كليدواژه :
رايانش شبنم , رايانش ابري , رايانش مه , محاسبات لبه , اينترنت اشياء
چكيده فارسي :
ما در دنيايي زندگي مي كنيم كه در آن محصولات مصرفي، وسايل نقليه، قطعات و ابزارآلات صنعتي، سنسورها
و ساير اشياء روزمره با اتصالات اينترنتي و سامانه هاي تحليل داده قدرتمند تركيب شدهاند. بواسطه اينترنت اشياء 1 ،
ما در حال توليد حجم وسيعي از داده ها هستيم. اينترنت اشيا مفهومي جديد و محاسباتي است كه دنياي ما را
هوشمند تر مي سازد، به كمك اين فناوري، همه اشيا همواره قادر خواهند بود با يكديگر درحال تعامل باشند و
دادههاي بسياري را از وضعيت خود توليد كنند. با رشد و افزايش سرعت توليد و حجم بي سابقه داده ها، زير
ساختهاي مبتني بر ابر به تنهايي پاسخگوي نيازهاي اين فناوري نميباشد و بايد در نظر داشت عملكرد اينترنت اشيا
به گونه اي است كه متكي به ابر بوده و اين ميتواند منجر به ناكار آمدي آن شود. تاخير و پهناي باند دو عامل مهم
در ناكارآمدي رايانش ابري است، با توجه به حجم زياد داده ها و تاخير زياد در پردازش ممكن است سبب شود كه
ابر نتواند به موقع واكنش مناسبي نسبت به وقايع و رويداد ها داشته باشد. عدم پهناي باند مناسب نيز به شبكه
اينترنت اشيا آسيب مي رساند، ديوايس ها داده هاي زيادي را در شبكه توليد ميكنند كه اگر قادر به ارسال تمام اين
داده ها به ابر براي پردازش نباشد ميتواند باعث از بين رفتن اطلاعات مهمي براي تصميم گيري شود. بنابراين
اينترنت اشيا به يك راه حل نياز دارد كه اين چالشها را برطرف نمايد. براي اين منظور رايانش مه يا رايانش لبه با
محوريت رفع اين محدوديت ها ارايه شد. در اين نوع از رايانش، كه به صورت محلي و غيرمتمركز مي باشد، پردازش
داده ها در نزديكي محل توليد داده ها صورت مي گيرد. تركيب راهكار رايانش مه ورايانش ابري ميتواند نيازهاي
فناوري اينترنت اشيا را برطرف سازد. با وجود افزايش استفاده از رايانش ابري هنوز مسائل حل نشده به دليل
مشكلات ذاتي رايانش ابري مانند زمان تأخير غير قابل اعتماد، عدم پشتيباني از سيار بودن و محل قرارگيري
اطلاعات وجود دارد. بنابراين ما به يك پارادايم محاسباتي نياز داريم كه به ما اجازه انجام محاسبات بر روي دادهها را
قبل از ارسال آنها به ابر بدهد، كه اين موضوع به ما امكان كار بر روي داده ها را قبل از اينكه گم شوند و از دست
بروند ميدهد. رايانش مه يك پارادايم است كه محاسبات ابري را با ارسال سرويس ها به لبه هاي شبكه، توسعه
ميدهد و نيز محاسبه شبنم يك الگوي رايانشي سازمان يافته نرم افزاري در عصر محاسبات ابري است. از زمان آغاز
ساختمان كار اينترنتي كه به طور مداوم به عنوان ستون اصلي و بنيادي از جنبههاي موجود مانند ابر، مه و
محاسبات لبه عمل ميكند . در اين مقاله، به توصيف ويژگيهاي مختلف از رايانش شبنم و توصيف برخي از
كاربردهاي آن و همچنين مقايسه پارامتريك آنها با پاراديوم هاي رايانش ابري مي پردازيم
چكيده لاتين :
We live in a world where consumer products, vehicles, industrial parts and tools, sensors and other everyday objects are combined with powerful Internet connectivity and powerful analysis systems. Through the internet of things, we are producing a large amount of data. The internet of things is a new concept and computing that makes our world smarter, with the help of this technology, all objects will always be able to interact with each other and generate a lot of data from their own situation. With the growth of the speed of production and the unprecedented level of data, cloud-based infrastructure alone does not meet the needs of this technology, and it should be borne in mind that the functionality of the Internet of objects is reliant on the cloud, which can lead to inefficiencies. Latency and bandwidth are two important factors in cloud computing inefficiency, due to the large amount of data and the high processing latency, the cloud can't respond promptly to incidents and events. The lack of appropriate bandwidth also the network of internet objects damages, the devices produce a lot of data in the network, which, if it is not possible to send all these data to the cloud for processing, can destroy important information for decision making. Therefore, the internet of things needs a solution to address this challenge. For this purpose, false computing or edge computing has been focused on removing these constraints. In this type of computing, which is locally and decentralized, data processing is done near the data production site. Combining its cloud computing solution can meet the needs of the internet technology of objects. Despite the increasing use of cloud computing, there are still unresolved issues due to inherent problems of cloud computing such as unreliable latency, lack of mobility support and location. Information is there. Therefore, we need a computational paradigm that allows us to compute the data before sending it to the super-batch, which allows us to work on the data before it is lost and lost. May's computing is a paradigm that expands cloud computing by sending services to the edge of the network, and dew computing is an organized computerized computing pattern in the era of cloud computing. Since the launch of the internet work, it has been continuously serving as the main pillar of the existing aspects of cloud, fog, and edge computing.
In this paper, we describe the various properties of dew computing and describe some of its applications, as well as their parametric comparison with cloud computing paradigms.
