1 Pengenalan
Konsep pengkomputeran meresap, yang diperkenalkan oleh W. Mark pada tahun 1999, dan Internet of Things (IoT), yang dicipta oleh Kevin Ashton pada tahun yang sama, telah berkembang dengan ketara. IoT menghubungkan objek fizikal ke Internet untuk interaksi dan pembuatan keputusan autonomi. Walau bagaimanapun, peranti IoT selalunya mempunyai sumber pengkomputeran dan tenaga yang terhad, menjadikan pemprosesan kompleks mencabar. Pengkomputeran pinggir telah muncul sebagai penyelesaian dengan membawa pengkomputeran dan penyimpanan data lebih dekat ke sumber data, mengurangkan kependaman dan penggunaan lebar jalur. Pasaran pengkomputeran pinggir global dinilai pada USD 11.24 bilion pada 2022 dan diunjurkan berkembang pada kadar CAGR 37.9% dari 2023 hingga 2030.
2 Paradigma Pengkomputeran untuk IoT
Beberapa paradigma pengkomputeran menyokong aplikasi IoT, setiap satunya mempunyai ciri dan kes penggunaan yang berbeza.
2.1 Pengkomputeran Awan
Pemprosesan berpusat di pusat data jauh. Menawarkan sumber yang luas tetapi memperkenalkan kependaman untuk aplikasi IoT sensitif masa.
2.2 Pengkomputeran Kabut
Meluaskan keupayaan awan ke pinggir rangkaian, mencipta lapisan antara peranti IoT dan awan. Ia menyediakan pemprosesan dan penyimpanan perantaraan.
2.3 Pengkomputeran Pinggir
Mendorong pengkomputeran dan penyimpanan data ke pinggir ekstrem rangkaian, iaitu pada atau berhampiran peranti IoT itu sendiri. Ia meminimumkan kependaman dan sesuai untuk pemprosesan masa nyata.
Huraian Pasaran
Pasaran Pengkomputeran Pinggir Global (2022): USD 11.24 Bilion
Unjuran CAGR (2023-2030): 37.9%
Sumber: Unjuran penyelidikan pasaran yang dipetik dalam draf.
3 Paradigma Pengkomputeran Pinggir
3.1 Pengkomputeran Cloudlet
Cloudlet ialah pusat data berskala kecil dan setempat yang diletakkan di pinggir rangkaian, selalunya berhampiran dengan pengguna (contohnya, dalam bangunan atau kampus). Ia menyediakan sumber pengkomputeran yang teguh dengan kependaman yang lebih rendah berbanding awan jauh, bertindak sebagai perantara untuk memunggah tugas dari peranti mudah alih/IoT yang mempunyai sumber terhad.
3.2 Pengkomputeran Pinggir Mudah Alih (MEC)
MEC, yang kini sering dirujuk sebagai Pengkomputeran Pinggir Pelbagai-Akses, mengintegrasikan sumber pengkomputeran terus ke dalam rangkaian akses radio (RAN), seperti di stesen pangkalan selular. Paradigma ini adalah penting untuk rangkaian 5G, membolehkan aplikasi kependaman ultra-rendah seperti kenderaan autonomi dan realiti tambah.
4 Seni Bina IoT Berasaskan Pengkomputeran Pinggir
4.1 Seni Bina Tiga Lapisan
Seni bina tipikal terdiri daripada:
- Lapisan Peranti/Persepsi: Terdiri daripada penderia, penggerak, dan peranti IoT yang mengumpul data.
- Lapisan Pinggir: Termasuk nod pinggir (get laluan, pelayan, cloudlet) yang melaksanakan pemprosesan data tempatan, penapisan, dan analitik.
- Lapisan Awan: Awan pusat untuk analitik berat, penyimpanan jangka panjang, dan pengurusan global.
4.2 Kelebihan Utama
- Kependaman Dikurangkan: Pemprosesan tempatan menghapuskan perjalanan pergi balik ke awan jauh.
- Kecekapan Lebar Jalur: Hanya data yang relevan atau terkumpul dihantar ke awan.
- Privasi & Keselamatan Dipertingkatkan: Data sensitif boleh diproses secara tempatan.
- Kebolehpercayaan Diperbaiki: Beroperasi separa autonomi semasa isu sambungan awan.
5 Teknologi Pemangkin
5.1 Kecerdasan Buatan di Pinggir
Menjalankan model AI (contohnya, untuk pengesanan anomali, penyelenggaraan ramalan, penglihatan komputer) terus pada peranti pinggir. Ini memerlukan teknik pengoptimuman model seperti pemangkasan, kuantisasi, dan penyulingan pengetahuan untuk menyesuaikan kekangan sumber. Proses inferens boleh diwakili sebagai mencari $y = f_{\theta}(x)$, di mana $f_{\theta}$ ialah model ringan yang disebarkan di pinggir.
5.2 Virtualisasi Ringan
Teknologi seperti bekas Docker dan unikernel menyediakan persekitaran aplikasi terpencil dan mudah alih dengan kos tambahan minimum berbanding mesin maya (VM) tradisional, menjadikannya sesuai untuk menyebarkan perkhidmatan mikro pada nod pinggir.
6 Kajian Kes & Aplikasi
6.1 Penjagaan Kesihatan
Pemantauan masa nyata pesakit melalui penderia boleh pakai. Nod pinggir menganalisis tanda vital (kadar denyutan jantung, SpO2) secara tempatan untuk mencetuskan amaran segera bagi keadaan kritikal, memastikan intervensi tepat pada masanya sambil menghantar laporan ringkasan ke awan.
6.2 Pembuatan
Penyelenggaraan ramalan di kilang pintar. Penderia getaran dan suhu pada jentera menghantar data ke get laluan pinggir. Model AI tempatan meramalkan kegagalan peralatan, membolehkan penyelenggaraan sebelum kerosakan berlaku, meminimumkan masa henti.
6.3 Pertanian
Pertanian tepat menggunakan penderia IoT untuk kelembapan tanah, suhu, dan kesihatan tanaman. Peranti pinggir memproses data ini untuk mengawal sistem pengairan secara autonomi dan masa nyata, mengoptimumkan penggunaan air.
6.4 Pengangkutan
Kenderaan autonomi dan pengurusan trafik. Kenderaan menggunakan pengkomputeran pinggir papan untuk memproses data LiDAR dan kamera untuk keputusan navigasi segera, manakala pelayan pinggir di persimpangan mengoptimumkan corak lampu isyarat berdasarkan aliran masa nyata.
7 Cabaran Penyelidikan & Hala Tuju Masa Depan
Cabaran: Pemiawaian seni bina pinggir, keselamatan nod teragih, pengurusan sumber cekap merentas peranti heterogen, dan tadbir urus data dalam persekitaran pelbagai pemegang taruh.
Hala Tuju Masa Depan: Integrasi dengan rangkaian 6G, kemajuan dalam AI asli pinggir (contohnya, pembelajaran gabungan di pinggir), pembangunan platform orkestrasi yang lebih canggih (seperti KubeEdge), dan penerokaan pengkomputeran pinggir untuk metaverse dan kembar digital.
8 Analisis Teknikal & Huraian
Perspektif Penganalisis: Mendekonstruksi Nexus Pinggir-IoT
Huraian Teras: Draf ini meletakkan pengkomputeran pinggir bukan sekadar sebagai cabangan teknikal awan, tetapi sebagai pembetulan seni bina yang diperlukan untuk paradoks kebolehskalaan IoT. Model awan pusat, walaupun berkuasa, mencipta kesesakan asas untuk aplikasi IoT sensitif kependaman, lapar lebar jalur, dan prihatin privasi. Kertas kerja ini mengenal pasti dengan betul bahawa nilai sebenar IoT bukan dalam penjanaan data, tetapi dalam penggerakan segera dan setempat—fungsi yang awan secara seni binanya tidak sesuai untuk menyediakan dengan cekap. Seperti yang disahkan oleh kerja seminal mengenai Sistem Siber-Fizikal (CPS) oleh Edward Lee dan Seshia, gandingan ketat pengkomputeran dengan proses fizikal memerlukan penentuan masa yang deterministik, yang tidak dapat dijamin oleh awan jauh.
Aliran Logik & Kekuatan: Struktur bab ini adalah logik, bergerak dari paradigma ke seni bina ke pengesahan dunia sebenar. Kekuatannya terletak pada pembezaan konkrit Cloudlet dan MEC—nuansa yang sering diabaikan. Penekanan pada virtualisasi ringan adalah bijak; kontenerisasi (Docker) dan teknologi mikroVM (Firecracker) sememangnya adalah piawaian de facto untuk penyebaran pinggir, seperti yang dilihat dalam platform seperti AWS IoT Greengrass dan Azure IoT Edge, membolehkan paradigma "tulis sekali, sebarkan di mana-mana" yang penting untuk pinggir heterogen.
Kelemahan & Ketinggalan: Draf ini, walaupun komprehensif, kurang menonjolkan cabaran orkestrasi yang monumental. Menguruskan ribuan nod pinggir teragih, terhad sumber, dan berpotensi mudah alih adalah lebih kompleks berlipat kali ganda berbanding mengurus awan berpusat. Projek seperti KubeEdge dan OpenYurt sedang menanganinya, tetapi ia kekal sebagai halangan utama kepada penerimaan perusahaan. Tambahan pula, model keselamatan dirawat secara optimistik. Pinggir teragih meluaskan permukaan serangan dengan ketara; setiap nod menjadi titik kemasukan berpotensi, memerlukan seni bina sifar-kepercayaan yang masih matang.
Huraian Boleh Tindak: Untuk pengamal, kesimpulannya jelas: Reka bentuk untuk asimetri. Jangan hanya tolak aplikasi awan monolitik ke pinggir. Gunakan strategi berlapis: laksanakan inferens masa nyata ($y = \text{EdgeModel}(x)$) dan kawalan segera di pinggir, sambil menghantar hanya kemas kini model dan corak data anomali ($\Delta \theta$, $x_{anomali}$) ke awan untuk latihan semula dan huraian global. Medan pertempuran masa depan bukan dalam kuasa pengkomputeran mentah di teras, tetapi dalam orkestrasi perisian pintar merentasi kontinum dari peranti ke awan. Melabur dalam kemahiran untuk platform seperti K3s (Kubernetes ringan) dan memahami rangka kerja pembelajaran gabungan akan menjadi kritikal. Unjuran CAGR 37.9% bukanlah gembar-gembur; ia adalah refleksi peralihan seni bina ini menjadi keperluan industri.
Butiran Teknikal & Formulasi Matematik
Satu pengoptimuman utama dalam AI pinggir ialah pertukaran kependaman model vs. ketepatan. Untuk model dengan parameter $\theta$, kependaman inferens $L$ pada peranti pinggir dengan kapasiti pengkomputeran $C$ boleh dimodelkan sebagai fungsi kerumitan model: $L \propto \frac{|\theta|}{C}$. Teknik seperti kuantisasi mengurangkan ketepatan parameter (contohnya, dari apungan 32-bit kepada integer 8-bit), secara efektif mengurangkan $|\theta|$ dan seterusnya $L$, selalunya dengan kehilangan ketepatan minimum. Masalah pengoptimuman boleh dirangka sebagai:
$$\min_{\theta'} \, \mathcal{L}(f_{\theta'}, \mathcal{D}) \quad \text{subject to} \quad \text{Latency}(f_{\theta'}) \leq T_{max}, \, \text{Memory}(f_{\theta'}) \leq M_{max}$$
di mana $\theta'$ ialah parameter dioptimumkan, $\mathcal{L}$ ialah fungsi kerugian, $\mathcal{D}$ ialah set data, dan $T_{max}$, $M_{max}$ ialah kekangan kependaman dan ingatan peranti.
Rangka Kerja Analisis: Kajian Kes Penyelenggaraan Ramalan
Skenario: Analisis getaran untuk kesihatan pam industri.
Aplikasi Rangka Kerja (Bukan Kod):
- Sumber Data: Akselerometer pada pam (persampelan pada 1 kHz).
- Pemprosesan Pinggir (Get Laluan):
- Langkah 1 (Penapisan): Gunakan penapis laluan tinggi untuk membuang dengungan jentera frekuensi rendah.
- Langkah 2 (Pengekstrakan Ciri): Kira ciri domain masa (RMS, Kurtosis) dan ciri domain frekuensi (frekuensi dominan melalui FFT) merentasi tetingkap 1-saat.
- Langkah 3 (Inferens): Masukkan vektor ciri ke dalam model Random Forest ringan atau CNN 1D yang telah dilatih sebelumnya dan disebarkan dalam bekas pada get laluan pinggir. Model mengeluarkan "skor kesihatan" (0-1).
- Langkah 4 (Penggerakan): Jika skor kesihatan < 0.3, cetuskan amaran tempatan dan jadualkan tiket penyelenggaraan. Jika skor antara 0.3-0.6, tingkatkan kekerapan pemantauan.
- Penyegerakan Awan: Get laluan menghantar hanya siri masa skor kesihatan dan vektor ciri untuk skor < 0.6 ke awan setiap hari untuk latihan semula model dan analisis seluruh armada.
Keputusan: Kependaman untuk pemberitahuan adalah kurang daripada satu saat. Penggunaan lebar jalur dikurangkan ~99% berbanding penstriman data getaran mentalah. Model awan terus bertambah baik menggunakan huraian yang diperoleh dari pinggir.
Prospek Aplikasi & Hala Tuju Masa Depan
Jangka pendek (1-3 tahun): Percambahan dalam Bandar Pintar untuk pengoptimuman trafik masa nyata dan analitik video keselamatan awam. Pertumbuhan dalam Grid Tenaga Teragih untuk menguruskan mikrogrid dan stesen pengecasan EV. Pengembangan dalam Peruncitan untuk pengalaman dalam kedai diperibadikan dan pengurusan inventori.
Jangka sederhana (3-5 tahun): Penumpuan dengan Kandungan Dijana AI (AIGC) untuk pemprosesan media setempat dan kependaman rendah (contohnya, penapis AR, aset permainan). Kebangkitan Metaverse Asli Pinggir, di mana kembar digital persekitaran fizikal dikekalkan dan diinteraksikan di pinggir untuk memastikan responsif.
Jangka panjang (5+ tahun): Asas untuk Autonomi Segala-galanya (kenderaan, dron, robot) memerlukan persepsi dan pembuatan keputusan kolaboratif antara peranti (kenderaan-ke-segala-galanya, V2X). Integrasi dengan Rangkaian Generasi Seterusnya (6G+) untuk menyokong komunikasi holografik dan penderiaan meresap. Evolusi ke arah "Fabrik Komputer" di mana sumber dari peranti, pinggir, dan awan dikumpulkan dan diorkestra secara dinamik sebagai utiliti tunggal yang lancar.
9 Rujukan
- 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). [Rujukan hipotesis untuk data pasaran].
- 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.