Aceleración del Análisis: Comparación de Rendimiento en Edge, Híbrido y Cloud

Al determinar dónde realizar el análisis, las características de la aplicación y el ancho de banda de transferencia edge-cloud son los factores clave que afectan el rendimiento.

En los últimos años, ha habido un impulso hacia el edge con la formulación de "computación en la niebla" (fog computing), en la que los activos y el procesamiento se implementan donde sea adecuado a lo largo del espectro entre la nube centralizada y el entorno edge, para la aplicación en cuestión.

A medida que movemos a las empresas hacia la economía en tiempo real, ha habido debate sobre qué etapa del espectro ofrece el rendimiento óptimo o la capacidad de respuesta más rápida. Los servicios en la nube proporcionan capacidad y procesamiento bajo demanda donde y cuando se necesitan, pero a menudo se ven ralentizados por problemas de latencia a medida que los datos y comandos se envían a través de diversas redes. Los arreglos híbridos ofrecen cierto grado de procesamiento local y el movimiento de datos puede acelerarse mediante sistemas en memoria, pero las velocidades pueden ser inconsistentes. Mover el procesamiento completamente a dispositivos edge puede ofrecer análisis rápidos in situ, pero no se puede compartir fácilmente entre empresas.

Ver también: Por Qué la Computación Edge Puede Ayudar al IoT a Alcanzar su Pleno Potencial

Esa es la esencia de una presentación y artículo presentados en la reciente conferencia IEEE Edge Computing por un equipo de investigadores de la Universidad de Arkansas. El equipo, liderado por Dumitrel Loghin de la Universidad Nacional de Singapur, sometió a prueba estos tres modos principales de computación edge, y concluye que en cuanto a velocidades, hay un empate técnico entre los tres modos de entrega de datos. Su análisis basado en mediciones "revela un panorama de rendimiento diverso donde no hay un ganador claro entre el procesamiento solo en la nube, solo en el edge e híbrido. Sin embargo, las características de la aplicación y el ancho de banda de transferencia edge-cloud son los factores clave que afectan el rendimiento."

El equipo realizó sus mediciones en siete aplicaciones MapReduce diferentes en dos dispositivos edge de bajo consumo y en la nube de AWS. Aunque no todas las aplicaciones MapReduce son adecuadas para el procesamiento híbrido edge-cloud, entre las que se encontraron adecuadas, analizaron velocidades en clusters edge y cloud separados y en un único cluster edge-cloud.

Varios factores afectaron el rendimiento, incluyendo las características de la aplicación, como la selectividad, y el ancho de banda edge-cloud, encontraron los investigadores. Por ejemplo, las dos aplicaciones principales de Hadoop medidas mostraron velocidades variables basadas en enlaces de red intra e inter-cluster. El cluster híbrido MapReduce único es 41% y 63% más lento que los clusters edge y cloud separados para algunos procesos seleccionados, pero 85% y 100% más rápido para otros.

Los investigadores también señalan que las configuraciones se crearon "utilizando tres regiones de AWS cloud, de modo que dos de ellas simulan el edge y la tercera representa la cloud. Elegimos simular el edge usando instancias de cloud porque queríamos analizar la influencia del tiempo de transferencia y ancho de banda en lugar del efecto del hardware en la aceleración de la cloud sobre el edge. Al usar el mismo tipo de nodos para el edge y la cloud, minimizamos el efecto de la aceleración de la cloud. Además, usamos dos regiones para el edge porque en escenarios reales las organizaciones tienen más de un cluster edge para agregar datos."