超连接、超规模计算和移动边缘

如在“超级规模计算的四大支柱去年，开发团队为数据中心考虑的四个核心组件是计算、存储、内存和网络。在过去的十年中，对可编程性的需求已经从根本上改变了数据中心。就在十多年前，也就是2010年，虚拟机将在以cpu为中心的架构上计算用户工作负载，这些架构在数据中心内以高达10GB/s的速度连接为网络。五年后，软件定义网络进入数据中心，网络速度提高到40GB/s。容器化取代了经典的虚拟机模型。在过去的五年里，存储也已经由软件定义，硬件中的智能存储和网络速度提高到100GB/s。

如今，对超大规模数据中心的要求已经变得非常具体，以至于系统公司经常考虑开发自己的芯片。作为开放计算项目的一部分，他们还领导着一个复杂的生态系统，包括从处理器和设计IP到半导体供应商、系统公司和云供应商的230多家供应商。

随着我们进入超连接时代，计算正在发生变化。随着越来越多的计算再次被推到数据中心之外，关键的问题变成了边缘在哪里，在什么类型的边缘上执行什么级别的计算，数据存储在哪里，以及在每个边缘上可以提供什么样的性能和功耗平衡。

自从我发帖以来”超大规模和边缘计算:什么，哪里和如何去年9月，棱角当然变得更加精致。例如,数据库使用术语“近边缘”和“中边缘”作为与远边缘(定义为5G塔下的微型数据中心)不同的层。大型企业和体育场馆的装置也被称为“远边缘”。新的“超大规模边缘”在高密度人口中心提供可用区域，如“当地的区或"边缘区在纽约、波士顿、休斯顿、洛杉矶和迈阿密。在数据真正进入实际的云数据中心之前，它们位于远边缘和承载通用服务(如内容交付网络(CDN)缓存)的近边缘之间的“中间”。(请注意，到目前为止所有的距离都是从数据中心的角度测量的。)

另一个角度来自于数据的来源。一旦在传感器上测量，计算将在何时何地发生，即距离传感器有多远?答案是响亮的“取决于”，这取决于应用程序领域及其需求。

下面是一个来自健康/消费领域的个人例子。本着创建自己的数字双胞胎的精神(是的，一个我显然是不够的，而且数字版本没有那么多的回应)，我正在用两个不同的健身追踪器来测量我的日常生活。追踪器A在我锻炼期间给了我一些有价值的见解。大部分信息都是计算出来的，并显示在我的手腕上，接近于实际的传感器。跟踪器B位于另一只手腕上，没有显示屏，但想要一直连接到我的手机上。在我的手机上，我确实在锻炼期间从追踪器B那里得到了一些有价值的见解。在我完成之后，它会将所有数据上传到云端的服务器上，大约30秒后返回，带来更多的见解，同样显示在我的手机上或网上。如果服务器可用，这不是问题，因为服务器一年只会出现一次故障，但这提醒我们计算已经跨越了边缘，进入了数据中心。追踪者B想要一直连接到手机24×7。如果连接丢失，则它正在“追赶”并传输数据。 If it’s not connected, it holds a couple of days of data before it runs out of memory. Developers had to make decisions based on a tradeoff around memory/bandwidth and data-set size. A similar tradeoff consideration prevents tracker A, which has GPS built in, to track my route during a four-hour round of golf—presumably due to memory—while tracker B easily charts the path, but only because tracking happens on the phone while connected, facing fewer memory constraints. Interesting enough, Tracker A also mixes its computing. Sleep analysis, for instance, requires upload of data from my wrist to my phone – the Device Edge – and seems to be calculated there.

另一个来自不同领域-工业物联网(IIoT)的约束的绝佳例子来自诺基亚。诺基亚表示，工业控制不会只是等待5G的到来“比较运动控制、移动机器人、具有安全功能的移动控制面板和过程监控的用例，循环时间、有效载荷、设备数量和服务领域各不相同。对于运动控制，周期时间远低于1毫秒通常是必须的，因此计算必须在本地进行。低于50ms的延迟被认为适合进程监控，但每公里的设备数量被驱动到10,000或更多。“360视频”、“虚拟现实+车辆”、“人+物”和“系统控制”这四个目标部分可以在带宽/延迟图表的四个象限中绘制。“虚拟现实+车辆”需要最高的带宽和最低的延迟。

为了增加复杂性，考虑到AI/ML，推理的主题推动了功率预算和可实现的应用程序功能广度之间的其他权衡。Innatera在最近的一次会议上称其为“传感器边缘”林利弹簧处理器会议拥有最小的电力预算。传感器边缘的设计也是延迟关键、面积受限和噪声敏感的。尽管如此，通过使用MCU嵌入式处理，可以在10mW范围内的功率预算下执行数据调节、理解相关性和识别模式等任务。相比之下，应用大型推理模型从数据中提取复杂的见解需要更复杂的多处理器系统，其功耗预算达到100W及以上，以支持必要的计算需求。

在一个高度互联的世界里，这个行业正面临着各种各样的边缘。相关数据的计算和存储一直在移动。它们会移动一段时间，因为计算和延迟需求在很大程度上取决于不断发展的情况。欢迎，前卫的未来!