1 ভূমিকা
১৯৯৯ সালে ডব্লিউ. মার্ক কর্তৃক প্রবর্তিত সর্বব্যাপী কম্পিউটিং ধারণা এবং একই বছর কেভিন অ্যাশটন কর্তৃক উদ্ভাবিত ইন্টারনেট অব থিংস (আইওটি) উল্লেখযোগ্যভাবে বিকশিত হয়েছে। আইওটি শারীরিক বস্তুগুলোকে স্বায়ত্তশীল মিথস্ক্রিয়া ও সিদ্ধান্ত গ্রহণের জন্য ইন্টারনেটের সাথে সংযুক্ত করে। তবে, আইওটি ডিভাইসগুলোর প্রায়শই সীমিত গণনা ও শক্তি সম্পদ থাকে, যা জটিল প্রক্রিয়াকরণকে চ্যালেঞ্জিং করে তোলে। এজ কম্পিউটিং একটি সমাধান হিসেবে আবির্ভূত হয়েছে যা গণনা ও ডেটা সংরক্ষণকে ডেটা উৎসের কাছাকাছি নিয়ে আসে, যার ফলে বিলম্বতা ও ব্যান্ডউইথ ব্যবহার হ্রাস পায়। বৈশ্বিক এজ কম্পিউটিং বাজার ২০২২ সালে ১১.২৪ বিলিয়ন মার্কিন ডলার মূল্যায়িত হয়েছিল এবং ২০২৩ থেকে ২০৩০ সাল পর্যন্ত ৩৭.৯% CAGR-এ বৃদ্ধি পাওয়ার পূর্বাভাস দেওয়া হয়েছে।
2 আইওটির জন্য কম্পিউটিং প্যারাডাইম
বিভিন্ন কম্পিউটিং প্যারাডাইম আইওটি অ্যাপ্লিকেশনগুলোকে সমর্থন করে, যার প্রতিটির স্বতন্ত্র বৈশিষ্ট্য ও ব্যবহারের ক্ষেত্র রয়েছে।
2.1 ক্লাউড কম্পিউটিং
দূরবর্তী ডেটা সেন্টারে কেন্দ্রীভূত প্রক্রিয়াকরণ। বিশাল সম্পদ সরবরাহ করে কিন্তু সময়-সংবেদনশীল আইওটি অ্যাপ্লিকেশনের জন্য বিলম্বতা সৃষ্টি করে।
2.2 ফগ কম্পিউটিং
ক্লাউডের ক্ষমতাকে নেটওয়ার্কের প্রান্ত পর্যন্ত প্রসারিত করে, আইওটি ডিভাইস ও ক্লাউডের মধ্যে একটি স্তর তৈরি করে। এটি মধ্যবর্তী প্রক্রিয়াকরণ ও সংরক্ষণ সরবরাহ করে।
2.3 এজ কম্পিউটিং
গণনা ও ডেটা সংরক্ষণকে নেটওয়ার্কের চরম প্রান্তে, অর্থাৎ আইওটি ডিভাইসগুলোর উপর বা কাছাকাছি স্থানান্তরিত করে। এটি বিলম্বতা হ্রাস করে এবং রিয়েল-টাইম প্রক্রিয়াকরণের জন্য আদর্শ।
বাজার অন্তর্দৃষ্টি
বৈশ্বিক এজ কম্পিউটিং বাজার (২০২২): ১১.২৪ বিলিয়ন মার্কিন ডলার
প্রক্ষিপ্ত CAGR (২০২৩-২০৩০): ৩৭.৯%
উৎস: খসড়ায় উদ্ধৃত বাজার গবেষণা পূর্বাভাস।
3 এজ কম্পিউটিং প্যারাডাইম
3.1 ক্লাউডলেট কম্পিউটিং
ক্লাউডলেটগুলো হলো নেটওয়ার্কের প্রান্তে অবস্থিত ক্ষুদ্রায়তন, স্থানীয় ডেটা সেন্টার, প্রায়শই ব্যবহারকারীদের খুব কাছাকাছি (যেমন, একটি ভবন বা ক্যাম্পাসের মধ্যে)। এগুলি দূরবর্তী ক্লাউডের তুলনায় কম বিলম্বতা সহ শক্তিশালী কম্পিউটিং সম্পদ সরবরাহ করে, সম্পদ-সীমাবদ্ধ মোবাইল/আইওটি ডিভাইস থেকে কাজ অফলোড করার জন্য মধ্যস্থতাকারী হিসেবে কাজ করে।
3.2 মোবাইল এজ কম্পিউটিং (এমইসি)
এমইসি, যাকে এখন প্রায়শই মাল্টি-অ্যাক্সেস এজ কম্পিউটিং বলা হয়, কম্পিউটিং সম্পদ সরাসরি রেডিও অ্যাক্সেস নেটওয়ার্ক (আরএএন)-এ একীভূত করে, যেমন সেলুলার বেস স্টেশনে। এই প্যারাডাইম ৫জি নেটওয়ার্কের জন্য অত্যন্ত গুরুত্বপূর্ণ, যা স্বায়ত্তশীল যানবাহন ও অগমেন্টেড রিয়েলিটির মতো অতি-নিম্ন বিলম্বতা অ্যাপ্লিকেশন সক্ষম করে।
4 এজ কম্পিউটিং-ভিত্তিক আইওটি আর্কিটেকচার
4.1 তিন-স্তর বিশিষ্ট আর্কিটেকচার
একটি সাধারণ আর্কিটেকচার নিম্নলিখিতগুলির সমন্বয়ে গঠিত:
- ডিভাইস/উপলব্ধি স্তর: সেন্সর, অ্যাকচুয়েটর এবং আইওটি ডিভাইস নিয়ে গঠিত যা ডেটা সংগ্রহ করে।
- এজ স্তর: এজ নোড (গেটওয়ে, সার্ভার, ক্লাউডলেট) অন্তর্ভুক্ত করে যা স্থানীয় ডেটা প্রক্রিয়াকরণ, ফিল্টারিং এবং বিশ্লেষণ সম্পাদন করে।
- ক্লাউড স্তর: ভারী-দায়িত্ব বিশ্লেষণ, দীর্ঘমেয়াদী সংরক্ষণ এবং বৈশ্বিক ব্যবস্থাপনার জন্য কেন্দ্রীয় ক্লাউড।
4.2 মূল সুবিধাসমূহ
- হ্রাসকৃত বিলম্বতা: স্থানীয় প্রক্রিয়াকরণ দূরবর্তী ক্লাউডে রাউন্ড-ট্রিপ বিলোপ করে।
- ব্যান্ডউইথ দক্ষতা: শুধুমাত্র প্রাসঙ্গিক বা সমষ্টিগত ডেটা ক্লাউডে প্রেরণ করা হয়।
- উন্নত গোপনীয়তা ও নিরাপত্তা: সংবেদনশীল ডেটা স্থানীয়ভাবে প্রক্রিয়া করা যেতে পারে।
- উন্নত নির্ভরযোগ্যতা: ক্লাউড সংযোগ সমস্যার সময় আধা-স্বায়ত্তশীলভাবে কাজ করে।
5 সক্ষমকারী প্রযুক্তিসমূহ
5.1 এজে আর্টিফিশিয়াল ইন্টেলিজেন্স
এআই মডেল (যেমন, অস্বাভাবিকতা সনাক্তকরণ, ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ, কম্পিউটার ভিশনের জন্য) সরাসরি এজ ডিভাইসে চালানো। এটির জন্য সম্পদ সীমাবদ্ধতার সাথে মানানসই করার জন্য প্রুনিং, কোয়ান্টাইজেশন এবং নলেজ ডিস্টিলেশন এর মতো মডেল অপ্টিমাইজেশন কৌশল প্রয়োজন। ইনফারেন্স প্রক্রিয়াটিকে $y = f_{\theta}(x)$ খুঁজে বের করা হিসাবে উপস্থাপন করা যেতে পারে, যেখানে $f_{\theta}$ হলো এজে মোতায়েন করা একটি লাইটওয়েট মডেল।
5.2 লাইটওয়েট ভার্চুয়ালাইজেশন
ডকার কন্টেইনার এবং ইউনিকার্নেলের মতো প্রযুক্তিগুলি বিচ্ছিন্ন, বহনযোগ্য অ্যাপ্লিকেশন পরিবেশ সরবরাহ করে যা ঐতিহ্যগত ভার্চুয়াল মেশিন (ভিএম) এর তুলনায় ন্যূনতম ওভারহেড সহ, যা এজ নোডে মাইক্রোসার্ভিস মোতায়েনের জন্য আদর্শ করে তোলে।
6 কেস স্টাডি ও অ্যাপ্লিকেশন
6.1 স্বাস্থ্যসেবা
ওয়্যারেবল সেন্সরের মাধ্যমে রোগীদের রিয়েল-টাইম পর্যবেক্ষণ। এজ নোডগুলি স্থানীয়ভাবে গুরুত্বপূর্ণ লক্ষণ (হৃদস্পন্দন, SpO2) বিশ্লেষণ করে জটিল অবস্থার জন্য তাৎক্ষণিক সতর্কতা ট্রিগার করে, সময়মত হস্তক্ষেপ নিশ্চিত করার পাশাপাশি সারসংক্ষেপ প্রতিবেদন ক্লাউডে প্রেরণ করে।
6.2 উৎপাদন
স্মার্ট কারখানায় ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ। যন্ত্রপাতির উপর কম্পন ও তাপমাত্রা সেন্সর একটি এজ গেটওয়েতে ডেটা প্রেরণ করে। স্থানীয় এআই মডেলগুলি সরঞ্জামের ব্যর্থতা ভবিষ্যদ্বাণী করে, যার ফলে বিচ্ছিন্নতা ঘটার আগেই রক্ষণাবেক্ষণ সম্ভব হয় এবং ডাউনটাইম হ্রাস পায়।
6.3 কৃষি
মাটির আর্দ্রতা, তাপমাত্রা এবং ফসলের স্বাস্থ্যের জন্য আইওটি সেন্সর ব্যবহার করে সুনির্দিষ্ট কৃষিকাজ। এজ ডিভাইসগুলি এই ডেটা প্রক্রিয়া করে সেচ ব্যবস্থা স্বায়ত্তশীলভাবে এবং রিয়েল-টাইমে নিয়ন্ত্রণ করে, পানি ব্যবহার অপ্টিমাইজ করে।
6.4 পরিবহন
স্বায়ত্তশীল যানবাহন ও ট্রাফিক ব্যবস্থাপনা। যানবাহনগুলি তাৎক্ষণিক নেভিগেশন সিদ্ধান্তের জন্য LiDAR এবং ক্যামেরা ডেটা প্রক্রিয়া করতে অনবোর্ড এজ কম্পিউটিং ব্যবহার করে, যখন সংযোগস্থলের এজ সার্ভারগুলি রিয়েল-টাইম প্রবাহের ভিত্তিতে ট্রাফিক লাইট প্যাটার্ন অপ্টিমাইজ করে।
7 গবেষণার চ্যালেঞ্জ ও ভবিষ্যৎ দিকনির্দেশনা
চ্যালেঞ্জ: এজ আর্কিটেকচারের মানকীকরণ, বিতরণকৃত নোডের নিরাপত্তা, বিভিন্নধর্মী ডিভাইস জুড়ে দক্ষ সম্পদ ব্যবস্থাপনা এবং বহু-সংশ্লিষ্ট পরিবেশে ডেটা গভর্নেন্স।
ভবিষ্যৎ দিকনির্দেশনা: ৬জি নেটওয়ার্কের সাথে একীকরণ, এজ-নেটিভ এআই-তে অগ্রগতি (যেমন, এজে ফেডারেটেড লার্নিং), আরও পরিশীলিত অর্কেস্ট্রেশন প্ল্যাটফর্মের উন্নয়ন (KubeEdge-এর মতো) এবং মেটাভার্স ও ডিজিটাল টুইনসের জন্য এজ কম্পিউটিং অন্বেষণ।
8 প্রযুক্তিগত বিশ্লেষণ ও অন্তর্দৃষ্টি
বিশ্লেষকের দৃষ্টিভঙ্গি: এজ-আইওটি নেক্সাসের বিশ্লেষণ
মূল অন্তর্দৃষ্টি: এই খসড়াটি এজ কম্পিউটিংকে কেবল ক্লাউডের একটি প্রযুক্তিগত শাখা হিসাবে নয়, বরং আইওটির স্কেলেবিলিটি প্যারাডক্সের জন্য প্রয়োজনীয় স্থাপত্যিক সংশোধন হিসাবে উপস্থাপন করে। কেন্দ্রীয় ক্লাউড মডেল, শক্তিশালী হলেও, বিলম্বতা-সংবেদনশীল, ব্যান্ডউইথ-ক্ষুধার্ত এবং গোপনীয়তা-সচেতন আইওটি অ্যাপ্লিকেশনের জন্য একটি মৌলিক বাধা সৃষ্টি করে। কাগজটি সঠিকভাবে চিহ্নিত করে যে আইওটির প্রকৃত মূল্য ডেটা তৈরিতে নয়, বরং তাৎক্ষণিক, স্থানীয়কৃত অ্যাকচুয়েশন-এ—এমন একটি কার্য যা ক্লাউড স্থাপত্যিকভাবে দক্ষতার সাথে প্রদান করার জন্য উপযুক্ত নয়। সাইবার-ফিজিক্যাল সিস্টেম (সিপিএস) সম্পর্কিত এডওয়ার্ড লি এবং সেশিয়ার মৌলিক কাজ দ্বারা সমর্থিত হিসাবে, গণনার সাথে ভৌত প্রক্রিয়াগুলোর দৃঢ় সংযোগ নির্ধারক সময়ের দাবি করে, যা দূরবর্তী ক্লাউড নিশ্চিত করতে পারে না।
যুক্তিসঙ্গত প্রবাহ ও শক্তি: অধ্যায়ের কাঠামো যুক্তিসঙ্গত, প্যারাডাইম থেকে আর্কিটেকচার হয়ে বাস্তব-বিশ্ব যাচাইকরণের দিকে অগ্রসর হয়। এর শক্তি কংক্রিটভাবে ক্লাউডলেট এবং এমইসি-এর পার্থক্য নির্দেশ করার মধ্যে নিহিত—একটি সূক্ষ্মতা যা প্রায়শই উপেক্ষা করা হয়। লাইটওয়েট ভার্চুয়ালাইজেশন-এর উপর জোর দেওয়া দূরদর্শী; কন্টেইনারাইজেশন (ডকার) এবং মাইক্রোভিএম প্রযুক্তি (ফায়ারক্র্যাকার) প্রকৃতপক্ষে এজ মোতায়েনের জন্য ডি ফ্যাক্টো স্ট্যান্ডার্ড, যেমন AWS IoT Greengrass এবং Azure IoT Edge-এর মতো প্ল্যাটফর্মে দেখা যায়, যা বিভিন্নধর্মী প্রান্তের জন্য অত্যন্ত গুরুত্বপূর্ণ "একবার লিখুন, যেকোনো জায়গায় মোতায়েন করুন" প্যারাডাইম সক্ষম করে।
ত্রুটি ও বাদ পড়া বিষয়: খসড়াটি, যদিও ব্যাপক, বিশাল অর্কেস্ট্রেশন চ্যালেঞ্জ-কে কম গুরুত্ব দেয়। হাজার হাজার বিতরণকৃত, সম্পদ-সীমাবদ্ধ এবং সম্ভাব্যভাবে মোবাইল এজ নোড পরিচালনা করা একটি কেন্দ্রীভূত ক্লাউড পরিচালনার চেয়ে বহুগুণ বেশি জটিল। KubeEdge এবং OpenYurt-এর মতো প্রকল্পগুলি এটি মোকাবেলা করছে, তবে এটি এখনও এন্টারপ্রাইজ গ্রহণের জন্য একটি প্রাথমিক বাধা। তদুপরি, নিরাপত্তা মডেলটি আশাবাদীভাবে বিবেচনা করা হয়েছে। একটি বিতরণকৃত এজ আক্রমণের পৃষ্ঠকে ব্যাপকভাবে প্রসারিত করে; প্রতিটি নোড একটি সম্ভাব্য প্রবেশ বিন্দু হয়ে ওঠে, যার জন্য জিরো-ট্রাস্ট আর্কিটেকচার প্রয়োজন যা এখনও পরিপক্ব হচ্ছে।
কার্যকরী অন্তর্দৃষ্টি: অনুশীলনকারীদের জন্য, উপসংহারটি স্পষ্ট: অসমতার জন্য ডিজাইন করুন। শুধুমাত্র একটি একক ক্লাউড অ্যাপ এজে পাঠাবেন না। একটি স্তরযুক্ত কৌশল ব্যবহার করুন: এজে রিয়েল-টাইম ইনফারেন্স ($y = \text{EdgeModel}(x)$) এবং তাৎক্ষণিক নিয়ন্ত্রণ সম্পাদন করুন, যখন শুধুমাত্র মডেল আপডেট এবং অস্বাভাবিক ডেটা প্যাটার্ন ($\Delta \theta$, $x_{anomaly}$) ক্লাউডে পুনঃপ্রশিক্ষণ এবং বৈশ্বিক অন্তর্দৃষ্টির জন্য প্রেরণ করুন। ভবিষ্যতের যুদ্ধক্ষেত্রটি কোরের কাঁচা কম্পিউট শক্তিতে নয়, বরং ডিভাইস থেকে ক্লাউড পর্যন্ত ধারাবাহিকতা জুড়ে বুদ্ধিমান সফটওয়্যার অর্কেস্ট্রেশন-এ হবে। K3s (লাইটওয়েট কুবেরনেটস) এর মতো প্ল্যাটফর্মের জন্য দক্ষতা এবং ফেডারেটেড লার্নিং ফ্রেমওয়ার্ক বোঝার ক্ষেত্রে বিনিয়োগ গুরুত্বপূর্ণ হবে। ৩৭.৯% CAGR-এর পূর্বাভাসটি অতিরঞ্জন নয়; এটি এই স্থাপত্যিক পরিবর্তনের শিল্পগত অপরিহার্যতায় পরিণত হওয়ার প্রতিফলন।
প্রযুক্তিগত বিবরণ ও গাণিতিক সূত্রায়ন
এজ এআই-তে একটি মূল অপ্টিমাইজেশন হলো মডেল বিলম্বতা বনাম নির্ভুলতার বিনিময়। প্যারামিটার $\theta$ সহ একটি মডেলের জন্য, কম্পিউট ক্ষমতা $C$ সহ একটি এজ ডিভাইসে ইনফারেন্স বিলম্বতা $L$ কে মডেল জটিলতার একটি ফাংশন হিসাবে মডেল করা যেতে পারে: $L \propto \frac{|\theta|}{C}$। কোয়ান্টাইজেশনের মতো কৌশলগুলি প্যারামিটারের নির্ভুলতা হ্রাস করে (যেমন, ৩২-বিট ফ্লোট থেকে ৮-বিট ইন্টিজারে), কার্যকরভাবে $|\theta|$ এবং এইভাবে $L$ হ্রাস করে, প্রায়শই ন্যূনতম নির্ভুলতা হ্রাস সহ। অপ্টিমাইজেশন সমস্যাটি নিম্নরূপ কাঠামোগত করা যেতে পারে:
$$\min_{\theta'} \, \mathcal{L}(f_{\theta'}, \mathcal{D}) \quad \text{সাপেক্ষে} \quad \text{বিলম্বতা}(f_{\theta'}) \leq T_{max}, \, \text{মেমরি}(f_{\theta'}) \leq M_{max}$$
যেখানে $\theta'$ হলো অপ্টিমাইজড প্যারামিটার, $\mathcal{L}$ হলো লস ফাংশন, $\mathcal{D}$ হলো ডেটাসেট, এবং $T_{max}$, $M_{max}$ হলো ডিভাইসের বিলম্বতা ও মেমরি সীমাবদ্ধতা।
বিশ্লেষণ কাঠামো: ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ কেস
পরিস্থিতি: শিল্প পাম্পের স্বাস্থ্যের জন্য কম্পন বিশ্লেষণ।
কাঠামো প্রয়োগ (নন-কোড):
- ডেটা উৎস: পাম্পে অ্যাক্সেলেরোমিটার (১ কিলোহার্টজে স্যাম্পলিং)।
- এজ প্রক্রিয়াকরণ (গেটওয়ে):
- ধাপ ১ (ফিল্টারিং): নিম্ন-ফ্রিকোয়েন্সি যন্ত্রপাতির গুঞ্জন দূর করতে একটি হাই-পাস ফিল্টার প্রয়োগ করুন।
- ধাপ ২ (বৈশিষ্ট্য নিষ্কাশন): ১-সেকেন্ড উইন্ডোতে সময়-ডোমেন বৈশিষ্ট্য (আরএমএস, কার্টোসিস) এবং ফ্রিকোয়েন্সি-ডোমেন বৈশিষ্ট্য (এফএফটি-এর মাধ্যমে প্রভাবশালী ফ্রিকোয়েন্সি) গণনা করুন।
- ধাপ ৩ (ইনফারেন্স): বৈশিষ্ট্য ভেক্টরকে এজ গেটওয়েতে একটি কন্টেইনারে মোতায়েন করা একটি প্রি-ট্রেন্ড, লাইটওয়েট র্যান্ডম ফরেস্ট বা ১ডি সিএনএন মডেলে ইনপুট করুন। মডেলটি একটি "স্বাস্থ্য স্কোর" (০-১) আউটপুট করে।
- ধাপ ৪ (অ্যাকচুয়েশন): যদি স্বাস্থ্য স্কোর < ০.৩ হয়, একটি স্থানীয় সতর্কতা ট্রিগার করুন এবং রক্ষণাবেক্ষণ টিকিট নির্ধারণ করুন। যদি স্কোর ০.৩-০.৬ এর মধ্যে হয়, পর্যবেক্ষণ ফ্রিকোয়েন্সি বাড়ান।
- ক্লাউড সিঙ্কিং: গেটওয়ে শুধুমাত্র স্বাস্থ্য স্কোর টাইম-সিরিজ এবং স্কোর < ০.৬ এর জন্য বৈশিষ্ট্য ভেক্টর দৈনিক ক্লাউডে প্রেরণ করে মডেল পুনঃপ্রশিক্ষণ এবং বহর-ব্যাপী বিশ্লেষণের জন্য।
ফলাফল: সতর্কতা প্রদানের জন্য বিলম্বতা সেকেন্ডেরও কম। কাঁচা কম্পন ডেটা স্ট্রিমিংয়ের তুলনায় ব্যান্ডউইথ ব্যবহার প্রায় ৯৯% হ্রাস পায়। ক্লাউড মডেলটি এজ-প্রাপ্ত অন্তর্দৃষ্টি ব্যবহার করে ক্রমাগত উন্নতি করে।
অ্যাপ্লিকেশন সম্ভাবনা ও ভবিষ্যৎ দিকনির্দেশনা
স্বল্পমেয়াদী (১-৩ বছর): রিয়েল-টাইম ট্রাফিক অপ্টিমাইজেশন এবং পাবলিক সেফটি ভিডিও বিশ্লেষণের জন্য স্মার্ট সিটিজ-এ বিস্তার। মাইক্রোগ্রিড এবং ইভি চার্জিং স্টেশন পরিচালনার জন্য বিতরণকৃত শক্তি গ্রিড-এ বৃদ্ধি। ব্যক্তিগতকৃত ইন-স্টোর অভিজ্ঞতা এবং ইনভেন্টরি ব্যবস্থাপনার জন্য খুচরা-তে সম্প্রসারণ।
মধ্যমেয়াদী (৩-৫ বছর): স্থানীয়কৃত, নিম্ন-বিলম্বতা মিডিয়া রেন্ডারিংয়ের জন্য (যেমন, এআর ফিল্টার, গেম অ্যাসেট) এআই-জেনারেটেড কনটেন্ট (এআইজিসি)-এর সাথে একীভূতকরণ। এজ-নেটিভ মেটাভার্স-এর উত্থান, যেখানে ভৌত পরিবেশের স্থায়ী ডিজিটাল টুইনস এজে বজায় রাখা হয় এবং এর সাথে মিথস্ক্রিয়া করা হয় প্রতিক্রিয়াশীলতা নিশ্চিত করার জন্য।
দীর্ঘমেয়াদী (৫+ বছর): সবকিছু স্বায়ত্তশীল (যানবাহন, ড্রোন, রোবট) এর ভিত্তি যার জন্য ডিভাইসগুলোর মধ্যে সহযোগিতামূলক উপলব্ধি ও সিদ্ধান্ত গ্রহণ প্রয়োজন (যানবাহন-থেকে-সবকিছু, V2X)। হলোগ্রাফিক যোগাযোগ ও সর্বব্যাপী সেন্সিং সমর্থনের জন্য পরবর্তী প্রজন্মের (৬জি+) নেটওয়ার্ক-এর সাথে একীকরণ। একটি "কম্পিউট ফ্যাব্রিক"-এর দিকে বিবর্তন যেখানে ডিভাইস, প্রান্ত এবং ক্লাউডের সম্পদ গতিশীলভাবে পুল করা হয় এবং একটি একক, নিরবিচ্ছিন্ন ইউটিলিটি হিসাবে অর্কেস্ট্রেট করা হয়।
9 তথ্যসূত্র
- Ashton, K. (2009). That 'Internet of Things' Thing. RFID Journal.
- Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge Computing: Vision and Challenges. IEEE Internet of Things Journal.
- Satyanarayanan, M. (2017). The Emergence of Edge Computing. Computer.
- ETSI. (2014). Mobile Edge Computing (MEC); Framework and Reference Architecture. ETSI GS MEC 003.
- Lee, E. A., & Seshia, S. A. (2017). Introduction to Embedded Systems: A Cyber-Physical Systems Approach. MIT Press.
- Market Research Report on Edge Computing (2023). [বাজার ডেটার জন্য প্রকল্পিত উদ্ধৃতি]।
- Han, S., Mao, H., & Dally, W. J. (2016). Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding. ICLR.
- Morabito, R. (2017). Virtualization on Internet of Things Edge Devices with Container Technologies: A Performance Evaluation. IEEE Access.
- KubeEdge. (2023). Kubernetes Native Edge Computing Framework. https://kubeedge.io
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. AISTATS.