[ad_1]
만연한 힘으로서 기술의 진화는 종종 시간이 많이 걸리는 과정입니다. 하지만 에지 컴퓨팅 다릅니다 — 영향 반경이 기하급수적으로 증가하고 있습니다. AI는 에지가 중요한 역할을 하는 영역이며 Kneron, IBM, Synaptic, Run:ai 등과 같은 회사가 기술에 투자하는 방식에서 분명합니다.
우주 기술 또는 의료와 같은 다른 산업에서는 다음과 같은 회사가 있습니다. 포티파이에지 그리고 싸이더스 스페이스 엣지 컴퓨팅을 위해 큰 계획을 세우고 있습니다.
앱 성능 및 보안에 관한 기술 발전 및 질문
그러나 이러한 거의 어디에나 있는 존재는 앱 성능 및 보안에 관한 질문을 유발할 수밖에 없습니다. 에지 컴퓨팅도 예외는 아니며 최근 몇 년 동안 새로운 도구 수용 측면에서 더욱 포괄적이 되었습니다.
신생 기업을 위한 신생 기술 책임자로서의 경험을 통해 저는 엣지 컴퓨팅을 채택하기 전에 엣지 컴퓨팅이 어디로 향하고 있는지 이해하는 것이 필수적이라는 것을 알게 되었습니다. 내 이전에 ReadWrtie에 대한 기사 — 에지 컴퓨팅의 주요 원동력에 대해 논의했습니다. 이 기사에서 저는 시급한 산업 문제를 해결하고 미래를 형성하려는 최근의 기술 개발에 초점을 맞춥니다.
JavaScript 라이브러리를 위한 더 나은 대안으로 등장하는 WebAssembly
JavaScript 기반 AI/ML 라이브러리는 웹 기반 애플리케이션에 널리 사용되며 완성도가 높습니다. 그 원동력은 에지 분석을 실행하여 개인화된 콘텐츠를 제공하는 효율성을 높이는 것입니다. 그러나 제약이 있으며 샌드박스와 같은 보안을 제공하지 않습니다. VM 모듈은 안전한 샌드박스 실행을 보장하지 않습니다. 게다가 컨테이너 기반 애플리케이션의 경우 시작 대기 시간이 주요 제약 조건입니다.
WebAssembly는 에지 애플리케이션 개발의 대안으로 빠르게 부상하고 있습니다. 이식 가능하며 샌드박스 런타임 환경으로 보안을 제공합니다. 또한 콜드(느린) 시작 컨테이너보다 컨테이너를 더 빠르게 시작할 수 있습니다.
기업은 WebAssembly 기반 코드를 활용하여 브라우저에서 AI/ML 추론을 실행하고 CDN PoP를 통해 프로그램 로직을 실행할 수 있습니다. 산업 전반에 대한 침투가 증가했습니다. 상당히그리고 연구 연구 소스 코드 리포지토리, 패키지 관리자 및 라이브 웹 사이트에 이르는 여러 소스의 바이너리를 분석하여 이를 지원합니다. 얼굴 표정을 인식하고 이미지 또는 비디오를 처리하여 운영 효율성을 개선하는 사용 사례는 WebAssembly에서 더 많은 이점을 얻을 수 있습니다.
Edge AI에 대한 더 나은 최적화를 보장하는 TinyML
에지 AI는 에지에 AI/ML 애플리케이션을 배포하는 것을 말합니다. 그러나 대부분의 에지 장치는 컴퓨팅, 스토리지 및 네트워크 대역폭 측면에서 클라우드 또는 서버 시스템만큼 리소스가 풍부하지 않습니다.
TinyML은 리소스 제약 장치에서 AI/ML을 사용하는 것입니다. 장치 에지에서 에지 AI 구현을 주도합니다. TinyML에서 가능한 최적화 접근 방식은 AI/ML 모델을 최적화하고 AI/ML 프레임워크를 최적화하는 것이며 이를 위해서는 ARM 아키텍처가 완벽한 선택입니다.
에지 장치용으로 널리 사용되는 아키텍처입니다. 연구 연구 AI/ML 추론과 같은 워크로드의 경우 ARM 아키텍처가 x86에 비해 성능당 가격이 더 우수함을 보여줍니다.
모델 최적화를 위해 개발자는 모델 가지치기, 모델 축소 또는 매개변수 양자화를 사용합니다.
그러나 TinyML에는 모델 배포, 다양한 모델 버전 유지, 애플리케이션 관찰 가능성, 모니터링 등의 측면에서 몇 가지 경계가 있습니다. 통칭하여 이러한 운영상의 문제를 TinyMLOP라고 합니다. TinyML의 채택이 증가함에 따라 제품 엔지니어는 TinyMLOP의 솔루션 제공 플랫폼에 더 많은 관심을 갖게 될 것입니다.
여러 CSP에 대한 아키텍처 블록을 무효화하기 위한 오케스트레이션
클라우드 서비스 공급자(CSP)는 이제 네트워크 에지에 더 가까운 리소스를 제공하여 다양한 이점을 제공합니다. 이는 여러 CSP와의 작업을 선호하는 비즈니스에 몇 가지 아키텍처 문제를 제기합니다. 완벽한 솔루션을 위해서는 실시간 네트워크 트래픽, 대기 시간 수요 및 기타 매개변수를 기반으로 에지 워크로드를 최적으로 배치해야 합니다.
분산된 에지 워크로드의 오케스트레이션 및 실행을 최적으로 관리하는 서비스에 대한 수요가 높아질 것입니다. 그러나 최적의 리소스 관리 및 서비스 수준 계약(SLA)을 보장해야 합니다.
다음과 같은 오케스트레이션 도구 쿠버네티스, Docker Swarm 등은 현재 컨테이너 기반 워크로드 또는 서비스 관리에 대한 수요가 높습니다. 이러한 도구는 응용 프로그램이 웹 규모에서 실행될 때 잘 작동합니다. 그러나 리소스 제약이 있는 에지 컴퓨팅의 경우 이러한 오케스트레이션 도구의 컨트롤 플레인은 상당한 리소스를 소비하므로 완전히 부적합합니다.
같은 프로젝트 K3S 그리고 KubeEdge 에지별 구현을 위해 Kubernetes를 개선하고 조정하기 위한 노력입니다. KubeEdge는 당 최대 100,000개의 동시 에지 노드를 확장한다고 주장합니다. 이 테스트 보고서. 이러한 도구는 에지 컴퓨팅 요구 사항을 충족하기 위해 추가 개선 및 최적화를 거칩니다.
노드에서 학습을 활성화하고 데이터 유출을 줄이기 위한 연합 학습
제휴 학습 모델이 최종 장치, 조직 또는 개인과 같은 데이터 소스에 개별적으로 구축되는 분산 기계 학습(ML) 접근 방식입니다.
에지 컴퓨팅의 경우 분산 데이터 소스, 대용량 데이터, 데이터 개인 정보 보호 제약과 관련된 문제를 효율적으로 해결할 수 있는 연합 머신 러닝 기술이 대중화될 가능성이 높습니다.
이 접근 방식을 사용하면 개발자가 학습 데이터를 중앙 서버로 전송할 필요가 없습니다. 대신 여러 분산 에지 노드가 공유 기계 학습 모델을 함께 학습할 수 있습니다.
연합 학습과 함께 개인 정보 차등 기술의 사용과 관련된 연구 제안도 상당한 호응을 얻고 있습니다. 그들은 미래에 데이터 프라이버시를 강화할 것을 약속합니다.
제로 트러스트 아키텍처는 더 나은 보안을 약속합니다
기존의 경계 기반 보안 접근 방식은 에지 컴퓨팅에 적합하지 않습니다. 에지 컴퓨팅의 분산 특성으로 인해 뚜렷한 경계가 없습니다.
그러나 제로 트러스트 아키텍처는 리소스에 액세스하는 동안 신뢰가 없다고 가정하는 사이버 보안 전략입니다. 제로 트러스트의 원칙은 “By no means belief, at all times confirm”입니다. 모든 요청은 인증, 승인 및 지속적으로 검증되어야 합니다.
엣지 컴퓨팅의 분산 특성을 고려하면 공격 표면이 더 넓을 가능성이 높습니다. 제로 트러스트 보안 모델은 에지 리소스, 워크로드 및 에지와 상호 작용하는 중앙 집중식 클라우드를 보호하는 데 적합할 수 있습니다.
결론적으로
IoT의 진화하는 요구, 메타버스그리고 블록체인 앱 기술이 이러한 도메인에 대해 더 나은 성능, 규정 준수 및 향상된 사용자 경험을 보장할 수 있으므로 에지 컴퓨팅의 높은 채택을 촉발할 것입니다. 에지 컴퓨팅을 둘러싼 이러한 주요 기술 발전에 대한 인식은 결정을 알리고 구현의 성공을 개선하는 데 도움이 될 수 있습니다.
저자가 제공한 추천 이미지 크레디트; AdobeStock; 감사합니다!
[ad_2]
Source_