การประมวลผลแบบเอดจ์ (Edge computing)เป็น รูปแบบ การประมวลผลแบบกระจายที่นำการประมวลผลและการจัดเก็บข้อมูลมาไว้ใกล้กับแหล่งข้อมูลมากขึ้น โดยทั่วไปแล้ว หมายถึงการออกแบบใดๆ ที่ผลักดันการประมวลผลให้ใกล้กับผู้ใช้มากขึ้น เพื่อลดความหน่วงเมื่อเทียบกับการที่แอปพลิเคชันทำงานบนศูนย์ข้อมูลส่วนกลาง^{[ 1 ]}

คำนี้เริ่มถูกใช้ในช่วงทศวรรษ 1990 เพื่ออธิบายเครือข่ายการส่งมอบเนื้อหาซึ่งใช้ในการส่งมอบเนื้อหาเว็บไซต์และวิดีโอจากเซิร์ฟเวอร์ที่ตั้งอยู่ใกล้กับผู้ใช้^{[ 2 ]}ในช่วงต้นทศวรรษ 2000 ระบบเหล่านี้ได้ขยายขอบเขตไปสู่การโฮสต์แอปพลิเคชันอื่นๆ^{[ 3 ]}ซึ่งนำไปสู่บริการการประมวลผลแบบเอดจ์ในยุคแรก^{[ 4 ]}บริการเหล่านี้สามารถทำสิ่งต่างๆ เช่น ค้นหาตัวแทนจำหน่าย จัดการตะกร้าสินค้า รวบรวมข้อมูลแบบเรียลไทม์ และวางโฆษณา

อินเทอร์เน็ตของสิ่งต่างๆ (IoT) ซึ่งอุปกรณ์ต่างๆ เชื่อมต่อกับอินเทอร์เน็ตมักจะเชื่อมโยงกับการประมวลผลแบบเอดจ์^{[ 5 ]}

การประมวลผลแบบเอดจ์เกี่ยวข้องกับการเรียกใช้โปรแกรมคอมพิวเตอร์ที่ให้การตอบสนองอย่างรวดเร็วใกล้กับจุดที่มีการร้องขอ Karim Arabi ในระหว่างการกล่าวปาฐกถาหลักในงาน IEEE DAC 2014 ^{[ 6 ]}และต่อมาในงานสัมมนา MIT MTL ในปี 2015 ได้อธิบายการประมวลผลแบบเอดจ์ว่าเป็นการประมวลผลที่เกิดขึ้นนอกระบบคลาวด์ณ ขอบเครือข่าย โดยเฉพาะอย่างยิ่งสำหรับแอปพลิเคชันที่ต้องการการประมวลผลข้อมูลทันที^{[ 7 ]}

การประมวลผลแบบเอดจ์มักเทียบเท่ากับการประมวลผลแบบฟ็อกโดยเฉพาะอย่างยิ่งในระบบขนาดเล็ก^{[ 8 ]}อย่างไรก็ตาม ในการใช้งานขนาดใหญ่ เช่นเมืองอัจฉริยะการประมวลผลแบบฟ็อกทำหน้าที่เป็นชั้นที่แตกต่างกันระหว่างการประมวลผลแบบเอดจ์และการประมวลผลแบบคลาวด์ โดยแต่ละชั้นมีหน้าที่รับผิดชอบของตนเอง^{[ 9 ] [ 10 ]}

รายงาน "The State of the Edge" อธิบายว่าการประมวลผลแบบเอดจ์มุ่งเน้นไปที่เซิร์ฟเวอร์ที่ตั้งอยู่ใกล้กับผู้ใช้ปลายทาง^{[ 11 ]} Alex Reznik ประธาน คณะกรรมการมาตรฐาน ETSI MEC ISG นิยามคำว่า 'เอดจ์' อย่างกว้างๆ ว่าหมายถึงสิ่งใดก็ตามที่ไม่ใช่ศูนย์ข้อมูลแบบดั้งเดิม^{[ 12 ]}

ในเกมคลาวด์โหนดขอบที่เรียกว่า "เกมเล็ต" มักจะอยู่ห่างจากไคลเอนต์เพียงหนึ่งหรือสองฮอปเครือข่าย ทำให้มั่นใจได้ถึงเวลาตอบสนองที่รวดเร็วสำหรับเกมแบบเรียลไทม์^{[ 13 ]}

การประมวลผลแบบเอดจ์อาจใช้ เทคโนโลยี เวอร์ชวลไลเซชันเพื่อลดความซับซ้อนในการปรับใช้และจัดการแอปพลิเคชันต่างๆ บนเซิร์ฟเวอร์เอดจ์^{[ 14 ]}

ในปี 2018 คาดว่าข้อมูลทั่วโลกจะเพิ่มขึ้น 61 เปอร์เซ็นต์เป็น 175 เซตตาไบต์ภายในปี 2025 ^{[ 15 ]}จากข้อมูลของบริษัทวิจัย Gartner พบว่าประมาณ 10 เปอร์เซ็นต์ของข้อมูลที่สร้างขึ้นโดยองค์กรนั้นถูกสร้างและประมวลผลนอกศูนย์ข้อมูลส่วนกลางแบบดั้งเดิมหรือระบบคลาวด์ และภายในปี 2025 บริษัทคาดการณ์ว่าตัวเลขนี้จะเพิ่มขึ้นเป็น 75 เปอร์เซ็นต์^{[ 16 ]}การเพิ่มขึ้นของ อุปกรณ์ IoTที่ขอบเครือข่ายกำลังสร้างข้อมูลจำนวนมหาศาล การจัดเก็บและใช้ข้อมูลทั้งหมดในศูนย์ข้อมูล คลาวด์ ทำให้ความต้องการแบนด์วิดท์ของเครือข่ายถึงขีดจำกัด^{[ 17 ]} แม้ว่าเทคโนโลยี เครือ ข่าย จะได้รับการปรับปรุงแล้ว แต่ศูนย์ข้อมูลก็ไม่สามารถรับประกันอัตราการถ่ายโอนและเวลาตอบสนองที่ยอมรับได้ ซึ่งมักเป็นข้อกำหนดที่สำคัญสำหรับแอปพลิเคชันจำนวนมาก^{[ 18 ]}นอกจากนี้ อุปกรณ์ที่ขอบเครือข่ายยังใช้ข้อมูลจากคลาวด์อย่างต่อเนื่อง ทำให้บริษัทต่างๆ ต้องกระจายศูนย์การจัดเก็บข้อมูลและการให้บริการ โดยใช้ประโยชน์จากความใกล้ชิดทางกายภาพกับผู้ใช้ปลายทาง

ในทำนองเดียวกัน เป้าหมายของการประมวลผลแบบเอดจ์คือการย้ายการประมวลผลออกจากศูนย์ข้อมูลไปยังขอบของเครือข่าย โดยใช้ประโยชน์จากวัตถุอัจฉริยะโทรศัพท์มือถือหรือเกตเวย์เครือข่ายเพื่อดำเนินการและให้บริการในนามของคลาวด์^{[ 19 ]}ด้วยการย้ายบริการไปยังเอดจ์ ทำให้สามารถแคชเนื้อหาการส่งมอบบริการ การจัดเก็บข้อมูลถาวร และการจัดการ IoT ซึ่งส่งผลให้เวลาตอบสนองและอัตราการถ่ายโอนดีขึ้น ในขณะเดียวกัน การกระจายตรรกะไปยังโหนดเครือข่ายต่างๆ ก็ก่อให้เกิดปัญหาและความท้าทายใหม่ๆ^{[ 20 ]}

ลักษณะการกระจายตัวของกระบวนทัศน์นี้ทำให้เกิดการเปลี่ยนแปลงในแผนการรักษาความปลอดภัยที่ใช้ในการประมวลผลแบบคลาวด์ในการประมวลผลแบบเอดจ์ ข้อมูลอาจเดินทางระหว่างโหนดแบบกระจายต่างๆ ที่เชื่อมต่อกันผ่านทางอินเทอร์เน็ต ดังนั้นจึงต้องใช้กลไกการเข้ารหัสพิเศษที่ไม่ขึ้นกับคลาวด์ แนวทางนี้ช่วยลดความหน่วง ลดการใช้แบนด์วิดท์ และเพิ่มการตอบสนองแบบเรียลไทม์สำหรับแอปพลิเคชัน โหนดเอดจ์อาจเป็นอุปกรณ์ที่มีทรัพยากรจำกัด ซึ่งจำกัดทางเลือกในแง่ของวิธีการรักษาความปลอดภัย ยิ่งไปกว่านั้น จำเป็นต้องมีการเปลี่ยนจากโครงสร้างพื้นฐานแบบรวมศูนย์จากบนลงล่างไปเป็นโมเดลความไว้วางใจแบบกระจายศูนย์^{[ 21 ]} ในทางกลับกัน การเก็บและประมวลผลข้อมูลที่เอดจ์ทำให้สามารถเพิ่มความเป็นส่วนตัวได้โดยลดการส่งข้อมูลที่ละเอียดอ่อนไปยังคลาวด์ให้น้อยที่สุด นอกจากนี้ การเป็นเจ้าของข้อมูลที่รวบรวมจะเปลี่ยนจากผู้ให้บริการไปเป็นผู้ใช้ปลายทาง^{[ 22 ]}

ความสามารถใน การปรับขนาดในเครือข่ายแบบกระจายต้องเผชิญกับปัญหาที่แตกต่างกัน ประการแรก ต้องคำนึงถึงความแตกต่างของอุปกรณ์ที่มีข้อจำกัดด้านประสิทธิภาพและพลังงานที่แตกต่างกัน สภาวะไดนามิกสูง และความน่าเชื่อถือของการเชื่อมต่อเมื่อเทียบกับโครงสร้างพื้นฐานที่แข็งแกร่งกว่าของศูนย์ข้อมูลคลาวด์ นอกจากนี้ ข้อกำหนดด้านความปลอดภัยอาจทำให้เกิดความล่าช้าในการสื่อสารระหว่างโหนด ซึ่งอาจทำให้กระบวนการปรับขนาดช้าลง^{[ 18 ]}

เทคนิคการจัดตารางเวลาที่ทันสมัยสามารถเพิ่มการใช้ทรัพยากรขอบอย่างมีประสิทธิภาพและปรับขนาดเซิร์ฟเวอร์ขอบโดยการจัดสรรทรัพยากรขอบขั้นต่ำให้กับงานที่ถูกถ่ายโอนแต่ละงาน^{[ 23 ]}

การจัดการการทำงานล้มเหลวเป็นสิ่งสำคัญอย่างยิ่งในการรักษาการให้บริการให้คงอยู่ หากโหนดใดโหนดหนึ่งล้มเหลวและไม่สามารถเข้าถึงได้ ผู้ใช้ควรยังคงสามารถเข้าถึงบริการได้โดยไม่หยุดชะงัก ยิ่งไปกว่านั้น ระบบประมวลผลแบบเอดจ์ต้องมีการดำเนินการเพื่อกู้คืนจากความล้มเหลวและแจ้งเตือนผู้ใช้เกี่ยวกับเหตุการณ์ดังกล่าว เพื่อจุดประสงค์นี้ อุปกรณ์แต่ละตัวต้องรักษาโครงสร้างเครือข่ายของระบบกระจายทั้งหมด เพื่อให้การตรวจจับข้อผิดพลาดและการกู้คืนทำได้ง่าย ปัจจัยอื่นๆ ที่อาจส่งผลต่อด้านนี้ ได้แก่ เทคโนโลยีการเชื่อมต่อที่ใช้ ซึ่งอาจให้ระดับความน่าเชื่อถือที่แตกต่างกัน และความถูกต้องของข้อมูลที่ผลิตที่เอดจ์ซึ่งอาจไม่น่าเชื่อถือเนื่องจากสภาพแวดล้อมเฉพาะ^{[ 18 ]}ตัวอย่างเช่น อุปกรณ์ประมวลผลแบบเอดจ์ เช่นผู้ช่วยเสียงอาจยังคงให้บริการแก่ผู้ใช้ในพื้นที่ได้แม้ในระหว่างที่บริการคลาวด์หรืออินเทอร์เน็ตขัดข้อง^{[ 22 ]}

การประมวลผลแบบ Edge computing นำทรัพยากรการคำนวณเชิงวิเคราะห์มาไว้ใกล้กับผู้ใช้ปลายทาง จึงสามารถเพิ่มการตอบสนองและประสิทธิภาพของแอปพลิเคชันได้ แพลตฟอร์ม Edge ที่ออกแบบมาอย่างดีจะมีประสิทธิภาพเหนือกว่าระบบคลาวด์แบบดั้งเดิมอย่างมาก แอปพลิเคชันบางอย่างอาศัยเวลาตอบสนองที่รวดเร็ว ทำให้การประมวลผลแบบ Edge computing เป็นตัวเลือกที่เหมาะสมกว่าการประมวลผลแบบคลาวด์อย่างมาก ตัวอย่างมีตั้งแต่ IoT ไปจนถึงการขับขี่อัตโนมัติ [ ^{24 ]}สิ่งใดก็ตามที่เกี่ยวข้องกับสุขภาพหรือความปลอดภัยของมนุษย์/สาธารณะ^{[ 25 ]}หรือเกี่ยวข้องกับการรับรู้ของมนุษย์ เช่น การจดจำใบหน้า ซึ่งโดยทั่วไปมนุษย์ต้องใช้เวลาประมาณ 370-620 มิลลิวินาทีในการดำเนินการ^{[ 26 ] การ}ประมวลผลแบบ Edge computing มีแนวโน้มที่จะสามารถเลียนแบบความเร็ว ในการรับรู้แบบเดียว กับมนุษย์ ซึ่งเป็นประโยชน์ในแอปพลิเคชันเช่นAugmented Realityซึ่งชุดหูฟังควรจะจดจำได้ว่าบุคคลนั้นเป็นใครในเวลาเดียวกันกับที่ผู้สวมใส่ทำ

เนื่องจากทรัพยากรการวิเคราะห์อยู่ใกล้กับผู้ใช้ปลายทาง เครื่องมือวิเคราะห์ที่ซับซ้อนและ เครื่องมือ ปัญญาประดิษฐ์จึงสามารถทำงานบนขอบของระบบได้ การวางตำแหน่งที่ขอบนี้ช่วยเพิ่มประสิทธิภาพการทำงานและเป็นสาเหตุของข้อดีหลายประการของระบบ ในระบบ AI แบบกระจายบนขอบ การบีบอัดข้อมูลได้รับการยอมรับมากขึ้นเรื่อยๆ ว่าเป็นชั้นการออกแบบพื้นฐานเพื่อลดข้อจำกัดของแบนด์วิดท์ที่เกิดจากการแลกเปลี่ยนโมเดลขนาดใหญ่และสตรีมเซ็นเซอร์ความละเอียดสูง^{[ 27 ]}

นอกจากนี้ การใช้เอดจ์คอมพิวติ้งเป็นขั้นตอนกลางระหว่างอุปกรณ์ไคลเอ็นต์และอินเทอร์เน็ตในวงกว้าง ส่งผลให้ประหยัดประสิทธิภาพได้ ซึ่งสามารถแสดงให้เห็นได้ในตัวอย่างต่อไปนี้: อุปกรณ์ไคลเอ็นต์ต้องการการประมวลผลที่ต้องใช้การคำนวณสูงกับไฟล์วิดีโอที่ต้องดำเนินการบนเซิร์ฟเวอร์ภายนอก การใช้เซิร์ฟเวอร์ที่ตั้งอยู่บนเครือข่ายเอดจ์ในพื้นที่เพื่อทำการคำนวณเหล่านั้น ไฟล์วิดีโอจะต้องถูกส่งผ่านเฉพาะในเครือข่ายท้องถิ่นเท่านั้น การหลีกเลี่ยงการส่งผ่านอินเทอร์เน็ตส่งผลให้ประหยัดแบนด์วิดท์ได้อย่างมาก และเพิ่มประสิทธิภาพ^{[ 26 ]}อีกตัวอย่างหนึ่งคือการจดจำเสียงหากการจดจำทำในพื้นที่ ก็สามารถส่งข้อความที่จดจำแล้วไปยังคลาวด์แทนที่จะส่งการบันทึกเสียง ซึ่งช่วยลดปริมาณแบนด์วิดท์ที่ต้องการได้อย่างมาก^{[ 22 ]}

บริการแอปพลิเคชัน Edge ช่วยลดปริมาณข้อมูลที่ต้องเคลื่อนย้าย ปริมาณการรับส่งข้อมูล และระยะทางที่ข้อมูลต้องเดินทาง ซึ่งทำให้มีความหน่วงต่ำลงและลดต้นทุนการส่ง การถ่ายโอนการคำนวณสำหรับแอปพลิเคชันแบบเรียลไทม์ เช่น อัลกอริทึมการจดจำใบหน้า แสดงให้เห็นถึงการปรับปรุงเวลาตอบสนองอย่างมาก ดังที่แสดงให้เห็นในการวิจัยเบื้องต้น^{[ 28 ]}การวิจัยเพิ่มเติมแสดงให้เห็นว่าการใช้เครื่องที่มีทรัพยากรมากที่เรียกว่าcloudletsหรือไมโครดาต้าเซ็นเตอร์ใกล้กับผู้ใช้มือถือ ซึ่งให้บริการที่มักพบในคลาวด์ ช่วยปรับปรุงเวลาในการดำเนินการเมื่อมีการถ่ายโอนงานบางส่วนไปยังโหนด Edge ^{[ 29 ]}ในทางกลับกัน การถ่ายโอนทุกงานอาจทำให้เกิดความช้าลงเนื่องจากเวลาในการถ่ายโอนระหว่างอุปกรณ์และโหนด ดังนั้นขึ้นอยู่กับปริมาณงาน จึงสามารถกำหนดค่าที่เหมาะสมที่สุดได้

ระบบโครงข่ายไฟฟ้าที่ใช้ IoT ช่วยให้สามารถสื่อสารไฟฟ้าและข้อมูลเพื่อตรวจสอบและควบคุมโครงข่ายไฟฟ้าได้^{[ 30 ]}ซึ่งทำให้การจัดการพลังงานมีประสิทธิภาพมากขึ้น

^{แอปพลิเคชัน ที่}น่าสนใจอื่นๆ ได้แก่รถยนต์เชื่อมต่อรถยนต์ขับเคลื่อนอัตโนมัติ [ ^{31 ] เมือง}อัจฉริยะ [ ^{32 ]}อุตสาหกรรม 4.0ระบบ^บ้านอัตโนมัติ [ ^{33 ] ขีปนาวุธ} [ 34 ^{] ระบบ}ดาวเทียม[ ^{35 ] รวม}ถึงเฟรมเวิร์กต่างๆ เช่นMediaPipeสาขาปัญญาประดิษฐ์แบบเอดจ์ (edge ​​AI หรือ edge intelligence ซึ่งบางครั้งเรียกว่า "local AI" หรือ "on-device AI") ที่กำลังเติบโตนี้ นำปัญญาประดิษฐ์มาใช้ในสภาพแวดล้อมการประมวลผลแบบเอดจ์ บนอุปกรณ์หรือใกล้กับจุดที่รวบรวมข้อมูล^{[ 36 ] [ 37 ]}