Эволюция периферийно-облачного континуума

Повседневные задачи человечества почти не менялись в течение его истории. Жизненные установки людей всегда определялись одними и теми же целями: преуспеть в работе, создать крепкую семью, дать детям образование, наслаждаться жизнью и т. п. Изменились лишь способы достижения этих целей: повседневная жизнь индивидуума меняется благодаря растущей автоматизации в области передвижения, покупок, развлечений и т. д. На рис. 1 представлена инфраструктура eCloud, предназначенная для удовлетворения потребностей общества будущего. Она обеспечит вычислительные мощности для преобразования показаний различных датчиков в полезные сведения и для автоматизации услуг повседневного спроса. В такой инфраструктуре системы туманных (fog computing) и периферийных, или граничных, вычислений (edge computing) [1] совместно с централизованной моделью коммунальных вычислений позволяют быстро обрабатывать потоки показаний датчиков, отбрасывая данные, не имеющие ценности. При этом вычислительные ресурсы предоставляются в рамках геораспределенной схемы по принципу близости к датчикам и устройствам конечных пользователей, например сотовым вышкам. Кроме того, обеспечивается переносимость приложений с сохранением состояния и выделением необходимых им мощностей [2].

Рис. 1. Инфраструктура, обеспечивающая удовлетворение повседневных потребностей общества будущего. Устройства (например, автомобили-роботы) являются источниками и потребителями информации, при этом вычислительные ресурсы им предоставляют периферийные узлы и облако

Терминология

Вычислительный континуум, в котором реализуются обработка, сетевые функции и хранение данных, можно разделить на четыре уровня.

1. Устройство. Платформа с сенсорными функциями и ограниченными возможностями обработки, датчики и приводы которой используются для разных применений: дрон, автомобиль, «массив вещей» [3], платформа дополненной реальности. Оркестровку устройств обеспечивают шлюзовые узлы. Как правило, устройства не предусматривают возможности обслуживания нескольких арендаторов, или «мультиарендности» (multitenancy).

2. Периферийный узел. МикроЦОД (как правило, на несколько серверных стоек), размещенный на небольшой площади: в центральном офисе телекоммуникационной компании, на вышке сотовой связи или в шкафу в офисном здании. Периферийные узлы являются мультитенантными и предоставляют вычислительные мощности устройствам в непосредственной близости от них — на расстоянии одного сетевого транзитного участка (последней мили).

3. Электронная ячейка eCell. Набор соседствующих и соединенных друг с другом периферийных узлов. Схема объединения («федерации») определяется с учетом контекста интересов (context of interest, COI) — потребностей конкретного приложения. Такую федерацию можно использовать для оптимизации на системном уровне, например, для балансировки нагрузки между узлами eCell, а также для оптимизации, зависящей от приложения. К примеру, если объединить информацию, поступающую от нескольких соседствующих узлов, то это позволит улучшить управленческие решения беспилотных автомобилей при изменении обстановки на участке дороги в несколько километров (в пределах площади, превышающей площадь покрытия любого периферийного узла). Многие критичные к задержке приложения требуют наличия горизонтальной связи между периферийными узлами. В eCell такая связь и обеспечивает объединение периферийных узлов, имеющих общий COI для конкретного приложения. При этом предполагается, что задержка при одноранговом обмене данными между периферийными узлами одной ячейки eCell существенно не меняется.

4. Облако. Центр обработки данных, имеющий практически неограниченные по сравнению с периферийным узлом вычислительные ресурсы, например Amazon Elastic Compute Cloud. Периферийные узлы осуществляют доступ к облаку через Интернет, поэтому задержка при обмене данными между периферией и облаком непредсказуема.

Робомобиль как движущая сила прогресса

Важной движущей силой развития периферийно-облачного континуума будут беспилотные автомобили. К числу таких применений можно отнести координацию управления автомобилями и дорожным движением для обеспечения безопасности и минимального времени проезда. Другое применение — получение медиаконтента по запросу на борту беспилотного автомобиля.

Управление автомобилями и дорожным движением

Полностью самоуправляемые автомобили появятся на дорогах примерно через десять лет. Таким автомобилям предстоит совместно и скоординированно принимать тактические решения об управлении и стратегические — по планированию маршрута. При этом в процедурах принятия таких решений будут одновременно участвовать множество транспортных средств. Чтобы обеспечить такое взаимодействие, необходимо организовать распределенную систему, включающую датчики различного назначения и выполняющую объединение данных с помощью каналов связи «автомобиль — автомобиль» и «автомобиль — периферия». Такая система должна предоставлять каждому автомобилю возможность формировать максимально точный цифровой образ его ближайшего окружения. Существующие на сегодня технологии связи между автомобилями позволяют передавать данные на короткие дистанции (примерно до 300 м), независимо от взаимного расположения машин. Возможна трансляция сведений о местонахождении, скорости, ускорении, статусе передачи и предыдущей траектории движения.

Рис. 2. Содействие автомобилям-роботам с помощью периферийных систем. Можно видеть, насколько важен взаимный обмен информацией между автомобилями-роботами, осуществляемый при поддержке периферийных систем

Системы связи 5G позволяют передавать и другие данные. Для координирующего управления автомобилями и дорожным движением понадобится иерархическая система, обеспечивающая контроль на локальном, региональном и глобальном уровнях. На самом нижнем уровне иерархии автомобили-роботы будут самостоятельно принимать решения о движении и планировании маршрутов с учетом данных, полученных от других автомобилей и от периферийных узлов. Принятие решений на уровне отдельных автомобилей будет осуществляться с помощью распределенных алгоритмов на основе консенсуса с целью минимизации рисков. На региональном уровне будут работать ячейки eCell: доступная им информация о состоянии автомобилей, находящихся в регионе, будет использоваться для планирования маршрутов в пределах зоны покрытия ячейки. В частности, eCell смогут предоставлять сведения о местонахождении пешеходов (рис. 2, a) или о встречном дорожном движении (рис. 2, б), недоступные конкретному автомобилю из-за препятствий. В связи с высокой скоростью движения автомобилей и наличием передвигающихся пешеходов, для обеспечения качества управления и координации необходимо, чтобы связь на региональном уровне осуществлялась с минимальной задержкой. На верхнем, общемировом уровне сквозное планирование маршрутов будет производиться в облаке с использованием сведений о движении по дорогам всего мира.

Видео по запросу в автомобилях

Видео по запросу уже сейчас составляет основную долю трафика Интернета, занимая примерно 65% всей пропускной способности каналов передачи данных к конечному пользователю (в сотовых сетях аналогичный показатель — 51%). С появлением самоуправляемых автомобилей видеотрафик резко вырастет — транспортные средства станут продолжением дома и офиса. Беспилотный автомобиль будет мобильным центром развлечений, в котором пассажиры смогут смотреть видео, перемещаясь в пункт назначения. Существующие сотовые сети пока неспособны справиться с растущим видеотрафиком. Но уникальная особенность видео по запросу — устойчивость к сетевой задержке. Пока есть достаточная пропускная способность, происходит буферизация больших фрагментов видео, а когда связь плохая, буферы опустошаются. Таким образом, поддержка мобильного видео по запросу — это задача доставки статичного контента, а не видеопотоков реального времени.

Рис. 3. Сервис доставки видео по запросу. Автомобиль сообщает планируемый маршрут следования. Фрагменты видео заранее загружаются на периферийные узлы и доставляются по быстрым каналам миллиметрового диапазона, когда автомобиль рядом. За автомобилями следуют дроны, транслируя контент по мере необходимости

На рис. 3 изображена общая схема сервиса доставки видео по запросу. Периферийные узлы заранее загружают видеоданные для конкретных автомобилей, те загружают фрагменты при входе в зону покрытия периферийного узла. Благодаря доступности планируемого маршрута автомобиля и данным о текущей дорожной обстановке, можно точно рассчитать план предварительной загрузки видео и последующего кэширования для других автомобилей, которым в дальнейшем может понадобиться тот же ролик. Со временем периферийных узлов станет больше — к ним присоединятся дроны, которые следуют за потоками машин. Благодаря этому сервисы доставки видео по запросу можно будет полностью возложить на периферию, высвободив пропускную способность сотовой сети для данных реального времени.

Комплексная концепция

Системы управления для автомобилей-роботов и системы развлечений для их пассажиров — наглядные примеры автономных сервисов общества будущего. Какие проблемы реализации таких сервисов могут возникнуть в рамках комплексной «экосистемы»? Главной трудностью станет разработка программного обеспечения, тогда как оборудование, в том числе датчики и вычислительные системы, развивается уже достаточно быстро. Более того, для реализации представленной концепции нужны скоординированные исследования в сфере датчиков и управляющих алгоритмов, управления данными и системной архитектуры (включая системное ПО, сетевые компоненты и компьютерную архитектуру). На рис. 4 представлена инфраструктура eCloud — системный стек и основные блоки для поддержки сервисов будущего.

Рис. 4. ECloud: комплексное полностековое решение для поддержки автономных сервисов будущего

Прикладные задачи

Управление робомобилями и дорожным движением

Координирующее управление автомобилями-роботами и дорожным движением требует одновременного решения задач сразу на нескольких уровнях. Сам автомобиль планирует движение в пределах небольшой дистанции с целью сведения к минимуму времени достижения очередного маршрутного ориентира и уменьшения риска принимаемых решений для себя и других автомобилей в окружении («зоне влияния»). Основная задача делится на ряд подзадач. Во-первых, каждый автомобиль должен располагать картой заполненности со сведениями о том, где каждый из автомобилей в его зоне влияния будет находиться в пределах некоторого интервала времени. Когда карты заполненности автомобилей перекрываются, это указывает на повышенный риск столкновений. Решения о рулении и торможении, по которым строятся карты заполненности, должны приниматься так, чтобы совокупный риск столкновения для всех участвующих транспортных средств был сведен к минимуму — по принципу распределенного консенсуса. При этом они должны учитывать вероятность отказа электромеханических подсистем участвующих автомобилей. С учетом соответствующих жестких ограничений консенсус при помощи периферийных узлов должен достигаться почти мгновенно (меньше, чем за 100 мс).

Во-вторых, необходима устойчивая работа систем принятия решений с учетом отказов периферийных узлов и динамического изменения задержки при обмене данными между автомобилями и с периферийными узлами. В идеале все узлы внутри eCell должны иметь согласованную картину ситуации в регионе, для того чтобы все автомобили в соответствующих границах могли принимать взаимно согласованные решения о планировании маршрута с минимальным риском. По мере движения автомобиля региональная картина каждой проезжаемой ячейки eCell меняется, соответственно, появляется необходимость формировать согласованную картину на каждом из периферийных узлов. Это непросто, необходимы алгоритмы управления автомобилями, которые обеспечат устойчивость к логической несогласованности и будут минимизировать риск для машин с учетом вероятности. Для сведения несогласованности к минимуму нужно, чтобы задержка координации взаимодействия периферийных узлов eCell не превышала 50–100 мс. Кроме того, сведения о действиях автомобилей должны отражаться в региональном обзоре, формируемом в eCell, и при глобальном планировании маршрутов, которое осуществляется в облаке. Таким образом, поскольку требования к сетевой задержке и пропускной способности варьируются динамически, нужно, чтобы среды выполнения на периферийных узлах были гибкими и быстрыми, а коммуникационный программный стек для обмена информацией между периферийными узлами eCell — малоресурсоемким.

Видео по запросу

Сегодня большинство приложений работы с медиаконтентом загружают видеопотоки из облачных сервисов, используя доступ к Интернету через сети мобильной связи, но, когда потребность в пропускной способности для видео возрастет, существующая инфраструктура не сможет справляться с передачей на автомобили контента высокого разрешения. В eCloud можно будет улучшить объем видео и обеспечить экономию пропускной способности за счет загрузки контента с периферийных узлов на запланированном маршруте следования автомобиля. При этом видеоприложение будет определять, как, когда и откуда загружать контент. Видеоприложение автомобиля будет взаимодействовать с бортовым модулем планирования маршрута, мгновенно получая сведения об изменении маршрута и времени. Приложение делится этими сведениями со своим облачным сервисом, а тот определяет оптимальный набор периферийных узлов, которые заранее загружают нужные сегменты видео по 1–2 Гбайт, подготавливая их к прибытию автомобиля. Видеоприложение получает информацию о доступности данных на периферийных узлах и выполняет действия с сетью, необходимые для ускоренной загрузки сегмента на проезжающий автомобиль. Чтобы сегмент загрузился за 10–15 с, пропускная способность канала должна составлять 1 Гбит/с. Учитывая ограничения скорости связи, «периферия — облако» и «периферия — автомобиль» должны уметь сопоставлять автомобили и периферийные узлы для их обслуживания с учетом времени прибытия, потребности в видео и времени, уходящего на обмен данными между автомобилем и периферией. Задача — обеспечить доставку максимального количества данных без пропуска сроков доставки.

Управление данными

В eCloud выполняется управление данными для поддержки слоя выполнения приложений. Приведем примеры задач, которые решаются на слое управления данными.

Управление беспилотными автомобилями. Поиск маршрутов от текущего местонахождения к пункту назначения в рамках пространственной сети. Поиск дорожных препятствий за пределами радиогоризонтов систем связи «автомобиль — автомобиль».

Видео по запросу. Поиск набора периферийных узлов, которых автомобиль достигнет в течение заданного периода времени с учетом его текущего местонахождения.

Управление пространственно-временными данными

В еCloud хранятся записи GPS по автомобилям в географически распределенной базе данных, которую используют алгоритмы координирующего планирования маршрутов, чтобы обеспечивать решение упомянутых задач для конкретного автомобиля. Существующие алгоритмы обработки пространственно-временных графов имеют ограничения, препятствующие их использованию для таких задач. Во-первых, они рассчитаны на статичные графы, не меняющиеся со временем в зависимости от окружающей обстановки. Во-вторых, такие алгоритмы предполагают, что весь набор данных доступен локально на самом устройстве. В eCloud же решение происходит путем обработки данных, распределенных по вычислительному континууму в условиях непостоянства задержки в сетях.

Управление визуальными данными

Помимо хранения видеоданных (например, записей с бортовых камер), eCloud будет хранить и обрабатывать аннотации из готовых моделей глубинного обучения — например, метки классификатора изображений. Такие аннотации занимают гораздо меньше места, чем видеоданные, и позволяют приложению быстро извлекать полезные знания из данных — например, обнаруживать пешеходов, скрытых препятствиями. Метки можно использовать повторно в разных экземплярах приложения, что позволит уменьшить потребность периферийных узлов в вычислительных ресурсах.

Возможности и проблемы

К числу перспективных подходов к повышению эффективности и доступности вычислительных ресурсов можно отнести: пространственно-временное разбиение траекторий, создание новых специализированных структур вспомогательных указателей и адаптацию существующих алгоритмов обработки пространственно-временных графов. Используя сведения о предыдущих траекториях, можно построить указатель доступности — систему, предоставляющую сведения об участках дороги, доступных в течение нужного временного интервала. Такой вспомогательный указатель позволил бы существенно уменьшить количество операций ввода-вывода для общего пространственно-временного указателя ячейки eCell.

Существующие на сегодня модели глубинного обучения содержат десятки вычислительных слоев для повышения точности прогнозирования, но с ростом числа слоев растет и задержка. Требования к точности зависят от приложения. Например, распознавание скрытых пешеходов требует максимальной точности, а подсчет количества беспилотных автомобилей, пересекающих перекресток, — нет. В зависимости от требований можно выбрать подходящую модель и пожертвовать точностью за счет уменьшения задержки благодаря использованию меньшего числа слоев формирования умозаключений.

Архитектура системы

Крупномасштабная распределенная система eCloud требует решения множества исследовательских задач, и среди главных факторов, усложняющих реализацию, необходимо отметить разнообразие программно-аппаратных ресурсов на уровне устройств и периферийных систем, а также разнобой ресурсов, обусловленный технологической эволюцией: хотя сети 5G обещают в 10–100 раз большую пропускную способность и в 5–10 раз меньшую задержку по сравнению с 4G, у каждой точки доступа 5G зона покрытия меньше. С появлением новых технологий, например 6G, этот разрыв станет еще больше. Соответственно, в периферийной инфраструктуре, охватывающей определенную площадь, увеличится количество узлов, что приведет к увеличению фрагментации ресурсов и повышению вероятности дисбаланса нагрузки, в связи с чем понадобится увеличить резервирование ресурсов в расчете на узел. Возможный метод решения — реализация эффективного механизма объединения ресурсов в пул, который позволил бы равномерно задействовать периферийные ресурсы, выполняя требования к масштабируемости и времени отклика. Объединять ресурсы в пул можно путем динамического формирования виртуального «суперузла», который позволяет индивидуальным периферийным узлам арендовать возможности соседних узлов, обеспечивая экономически эффективное распределение ресурсов и повышение устойчивости к локальным скачкам нагрузки.

Ячейки eCell представляют собой группы периферийных узлов, способных объединять свои ресурсы в общий пул (рис. 5). Границы ячейки непостоянны: они динамически перестраиваются в зависимости от требований приложения к ресурсам и задержке, от уровня нагрузки устройства и доступности ресурсов на периферийных узлах региона. Чтобы обеспечить такую логическую федерацию распределенных ресурсов, нужна плоскость управления, которая учитывает требования приложений, состояние сети и глобальную доступность ресурсов. Внутри ячейки также действует высокоскоростная плоскость данных, которая определяет, какой из узлов eCell должен обработать очередной входящий запрос.

Плоскость управления

Рис. 5. Динамические ячейки eCell. Сеть с четырьмя периферийными узлами, динамически сгруппированными в две ячейки (пунктирные линии), одна из которых отвечает за доставку видео по запросу, а другая — за планирование маршрутов. Узлы внутри ячейки объединены и могут распределять нагрузку между собой. Пунктирными линиями со стрелками обозначены метаданные мониторинга производительности, которые отправляются на выделенные контроллеры оркестровки уровня приложений каждой из ячеек

Плоскость управления eCloud состоит из двух логических компонентов, один из которых отвечает за оркестровку, а второй — за мониторинг. Уровень оркестровки имеет подуровни приложений и инфраструктуры (рис. 5). Оркестровщики уровня приложений (AppO) контролируют ресурсы конкретного приложения, например системы планирования маршрутов беспилотного автомобиля. Каждый AppO управляет жизненным циклом всех экземпляров такого приложения на периферийных узлах, в том числе первоначальным развертыванием и непрерывной адаптацией, обеспечивая выполнение необходимых приложению показателей качества обслуживания. При этом для выбора гранулярности ячейки eCell оркестровщик руководствуется требованиями приложения к времени задержки. Логически централизованный оркестровщик уровня инфраструктуры (InfraO) координирует работу множества AppO, обеспечивая балансировку нагрузки на уровне всей инфраструктуры и разрешая потенциальные конфликты резервирования ресурсов между AppO.

Входная точка устройства в eCloud — «домашний» узел, которым обычно является ближайший к устройству периферийный узел. Плоскость данных домашнего узла определяет, какой узел в соответствующей ячейке будет обслуживать каждый входящий запрос. Если домашний узел, не принадлежащий к eCell, примет решение увеличить свои возможности путем присоединения к пулу ресурсов, он подключает AppO, который передает запрос ресурсов к InfraO. Последний принимает решение о резервировании ресурсов с учетом общего уровня потребления ресурсов различными AppO в регионе. Развертывание eCell — эпизодическая управляющая операция, которая запускается, только когда приложение впервые запускается на периферийном узле или когда требуется перераспределение ресурсов ячейки.

Каждый периферийный узел непрерывно проверяет показатели производительности, чтобы проконтролировать, выполняет ли развернутое приложение свои требования по качеству обслуживания. Статистика показателей периодически передается контроллеру AppO приложения, который определяет, нужно ли выполнить перестройку eCell с помощью InfraO.

Плоскость данных

Любой периферийный узел ячейки eCell может принять решение об использовании пула ресурсов и переадресовать запрос, полученный от устройства в своей зоне покрытия, на другой равноправный узел для обслуживания. Чтобы эта схема была работоспособной, такие решения необходимо принимать очень быстро с учетом локальной вычислительной нагрузки, сетевых условий и доступности других узлов в eCell. Поскольку решения о переадресации чаще всего будут приниматься в условиях повышенной нагрузки узла, механизм их принятия должен быть нечувствительным к очередям запросов во избежание появления длительных непредсказуемых задержек.

Возможности и проблемы

Для реализации системной архитектуры eCloud понадобится преодолеть специфические сложности, связанные с созданием геораспределенной гетерогенной системы со строгими требованиями к качеству обслуживания. Фундаментом для такой архитектуры должны стать зрелые технологии, разработанные на сегодня в контексте распределенных систем и ЦОДов. Перспективной отправной точкой для механизмов быстрого развертывания и переноса приложений на периферии могли бы стать существующие контейнерные среды. Сейчас проводятся исследования, касающиеся холодного запуска контейнеров, и для eCloud понадобятся дополнительные изыскания в этой сфере, поскольку приложения нового поколения будут предъявлять очень жесткие требования к задержке.

Чтобы обеспечить возможность динамической перестройки ячеек и взаимодействия узлов внутри них, понадобятся механизмы воспроизведения и переноса состояния, а значит, придется решать проблемы обеспечения согласованности данных. С учетом различий в областях применения приложений, особенностях развертывания инфраструктуры и типах отказа, инженерам предстоит обратиться ко всему объему предыдущих разработок в области управления согласованностью данных в средах ЦОДов. Кроме того, если плоскость управления eCloud будет наиболее сложным компонентом, скорость работы плоскости данных станет определяющим фактором производительности. С учетом жестких требований к задержке, решения о переадресации запросов внутри eCell должны приниматься максимально быстро, особенно когда узел временно перегружен (в этой ситуации должен помочь механизм создания пула ресурсов). Поскольку решения о переадресации в целом не зависят от бизнес-логики конкретного приложения, стоит рассмотреть возможность применения специализированного оборудования, которое будет фильтровать входящие сообщения и в зависимости от них выполнять действия в течение фиксированного периода времени — чтобы избежать формирования очередей. При проектировании плоскости данных также можно применять практические знания о ЦОДах — в частности, решения о переадресации не должны быть бинарными, то есть запрос может быть обработан домашним узлом, удаленным узлом или тем и другим. Особенно полезными будут устойчивые к задержке методы выполнения операций в ЦОДах.

Сеть

Можно отметить различия в требованиях к сети механизмов управления и обеспечения безопасности автомобиля и к бортовым системам доставки видео по запросу. Критичные к безопасности механизмы управления и планирования маршрута полагаются на чувствительный к задержке обмен данными с автомобилем, а для видео по запросу требуется широкополосное соединение — более 1 Гбит/с, но при этом задержка несущественна, поскольку видеоданные можно загружать заранее.

Передача данных с низкой задержкой

Датчики каждого беспилотного автомобиля генерируют большой объем данных, используемых для управления и навигации. Обработка этих данных для распознавания окружающей обстановки выполняется в самом автомобиле, после чего информация передается на локальные периферийные узлы по сети 5G в миллиметровом диапазоне. Плоскость управления eCloud предоставляет сведения о местонахождении периферийных узлов и соединениях, что позволяет уменьшить задержку при установлении связи в процессе движения автомобиля. Периферийные узлы при формировании регионального обзора ситуации передают эти сведения с помощью кода нефиксированной скорости (rateless encoding), который может быть получен одновременно другими автомобилями, находящимися на различных расстояниях от периферийного узла, без явного согласования канала или потока.

Широкополосная передача данных

Для доставки автомобилю видео по запросу нужны выделенные широкополосные каналы. Такой канал можно организовать с помощью сетей нового поколения, работающих в миллиметровом диапазоне, — их пиковая пропускная способность при загрузке достигает нескольких гигабитов в секунду, тогда как скорость, необходимая для воспроизведения видео, составляет лишь мегабиты в секунду. Соответственно, для обслуживания большого количества автомобилей будет достаточно нескольких периферийных узлов. Такой узел будет заранее загружать нужные фрагменты видео по волоконно-оптическому соединению из облака, а как только автомобиль попадет в его зону покрытия, узел быстро передаст видеоконтент.

Проблемы и возможности

Обеспечение возможности непрерывной загрузки «дайджестов» данных беспилотного автомобиля в облако — сложная сетевая задача. Не менее трудно будет наладить и надежную широковещательную рассылку. Что касается доставки видео по запросу, то, с учетом короткого периода контакта, важно обеспечить быстрое установление и разрыв соединения между периферией и автомобилем. Надо отметить, что существующие на сегодня устройства с поддержкой связи в миллиметровом диапазоне перед установлением соединения должны выполнить процедуру сканирования соседних узлов с целью выбора направления миллиметровых волн, которая занимает определенное время. В качестве решения можно задействовать возможность совместного использования радиоканалов и, благодаря доступности сведений реального времени о местонахождении автомобилей, обеспечить автоматизацию выбора направления распространения миллиметрового излучения. Динамику изменения пропускной способности по мере приближения автомобиля к периферийному узлу и последующего удаления от него можно рассчитывать заранее. Кроме того, архитектура eCell предусматривает возможность горизонтального перемещения контента между периферийными узлами. Таким образом, если периферийный узел не может доставить запрашиваемые данные автомобилю, плоскость управления AppO, отвечающего за видео по запросу, может предупредить следующий периферийный узел eCell, с тем чтобы необходимые сегменты видео были переданы на него с помощью плоскости данных.

***

Обществу будущего будут необходимы автономные сервисы повседневного использования. Но чтобы такие сервисы стали полностью автономными и не требовали активного вмешательства человека, как сегодня, необходимо взаимное развитие технологий в сфере управляющих алгоритмов, систем управления данными, системной архитектуры и сетей. Потенциальные возможности таких технологий и трудности на пути к их реализации показаны на примере самоуправляемых автомобилей. Однако компоненты предложенного системного стека универсальны и могут использоваться в других областях, в том числе критичных к безопасности — например, в видеонаблюдении и в работе служб спасения в условиях техногенных и природных катастроф, а также в социальных сетях с функциями дополненной реальности.

Литература

1. M. Satyanarayanan, P. Bahl, R. Caceres, N. Davies. The case for vm-based cloudlets in mobile computing // IEEE Pervasive Comput. — 2009. — Vol. 8, N. 4. — P. 14–23. doi:10.1109/MPRV.2009.82.

2. K. Hong, D. Lillethun, B. Koldehofe, B. Ottenwaelder, U. Ramachandran. Mobile fog: A programming model for large-scale applications on the Internet of Things. In Proc. Workshop Mobile Cloud Comput. — 2013. — P. 15–20.

3. Urban center for computation and data. Array of Things (AoT). URL: http://arrayofthings.github.io/ (дата обращения: 16.03.2021).

Джой Арулрадж (arulraj@gatech.edu)  —  доцент, Абхиджит Чаттерджи  —  профессор (abhijit.chatterjee@ece.gatech.edu), Александрос Даглис (adaglis@gatech.edu)  —  доцент, Ашутош Дхекне (dhekne@gatech.edu)  —  доцент, Умакишор Рамачандран (rama@gatech.edu)  —  профессор, Технологический институт Джорджии.

Joy Arulraj, Abhijit Chatterjee, Alexandros Daglis, Ashutosh Dhekne, Umakishore Ramachandran, eCloud: A Vision for the Evolution of the Edge-Cloud Continuum. IEEE Computer, May 2021, IEEE Computer Society. All rights reserved. Reprinted with permission.