مروری جامع بر کاربردهای پردازش لبه (Edge Computing) در صنعت انرژی: تحلیل بیبلیومتریک و چشم‌اندازهای آینده

چکیده

در حال حاضر، پردازش لبه (Edge Computing) به عنوان یک رهیافت نوین در صنعت انرژی، گروه بزرگی از محققان را جذب کرده است. این مفهوم نسبتاً جدید، نخستین بار در سال‌های ۲۰۱۴ تا ۲۰۱۵ خود را معرفی کرد و به سرعت مورد توجه قرار گرفت. با این حال، هنوز کمبود مطالعاتی وجود دارد که پیشرفت‌های پژوهشی در این زمینه را به شکل جامع و هدفمند بررسی کرده باشد. مرور دقیق پژوهش‌های کنونی در خصوص پردازش لبه، به منظور کسب درکی جامع از وضعیت موجود و چشم‌اندازهای آینده این حوزه، امری ضروری به نظر می‌رسد. هدف اصلی این مطالعه تعریف و ارائه وضعیت کنونی پژوهش در زمینه کاربردهای پردازش لبه در قطاع انرژی است. برای تحلیل روندهای تحقیق و پرسپکتیوهای توسعه در این زمینه، از رویکرد بیبلیومتریک (Bibliometric Analysis) بهره گرفته شده است. داده‌های مورد نیاز از پایگاه‌های معتبر وبِ علم (Web of Science) و اسکوپوس (Scopus) استخراج گردیده‌اند. نتایج این تحلیل شامل بررسی کلمات کلیدی، تحلیل حوزه‌های پژوهشی، ارزیابی توزیع جغرافیایی، تحلیل روندهای زمانی و همچنین بررسی نویسندگان و انتسابات آن‌ها می‌باشد. علاوه بر این، پراستنادترین مقالات نیز مورد تحلیل قرار گرفته و یافته‌ها به‌وسیله ابر کلمات (Word Cloud) به نمایش درآمده است. نتایج این پژوهش امکان تعریف پرسپکتیوها و جهت‌گیری‌های آینده پردازش لبه در قطاع انرژی را فراهم کرده است.

مقدمه

اگرچه اصطلاح پردازش لبه (Edge Computing – EC) مفهومی نسبتاً جدید به شمار می‌آید، اما به سرعت به یک گزینه محبوب برای کاربردهای اینترنتِ همه‌چیز (Internet of Everything – IoE) و اینترنتِ اشیاء (Internet of Things – IoT) تبدیل شده است [1]. به‌صورت خلاصه، پردازش لبه یک مدل محاسباتی نوآورانه است که به کمک منابع محاسباتی، ذخیره‌سازی و شبکه‌ای که در مسیرهای بین منابع داده و مراکز داده ابری (Cloud Data Centers) توزیع شده، بخشی از داده‌ها را تحلیل و پردازش می‌کند [2]. این فناوری بر تحلیل داده‌های واقعی در لحظه‌های کوتاه تمرکز دارد و می‌تواند به‌خوبی از تحلیل محلی و پردازش هوشمندِ سازمان‌ها پشتیبانی کند [3]. همچنین، این پارادایم مزایای چندگانه‌ای دارد، از جمله متمرکز نبودن (Decentralization)، تاخیر پایین (Low Latency)، کارایی بالا (High Efficiency) و کاهش فشار ترافیک (Reduced Traffic Pressure)، که آن را به گزینه‌ای کارآمدتر و ایمن‌تر نسبت به محاسبه ابری تبدیل کرده است [3]. این فناوری همچنین می‌تواند در کاربردهای خانه هوشمند (Smart Home) و شهر هوشمند (Smart City) بر مبنای لبه همکارانه (Collaborative Edge) به کار آید [2].

پردازش لبه دارای مزایای متعددی برای ارائه راه‌حل‌های الگویی به مسائل نوظهور است. به‌واقع، پردازش لبه در هم‌سطح با محاسبه مهی (Fog Computing) راه‌حل‌های جذابی برای چالش‌های ناشی از پردازش داده‌ها در اینترنت اشیاء ارائه می‌دهد [4]. این فناوری نسل تازه‌ای از کاربردهای هوشمند را ممکن می‌سازد که می‌توانند از پیشرفت‌های اخیر در هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (Machine Learning) بهره‌مند شوند. پردازش لبه به دنیای تکنولوژی عملیاتی (Operational Technology – OT) مزایای متعدد و جدیدی از جمله کانتینرسازی (Containerization)، مجازی‌سازی (Virtualization) و همچنین روش‌های مدرن برای ارکستراسیون (Orchestration) و به‌روزرسانی کاربردها می‌آورد [5].

دیگر نوآوری‌های پردازش لبه نیز پتانسیل تحول قابل توجهی در صنعت انرژی دارند [5]. محصولات ولتاژ بالای مجهز به فناوری لبه، اساس اینترنت انرژی (Internet of Energy – IoE) را تشکیل می‌دهند [6]. در حال حاضر، بهره‌وری انرژی (Energy Efficiency) به یکی از مباحث اصلی هم برای سرورهای ابری و هم برای دستگاه‌های موبایل تبدیل شده است [7]. هرچند که بهره‌وری انرژی در مراکز داده ابری به‌دقت مورد مطالعه قرار گرفته، اما بهره‌وری انرژی در پردازش لبه به دلیل تعاملات پیچیده بین دستگاه‌ها، سرورهای لبه و مراکز داده ابری کمتر بررسی شده است [7]. پردازش لبه می‌تواند حجم عظیم داده‌های در حال گذر را کاهش دهد و قدرت پردازش را از ابری به نقاط نزدیک‌تر به کاربر نهایی یا دستگاه‌ها منتقل کند. این فناوری، شبکه‌های هوشمندتری را ممکن می‌سازد و به کاربرها اجازه می‌دهد مصرف انرژی خود را بهینه‌تر مدیریت کنند.

پردازش لبه در پشتیبانی از کاربردهای شبکه هوشمند (Smart Grid)، نظیر مدیریت تقاضا و بهینه‌سازی شبکه نقشی اساسی ایفا می‌کند. سنسورها و دستگاه‌های اینترنت اشیاء که به پلتفرم‌های لبه متصل هستند، در کارخانه‌ها، کارخانه‌های صنعتی (Plants) و ادارات برای نظارت و تحلیل مصرف انرژی در زمان واقعی به کار گرفته می‌شوند [8]. با پایش و نظارت بر مصرف انرژی به‌صورت لحظه‌ای و بصری‌سازی این داده‌ها در داشبوردها، شرکت‌ها می‌توانند مدیریت بهتری بر روی مصرف انرژی خود داشته باشند و اقداماتی پیشگیرانه برای محدود کردن مصرف انرژی اتخاذ کنند [8]. این مقاله با هدف بررسی پیشرفت‌های اخیر در پردازش لبه و برجسته‌سازی کاربردهای کلیدی آن تهیه شده است.

با جمع‌بندی موارد ذکر شده، مشخص می‌شود که مطالعات زیادی در زمینه پردازش لبه منتشر شده است. اما، هنوز کمبود انتشار در زمینه تحلیل بیبلیومتریک در پردازش لبه در قطاع انرژی به وضوح قابل مشاهده است. بنابراین، هدف این مقاله، ارائه تصویر دقیقی از وضعیت فعلی پژوهش در زمینه کاربردهای پردازش لبه در قطاع انرژی و شناسایی چالش‌ها و پرسپکتیوهای اصلی این حوزه است.

کلمات‌کلیدی

• پردازش لبه (Edge Computing)
• قطاع انرژی (Energy Sector)
• تحلیل بیبلیومتریک (Bibliometric Analysis)

انتشارات و مراجع

نویسنده: اولگا پیلیپچوک (Olga Pilipczuk)، دانشگاه شچچین (University of Szczecin)، شناسه ORCID: ۰۰۰۰-۰۰۰۱-۷۰۷۸-۲۵۴۴

ساختار مقاله و روش‌شناسی پژوهش

ساختار این مقاله به‌صورت زیر سازماندهی شده است: پس از مقدمه، مواد و روش‌ها ارائه می‌شوند. سپس، نتایج استخراج‌شده از پایگاه‌های داده Web of Science و Scopus با جزئیات بیان شده و بحثی پیرامون یافته‌های کلیدی صورت می‌گیرد. در پایان، نتیجه‌گیری‌ها و دورنمای پیشنهادی برای پژوهش‌های آتی تشریح می‌شوند.

روش پژوهش

رویه پژوهش در چند مرحله کلی برنامه‌ریزی شد. نخست، حوزه مورد مطالعه شناسایی و سپس پایگاه‌های داده مرتبط انتخاب شدند. دلایل انتخاب پایگاه‌های Web of Science و Scopus به‌صورت جداگانه در همین بخش توضیح داده شده است. برای جستجو از کلیدواژه‌های “Edge computing” AND “energy” استفاده گردید.

پارامترهای بیبلیومتریک مورد بررسی شامل: نوع انتشار، حوزه‌های پژوهشی، سال انتشار، کشورها، وابستگی‌های سازمانی و نویسندگان، و سازمان‌های تأمین‌کننده مالی بود.

تحلیل بر اساس نوع انتشار

اولین تحلیل، بر مبنای نوع انتشار انجام شد. طبق هر دو پایگاه داده، رایج‌ترین انواع به ترتیب مقاله اصیل و مقاله کنفرانسی (Proceedings) بودند (شکل‌های ۱ و ۲ را ببینید). بر اساس داده‌های Web of Science، ۵۳ فصل کتاب، ۱۶۲ مرور کنفرانس، ۱۰۳ مقاله مروری و شش کتاب نیز وجود داشت. در پایگاه Scopus، تعداد فصل‌های کتاب کمتر بود: تنها ۳ فصل کتاب و هیچ کتاب کاملی منتشر نشد، در حالی‌که تعداد مقالات مروری تقریباً مشابه بود و به ۹۴ مورد رسید.

شکل ۱. توزیع انتشارات Web of Science در پردازش لبه بر اساس نوع مقاله

شکل ۲. توزیع انتشارات Scopus در پردازش لبه بر اساس نوع مقاله

تحلیل پویای انتشارات و پیش‌بینی

مرحله بعد، تحلیل روند زمانی انتشارات از سال ۲۰۱۴ تا ۲۰۲۲ به همراه پیش‌بینی تا سال ۲۰۲۴ با استفاده از خط روند خطی بود (شکل‌های ۳ و ۴). اگرچه دوره ثبت انتشارات در هر دو پایگاه از سال ۲۰۱۵ شروع می‌شد، رشد تعداد مقالات بسیار چشمگیر بود و در سال ۲۰۲۱ از مرز ۱۰۰۰ مقاله عبور کرد.

شکل ۳. روند زمانی انتشارات Web of Science در پردازش لبه بر اساس سال

شکل ۴. روند زمانی انتشارات Scopus در پردازش لبه بر اساس سال

تحلیل انتشارات بر اساس کشورها

بررسی انتشارات بر حسب کشورها، نتایج قابل مقایسه‌ای را در هر دو پایگاه نشان داد (شکل‌های ۵ و ۶). در این زمینه، برتری آشکار چین با بیش از ۲۳۰۰ انتشار کاملاً مشهود بود؛ میزان مشارکت این کشور چندین برابر بیشتر از سایرین بود. ایالات متحده و بریتانیا به ترتیب در جایگاه‌های دوم و سوم قرار گرفتند.

همچنین، تحلیل پویای انتشارات از سال ۲۰۱۴ تا ۲۰۲۲ همراه با پیش‌بینی تا سال ۲۰۲۴ با استفاده از خط روند خطی انجام شد (شکل ۳ را ببینید). اگرچه پایگاه‌های Web of Science و Scopus داده‌ها را از سال ۲۰۱۵ به بعد ثبت کرده‌اند، افزایش تعداد انتشارات سریع بود؛ در سال ۲۰۲۱، از یک هزار مقاله فراتر رفت.

شکل ۵. توزیع انتشارات Web of Science در پردازش لبه بر اساس کشور

شکل ۶. توزیع انتشارات Scopus در پردازش لبه بر اساس کشور

تحلیل انتشارات بر اساس وابستگی سازمانی و ناشران

مؤسسات علمی چین در بخش وابستگی سازمانی نیز پیشتاز بودند (شکل‌های ۷ و ۸). دانشگاه پست و مخابرات پکن با بیش از دویست انتشار در صدر قرار گرفت که تقریباً معادل یک‌دهم کل انتشارات چین است.

بیشترین انتشارات در مجلات گروه IEEE مانند IEEE Access، IEEE Internet of Things Journal، IEEE Transactions on Vehicular Technology و IEEE Transactions on Wireless Communications منتشر شد. در میان ناشران دیگر، دو مجله‌ Sensors و Electronics از انتشارات MDPI بسیار پرکاربرد بودند (شکل‌های ۹ و ۱۰). ناشران Elsevier، Hindawi و Wiley نیز محبوبیت زیادی داشتند. مجموعه Lecture Notes in Computer Science از انتشارات Springer نیز یکی از گزینه‌های رایج برای مقالات کنفرانسی بود.

شکل ۷. تحلیل انتشارات Web of Science در پردازش لبه بر اساس وابستگی سازمانی

شکل ۸. تحلیل انتشارات Scopus در پردازش لبه بر اساس وابستگی سازمانی

شکل ۹. تحلیل انتشارات در پردازش لبه بر اساس ناشر (عنوان)

شکل ۱۰. تحلیل انتشارات در پردازش لبه بر اساس ناشر (عنوان)

تحلیل نویسندگان و منابع تأمین مالی

تحلیل نویسندگان، تفاوت‌های قابل توجهی را بین پایگاه‌های Web of Science و Scopus نشان می‌دهد (شکل ۱۱ را ببینید). بر اساس Web of Science، سه جایگاه نخست به ترتیب متعلق به Zhang Y، Chen X و Liu Y بود. در پایگاه Scopus، این جایگاه‌ها را Han Z، Xu X. و Guizani M به دست آوردند. جالب اینکه در Scopus، Zhang Y در رتبه نهم قرار گرفت و در Web of Science، Han Z در رتبه دهم بود.

شکل ۱۱. تحلیل نویسندگان پرکار در پردازش لبه: (a) بر اساس Web of Science؛ (b) بر اساس Scopus

با توجه به تسلط انتشارات چینی، بخش عمده‌ای از تحقیقات توسط سازمان‌های چینی حمایت مالی شده است. بنیاد ملی علوم طبیعی چین (National Natural Science Foundation) هم در Web of Science و هم در Scopus، سازمان تأمین‌کننده غالب بود.

تعداد زیادی از پژوهش‌ها توسط نهادهای چینی مانند بنیاد ملی علوم طبیعی، برنامه ملی توسعه تحقیقات کلیدی، بنیاد پست‌دکترای چین و بنیاد علوم طبیعی پکن تأمین مالی شدند (شکل‌های ۱۲ و ۱۳). بنیاد ملی علوم طبیعی چین بسیار پیشتاز بود. بنیاد ملی علوم ایالات متحده (National Science Foundation) نیز از ۲۴۷ مقاله حمایت کرده است. بیش از یکصد تحقیق توسط کمیسیون اروپا و ۱۲۹ انتشار از Scopus نیز در چارچوب برنامه Horizon ۲۰۲۰ تأمین مالی شدند.

شکل ۱۲. تحلیل سازمان‌های تأمین‌کننده مالی در انتشارات Web of Science مربوط به پردازش لبه

شکل ۱۳. تحلیل سازمان‌های تأمین‌کننده مالی در انتشارات Scopus مربوط به پردازش لبه

در مرحله آخر، کلیدواژه‌های زیر برای ساخت ابر کلمات (شکل ۱۴) استخراج شدند:

• “mobile edge computing”
• “fog computing”
• “mobile cloud computing”
• “computation offloading”
• “resource management”
• “green computing”
• “mobile network architecture”
• “computation offloading”
• “allocation of computing resources”
• “mobility management”
• “standardization”
• “use-cases”
• “Internet of Things”
• “enabling technologies”
• “security and privacy, and applications”
• “energy harvesting”
• “dynamic voltage and frequency scaling”
• “power control”
• “QoE”
• “Lyapunov optimization”
• “non-orthogonal multiple access”
• “resource allocation”
• “modelling and simulation”
• “survey”
• “partial computation offloading”
• “dynamic voltage scaling”
• “collaboration between communication and computation resources”
• “mobile edge caching”
• “D2D”
• “SDN”
• “NFV”
• “content delivery”
• “energy minimization”
• “small cells”

شکل ۱۴. ابر کلمات بر اساس مقالات پراستناد.

بحث و نتیجه‌گیری

برای ارائه مروری بر وضعیت موجود (state of the art) پردازش لبه (Edge Computing) در بخش انرژی، نتایج به‌دست‌آمده با استفاده از نقشه درختی (tree map) که در شکل ۱۵ نشان داده شده است، ارائه گردید. این شکل، محبوب‌ترین مقاله، مجله، پرکارترین نویسنده، دانشگاه، سازمان تأمین مالی و کشورهای پیشرو در این حوزه را توصیف می‌کند.

شکل ۱۵. مرور مقالات در مورد پیشرفت پردازش لبه در بخش انرژی.

لازم به ذکر است که این تحقیق دارای چندین محدودیت است. نخست، داده‌ها با استفاده از ابزارهای تحلیل پایگاه‌های داده WoS و Scopus تحلیل شدند که تحلیلها محدود به قابلیتهای این ابزارهاست. از سوی دیگر، این روش امکان اجتناب از برخی دشواریها و چالشهای ذکر شده در بخش مواد و روشها را فراهم می‌کند. محدودیت دیگر این است که تحقیق فقط انتشارات به زبان انگلیسی را در بر می‌گیرد؛ بنابراین توصیه می‌شود تحقیقات آینده، اسناد منتشر شده به زبان‌های دیگر را نیز شامل شود.

با وجود افزایش سریع تعداد انتشارات درباره پردازش لبه، این حوزه در بسیاری از کشورها هنوز در مراحل ابتدایی خود قرار دارد. تعداد اندک انتشارات علمی در زمینه تحلیل بیبلیومتریک پردازش لبه، به نوپایی آن در مقایسه با فناوری‌های نوظهور دیگری چون هوش مصنوعی (AI)، داده‌های بزرگ (big data) و غیره نسبت داده می‌شود.

با این حال، تحقیقات فعلی حول چند کشور و سازمان متمرکز شده است که این تمرکز می‌تواند چالش‌هایی را برای گسترش پردازش لبه ایجاد کند.

داده‌های استخراج شده از پایگاه‌های داده WoS و Scopus، ما را قادر به شناسایی یافته‌های زیر نمودند:

• تاریخچه تحقیق درباره پردازش لبه از سال ۲۰۱۴ آغاز می‌شود.
• تحقیقات در این حوزه در چند کشور، چند مؤسسه و چند تیم تحقیقاتی به طور متمرکز انجام شده است.
• تعداد انتشارات علمی در زمینه تحلیل بیبلیومتریک پردازش لبه، به دلیل نوپایی آن در مقایسه با سایر فناوری‌های نوظهور مانند هوش مصنوعی و داده‌های بزرگ، پایین است.
• تعداد انتشارات مربوط به پردازش لبه با سرعت بالایی در حال افزایش است.

ابر کلمات به همراه مرور ادبیات، امکان تعیین روندهای محبوب کنونی انتشارات درباره کاربردهای پردازش لبه در صنعت انرژی را فراهم آورد. مشخص شد که جهت‌های اصلی آتی برای توسعه پردازش لبه در صنعت انرژی عبارت‌اند از: پردازش لبه موبایلی (mobile edge computing)، مسائل پایداری در پردازش لبه، شبکه‌های هوشمند (smart grids)، مسائل امنیتی و حریم خصوصی، پردازش لبه سبز (green edge computing)، اینترنت اشیای انرژی (IoE) و شهرهای هوشمند. علاوه بر این، برای پایدارتر کردن حوزه‌های تحقیقاتی پردازش لبه، لازم است تحقیقات بیشتری در مناطق جغرافیایی دیگر، به ویژه در کشورهای اتحادیه اروپا، تأمین مالی شود.

مراجع

1. Shi, W.; Cao, J.; Zhang, Q.; Li, Y.; Xu, L. Edge Computing: Vision and Challenges. IEEE Internet Things J. (2016), 3 (5), 637–646. doi:10.1109/jiot.2016.2579198
2. Liu, D.; Liang, H.; Zeng, X.; Zhang, Q.; Zhang, Z.; Li, M. Edge Computing Application, Architecture, and Challenges in Ubiquitous Power Internet of Things. Front. Energy Res. (2022), 10:850252. doi: 10.3389/fenrg.2022.850252
3. Gupta, H; Dastjerdi, AV; Buyya, R. iFogSim: A toolkit for modeling and simulation of resource management techniques in the Internet of Things, Edge, and Fog computing environments, (2017)
4. New edge computing solutions set to revolutionize the power industry, By Guest Contributor -Aug 1, 2022 https://www.smart-energy.com/industry-sectors/newtechnology/new-edge-computing-solutions-set-torevolutionise-the-power-industry/ Accessed on 28.09.2022
5. https://www.siemens-energy.com/global/en/offerings/powertransmission/innovation/edge-technology.html Accessed on 27.09.2022
6. Stead, M.; Gradinar, A.; Coulton, P.; Lindley, J. Edge of Tomorrow: Designing Sustainable Edge Computing. In: Proceedings of the Design Research Society Conference (2020), 1. Proceedings of the Design Research Society Conference (2020), 1. Design Research Society, Brisbane, 88-110. ISBN 9781912294374
7. Pasqualetti F., Towards a Digital Renaissance, February 4, 2021 https://www.capgemini.com/insights/expertperspectives/towards-a-digital-renaissance/ Accessed on 21.09.2022
8. Edge computing: Changing the balance of energy in networks” STL Partners https://stlpartners.com/articles/edgecomputing/edge-computing-changing-the-balance-of-energyin-networks/ Accessed on 22.09.2022
9. Edge Innovations in the Utilities Industry, https://www.cio.com/article/193606/edge-innovations-in-theutilities-industry.html Accessed on 22.09.2022
10. Oyinlola, T. Energy Prediction in Edge Environment for Smart Cities, 2021 IEEE 7th World Forum on Internet of Things (WF-IoT), (2021), 439-442, doi: 10.1109/WFIoT51360.2021.9595460.
11. Hamdan, S.; Ayyash, M.; Almajali, S. Edge-Computing Architectures for Internet of Things Applications: A Survey. Sensors (2020), 20, 6441. https://doi.org/10.3390/s20226441
12. Tikito, I., Souissi, N., “Smart Data Collection in Mobile Edge Computing Environment,” 2020 International Conference on Intelligent Systems and Computer Vision (ISCV), (2020), 1-7, doi: 10.1109/ISCV49265.2020.9204277.

[۱۳] زایوار علی، ضیاءالحق عباس، غلام عباس، عبدالله نعمانی، محمد فیصل؛ بارگذاری محاسباتی هوشمند برای پردازش لبه موبایل در شبکه‌های نسل بعد اینترنت اشیاء، شبکه‌های کامپیوتری، ۲۰۲۱، جلد ۱۹۸، ۱۰۸۳۵۶، https://doi.org/10.1016/j.comnet.2021.108356.

[۱۴] ژانگ ل، ژو و، شیا جی و همکاران؛ پردازش لبه موبایل مبتنی بر DQN برای اینترنت هوشمند خودرو، مجله EURASIP J. Adv. Signal Process. (۲۰۲۲)، ۴۵. https://doi.org/10.1186/s13634-022-00876-1

[۱۵] وانگ جی، ژائو ال، لیو جی، کاتو ان؛ تخصیص هوشمند منابع برای پردازش لبه موبایل: رویکرد یادگیری تقویتی عمیق، مجله IEEE Transactions on Emerging Topics in Computing (۲۰۲۱)، ۹(۳)، ۱۵۲۹–۱۵۴۱. https://doi.org/10.1109/TETC.2019.2902661

[۱۶] لیو تیانی، لو رویو، ژو فانگ مین، فن چائوکیونگ، ژائو چینگ‌لین؛ یادگیری توزیع‌شده مبتنی بر استراتژی ارتباط و محاسبات مشترک دستگاه‌های اینترنت اشیاء در شهرهای هوشمند، سنسورها (۲۰۲۰)، ۲۰، ۹۷۳. 10.3390/s20040973

[۱۷] محمود او.ا، عبداللّه آ.ر، موتانا آ، کواچریاوی آ؛ پردازش لبه توزیع‌شده برای تخصیص منابع در شهرهای هوشمند مبتنی بر اینترنت اشیاء، اطلاعات (۲۰۲۲)، ۱۳، ۳۲۸. https://doi.org/10.3390/info13070328

[۱۸] ژو مینشیان، گائو چنگ‌شی، ایلاگر شاشیکانت، وو هوانگ، ژو چنگ‌ژونگ، بویه راجکومار؛ پردازش لبه موبایل آگاه از سبز برای اینترنت اشیاء: چالش‌ها، راه‌حل‌ها و آینده (۲۰۲۱). 10.1007/978-3-030-69893-5_7

[۱۹] موکرجی آ، پانجا آ.کی، اوبایدات م.اس، ده دی؛ پردازش لبه سبز مبتنی بر ۶G برای اینترنت اشیاء (IoT). در: ده دی، موکرجی آ، بویه ر (ویرایش‌کنندگان) پردازش ابری سبز، اسپرینگر، چام (۲۰۲۲). https://doi.org/10.1007/978-3-031-08038-8_13

[۲۰] دنگ ی، چن ز، یائو ایکس، حسن س. و آ.م.ا. ابراهیم؛ بارگذاری موازی در پردازش لبه موبایل سبز و پایدار برای سیستم‌های اینترنت اشیاء با تأخیر محدود، مجله IEEE Transactions on Vehicular Technology (۲۰۱۹)، جلد ۶۸، شماره ۱۲، ۱۲۲۰۲–۱۲۲۱۴، دسامبر ۲۰۱۹. doi: 10.1109/TVT.2019.2944926

[۲۱] منگ آنکی، وی گواندونگ، ژائو یائو، گائو شیاوزنگ، یانگ ژانگسین؛ تخصیص منابع سبز برای پردازش لبه موبایل، ارتباطات دیجیتال و شبکه‌ها (۲۰۲۲). https://doi.org/10.1016/j.dcan.2022.03.001

[۲۲] انویت ر، جانا پ، تومار آ؛ «جمع‌آوری داده‌های پایدار و بهینه‌شده از طریق پردازش لبه موبایل برای شبکه‌های حسگر بی‌سیم نامتصل»، مجله IEEE Transactions on Sustainable Computing (۲۰۲۲)، جلد ۷، شماره ۲، ۴۷۱–۴۸۴، آوریل–ژوئن. doi: 10.1109/TSUSC.2021.3120003

[۲۳] اندراوس آ، نوردین ر، البتائینه ز، الشریف م.ه؛ استراتژی حداقل‌سازی تأخیر پایدار برای بارگذاری پردازش لبه موبایل تحت سناریوهای مختلف شبکه، پایداری (۲۰۲۱)، ۱۳، ۱۲۱۱۲. https://doi.org/10.3390/su132112112

نویسندگان: دکتر الگا پیلیپچوک، دانشگاه شچچین، مؤسسه مدیریت، خیابان چکرووا ۸، شچچین، olga.pilipczuk@usz.edu.pl

شناسایی منبع و ناشر: نشریه برقی PRZEGLĄD ELEKTROTECHNICZNY، ISSN ۰۰۳۳-۲۰۹۷، شماره ۱۰۰، شماره ۵/۲۰۲۴. doi: 10.15199/48.2024.05.45

منتشر شده توسط PQBlog

مهندس برق

بیشتر پست‌ها را ببینید

پرسش‌های متداول

پردازش لبه (Edge Computing) چیست و چرا در صنعت انرژی مهم است؟

پردازش لبه یک مدل محاسبه توزیع‌شده است که داده‌ها را در نزدیکی منبع تولید (مثل سنسورها و تجهیزات صنعتی) پردازش می‌کند تا به جای ارسال همه داده‌ها به ابری. در صنعت انرژی این امر برای تحلیل زمان‌واقع، کاهش تاخیر، بهینه‌سازی مصرف پهنای باند و افزایش امنیت داده‌های شبکه‌های هوشمند حیاتی است.

تفاوت پردازش لبه با محاسبه مهی (Fog Computing) چیست؟

هر دو داده‌ها را gần منبع پردازش می‌کنند، اما پردازش لبه معمولاً مستقیماً روی دستگاه یا گیت‌وی محلی انجام می‌شود، در حالی که محاسبه مهی در نودهای میانی شبکه (مانند روترها و سوئیچ‌های لایه توزیع) اتفاق می‌افتد و مقیاس بزرگتری را پوشش می‌دهد.

تحلیل بیبلیومتریک در این مطالعه چه دسته‌بندی‌هایی را شامل می‌شود؟

این تحلیل شامل بررسی کلمات‌کلیدی، حوزه‌های پژوهشی، توزیع جغرافیایی نویسندگان و انتصابات، روندهای زمانی انتشار، و شناسایی مقالات پراستنادترین (با ابر کلمات) می‌شود.

چرا بهره‌وری انرژی در پردازش لبه چالش‌برانگیزتر از مراکز داده ابری است؟

به‌دلیل تعامل پیچیده میان سه لایه: دستگاه‌های لبه (محدودیت باتری و محاسبه)، سرورهای لبه (تنوع سخت‌افزاری و شرایط محیطی)، و ابری (تاخیر و هزینه انتقال)، بهینه‌سازی همزمان در همه لایه‌ها سخت است.

منبع: powerquality.blog