازی‌سازی‌شده
    • رایانش لبه در مدل مرجع استاندارد شبکه‌های موبایل
  3. مدل‌های تحلیلی کلان‌داده برای/بر روی رایانش لبه‌ای
    • مفهوم مدل‌سازی تحلیلی برای رایانش لبه، ظهور پایگاه‌داده‌های درون‌حافظه‌ای، چالش‌های امنیت و حریم خصوصی در مدل‌های مبتنی بر لبه
  4. مدل‌های امنیت داده و حریم خصوصی
    • تهدیدها و چالش‌های امنیت و حریم خصوصی در رایانش لبه‌ای، راهکارهای امنیت و حریم خصوصی مبتنی بر رایانش لبه‌ای، موضوعات و چالش‌های پژوهشی باز
  5. مدل‌ها و پروتکل‌های شبکه‌سازی
    • شبکه‌سازی همتا‌به‌همتای دستگاه‌های لبه‌ای، شبکه‌سازی بین دستگاه‌های لبه‌ای و لایه مه
  6. مدل‌های محاسباتی و ذخیره‌سازی در رایانش لبه
    • منابع رایانشی در لبه، مه و ابر، معماری مرجع، ویژگی‌های اکوسیستم، مدل‌ها و پلتفرم‌های محاسباتی، مدل‌ها و سیستم‌های ذخیره‌سازی
  7. مدل‌های تخصیص منابع
    • دسته‌بندی تخصیص منابع و مسائل و چالش‌های باز
  8. قابلیت اطمینان در رایانش لبه
  9. ویژگی بی‌درنگی در رایانش لبه
  10. کاربردهای هوشمند مبتنی بر رایانش لبه

ارزیابی

  • تمرین‌ها و پروژه‌ها: حدود ۳۰ تا ۴۰ درصد
  • آزمون‌‌ میان‌ترم: حدود ۳۰ تا ۴۰ درصد
  • آزمون پایان‌ترم: حدود ۳۰ تا ۴۰ درصد

مراجع

  1. J. Taheri and D. Shuiguang. Edge Computing: Models, Technologies and Applications. The Institution of Engineering and Technology (IET), 2020.
  2. X. Wang, et al. Edge AI: Convergence of edge computing and artificial intelligence. Springer, 2020.
  3. F. Al-Turjman,. Edge computing. Cham: Springer International Publishing, 2019.
  4. Y. Zhang. Mobile edge computing. Springer Nature, 2022.
  5. Y. Mao, C. You, J. Zhang, K. Huang and K. B. Letaief. A Survey on Mobile Edge Computing: The Communication Perspective. in IEEE Communications Surveys & Tutorials, vol. 19, no. 4, pp. 2322-2358, Fourthquarter 2017, doi: 10.1109/COMST.2017.2745201.
  6. P. Mach and Z. Becvar. Mobile Edge Computing: A Survey on Architecture and Computation Offloading. in IEEE Communications Surveys & Tutorials, vol. 19, no. 3, pp. 1628-1656, Thirdquarter 2017, doi: 10.1109/COMST.2017.2682318.
  7. P. Raj, K. Saini, and C. Surianarayanan. Edge/Fog Computing Paradigm: The Concept, Platforms and Applications. Elsevier, 2022.
  8. M. Wolf, “Applications in Cyber-Physical Systems and Mobile Computing,” Elsevier, 2014.
  9. P. Marwedel. Embedded System Design: Embedded Systems Foundations of Cyber-Physical Systems. Springer, 2021.