エッジコンピューティングの課題にどう対処するか

エッジ コンピューティングを、データ取得やローカル デジタル プロセス制御の高度な形式と見なす人もいます。しかし、エッジにはそれだけではありません。

エッジには多くのデータ ソースが関係しており、多くの場合、地理的に分散した場所に配置されています。しかし、このデータの集約が価値と洞察を得る鍵であることを忘れないでください。このデータの分析はコア データ センターで行われ、結果として得られた洞察に基づいたアクションは、多くの場合、エッジで完了する必要があります。つまり、エッジ システムが直面している意外な課題の 1 つは、エッジからコアへのトラフィック フローだけでなく、その逆のトラフィック フローも効率的に実現することです。

これらすべてがどの程度の規模で起こっているかも問題です。エッジ ソースから受信されるデータは多くの場合非常に大きくなります。多数のエッジロケーションからの大量のデータにより、非常に膨大な量のデータが作成される可能性があります。

エッジ コンピューティングで極端な規模に対処する典型的な例は、自動運転車の開発です。自動車メーカーは世界中のデータにアクセスし、毎日ペタバイト単位のデータを処理する必要があります。また、テスト車両からデータを収集するのにかかる時間、そのデータを処理するのにかかる時間、洞察を提供するのにかかる時間を測定するなど、重要な主要業績評価指標 (KPI) を満たす必要もあります。

もちろん、すべてのエッジ システムがこのような極端な規模のデータを扱うわけではありませんが、ほとんどのエッジ システムでは、エッジから中央データ センターにすべてを転送するにはデータが多すぎます。つまり、データはコアに送信される前にエッジで処理され、削減される必要があります。この種のデータ分析、モデリング、およびデータ移動は、大規模に効率的に調整する必要があります。

エッジ システムの課題をより深く理解するために、エッジ、コア、ミドルで何が起こっているかを詳しく見てみましょう。

エッジでの活動

エッジ コンピューティングには通常、複数の場所にあるシステムが関与し、各システムがデータの取り込み、一時的なデータの保存を行い、複数のアプリケーションを実行してコア データ センターに送信する前にデータを削減します。これらのタスクは図 1 の左半分に示されています。

図 1. エッジとコアが実行する必要がある処理と、それらの間の複雑な相互作用を示すグラフィック インベントリ。

分析アプリケーションは、前処理とデータ削減に使用されます。 AI と機械学習モデルは、どのデータが重要でコアデータセンターに渡す必要があるかを決定するなどのデータ削減にも使用されています。さらに、このモデルにより、エッジでインテリジェントなアクションを実行できるようになります。エッジでよくあるもう 1 つのニーズは、どのステップが実行され、どのデータ ファイルが作成されたかを把握することです。

これらすべては多くの場所で行われる必要があり、単一の場所で多くのオンサイト管理が行われることはないため、エッジ ハードウェアとソフトウェアは信頼性が高く、リモートで管理される必要があります。これらの要件を満たす場合、自己修復ソフトウェアは大きな利点となります。

AIモデルのトレーニングなど - コア

図 1 の右側に示されているコアで発生するアクティビティは、エッジ プロセスに似ていますが、多くのエッジ ロケーションからの集合的なデータを使用してグローバルな視点で行われます。ここでの分析はより詳細になる可能性があります。ここでは、詳細な履歴データを使用して AI モデルをトレーニングします。エッジ ロケーションと同様に、コアには実行された操作と作成されたデータのインベントリが含まれます。コアは、エッジ システムの目標の下にある高レベルのビジネス目標への接続が行われる場所でもあります。

すべてのエッジ システムからのデータがここに集約されるため、コア データ インフラストラクチャは厳しい要件を満たす必要があります。エッジから（またはコア処理およびモデリングから）送信されるデータは非常に大きくなり、多数のファイルで構成される場合があります。インフラストラクチャは、大量のオブジェクトとデータ量を処理できる堅牢性を備えている必要があります。

もちろん、分析とモデル開発のワークフローは反復的です。組織がグローバル エッジ データの集約から学習するにつれて、新しい AI モデルが生成および更新されます。さらに、エッジに展開する必要がある分析アプリケーションが開発されます。ここで、エッジとコアの間で何が起こる必要があるかという次のトピックに移ります。

エッジとコアの間を移動するトラフィック

図 1 ではエッジまたはコアでの主要なアクティビティがリストされているだけでなく、両者間の主要な相互作用であるデータの移動も示されています。明らかに、システムは吸収され削減されたデータをエッジの場所からコアの場所に移動して最終分析を行う必要があります。しかし、新しい AI や機械学習モデルを導入したり、コア チームが開発した分析プログラムを更新したりといった予期しない取り組みが、見落とされてしまうことがあります。

さらに、アナリスト、開発者、データ サイエンティストは、1 つ以上のエッジ ロケーションで生データを検査する必要がある場合もあります。コアからエッジの生データに直接アクセスできるのは非常に便利です。

ほとんどすべての大規模なデータ移動はデータ インフラストラクチャを使用して実行する必要がありますが、エッジまたはコアで実行されているサービスに直接アクセスすると便利な場合があります。セキュリティ サービス メッシュは、特に SPIFFE プロトコルなどの最新のゼロ トラスト ワークロード認証方法を使用する場合、このプロセスに役立ちます。

エッジ、コア、中間で何が起こっているかがわかったので、これを実現するためにデータ インフラストラクチャで何を行う必要があるかを見てみましょう。

HPE Ezmeral Data Fabric: エッジからコアへ、そして再びエッジへ

HPE は、エッジでの使用向けに設計された Edgeline シリーズをはじめとする優れたハードウェアで知られています。ただし、HPE は、オンプレミスでもクラウドでも、エッジからコアまで拡張できるように設計された、ハードウェアに依存しない HPE Ezmeral Data Fabric ソフトウェアも製造しています。

HPE Ezmeral Data Fabric を使用すると、システム アーキテクチャを簡素化し、リソースの使用率とパフォーマンスを最適化できます。図 2 は、データ構造の力を活用してエッジ コンピューティングの課題に対処する方法を示しています。

図 2: HPE Ezmeral Data Fabric が、図 1 で概説した操作とフローをエッジからコアまでどのようにサポートするかを詳しく見てみましょう。三角形はグローバル名前空間を表し、データセンターで作業するチームは、エッジに残っているデータにリモートでアクセスできます。

Kubernetes を使用してコンテナ化されたアプリケーションを管理すると、コンピューティングはエッジまたはコアで実行できます。 HPE Ezmeral Data Fabric は、このようなアプリケーションにデータ層を提供します。 HPE Ezmeral Data Fabric のグローバル名前空間を使用すると、データセンターで作業するチームはエッジにあるデータにリモートでアクセスできます。