Accélérer l'analytique : comparer les performances Edge, Hybride et Cloud

Pour déterminer où effectuer l'analyse, les caractéristiques de l'application et la bande passante de transfert edge-cloud sont les facteurs clés affectant la performance.

Le débat sur l'emplacement optimal du traitement

Ces dernières années, on a poussé vers l'edge avec le « fog computing », où actifs et traitements sont déployés où c'est approprié le long du spectre entre cloud centralisé et environnement edge, selon l'application.

Alors que les entreprises entrent dans l'économie temps réel, le débat fait rage sur quel stade du spectre offre la performance ou réactivité optimales. Les services cloud offrent capacité et traitement à la demande, mais sont souvent ralentis par la latence quand données et commandes traversent divers réseaux. Les arrangements hybrides offrent un traitement local et le mouvement de données peut être accéléré via des systèmes en mémoire, mais les vitesses peuvent être inconsistantes. Déplacer le traitement entièrement sur les appareils edge peut donner une analytique rapide sur site, mais ne peut être facilement partagé à l'échelle de l'entreprise.

Voir aussi : Pourquoi l'edge computing peut aider l'IoT à atteindre son plein potentiel

C'est le résumé d'une présentation et d'un article à la conférence IEEE Edge Computing par une équipe de l'Université de l'Arkansas. L'équipe, menée par Dumitrel Loghin de l'Université nationale de Singapour, a mis ces trois modes majeurs d'edge computing à l'épreuve, et conclut qu'en vitesse, c'est match nul entre les trois modes de livraison de données. Leur analyse pilotée par les mesures « révèle un paysage de performance diversifié où il n'y a pas de vainqueur clair parmi le cloud seul, l'edge seul et le traitement hybride. Cependant, les caractéristiques de l'application et la bande passante de transfert edge-cloud sont les facteurs clés affectant la performance. »

L'équipe a conduit ses mesures sur sept applications MapReduce différentes sur deux appareils edge basse consommation et sur le cloud AWS. Bien que toutes les applications MapReduce ne conviennent pas au traitement hybride edge-cloud, parmi celles qui le sont, elles ont analysé les vitesses sur clusters edge et cloud séparés et un cluster unique edge-cloud.

Plusieurs facteurs ont affecté la performance, dont les caractéristiques d'application comme la sélectivité, et la bande passante edge-cloud. Par exemple, les deux applications Hadoop primaires mesurées ont montré des vitesses variables selon les liens réseau intra et inter-clusters. Le cluster hybride MapReduce unique est 41 % et 63 % plus lent que les clusters edge et cloud séparés pour certains processus sélectionnés, mais 85 % et 100 % plus rapide pour d'autres.

Les chercheurs notent aussi que les configurations ont été créées « en utilisant trois régions AWS cloud, de sorte que deux simulent l'edge et la troisième représente le cloud. Nous choisissons de simuler l'edge avec des instances cloud car nous voulons analyser l'influence du temps de transfert et de la bande passante plutôt que l'effet du matériel sur l'accélération cloud par rapport à l'edge. En utilisant le même type de nœuds pour l'edge et le cloud, nous minimisons l'effet d'accélération cloud. De plus, nous utilisons deux régions pour l'edge car dans les scénarios réels, les organisations ont plus d'un cluster edge pour agréger les données. »