Transportlīdzekļu perifērijas skaitļošana apstrādā datus lokāli automašīnas iekšienē, lai sniegtu tūlītējas atbildes, savukārt mākonī balstīta apstrāde nosūta informāciju uz attāliem datu centriem padziļinātai analīzei. Katra pieeja piedāvā atšķirīgus kompromisus latentuma, uzticamības un skaitļošanas jaudas ziņā mūsdienu automobiļu sistēmām.
Borta apstrādes sistēma, kas apstrādā datus tieši transportlīdzeklī, lai pieņemtu lēmumus reāllaikā un samazinātu latentumu.
Attālais datu centra skaitļošanas pakalpojums, kas analizē transportlīdzekļu informāciju, izmantojot centralizētus serverus, lai iegūtu liela mēroga ieskatu.
| Funkcija | Perifērijas skaitļošana transportlīdzekļos | Mākonī balstīta apstrāde |
|---|---|---|
| Apstrādes vieta | Transportlīdzekļa iekšpusē (vietējā līmenī) | Attālinātie datu centri (centralizēti) |
| Tipiska latentuma | Mazāk nekā 10 milisekundes | 50–200 milisekundes atkarībā no tīkla |
| Interneta atkarība | Minimāli pamatfunkcijām | Nepieciešams lielākajai daļai darbību |
| Skaitļošanas jauda | Ierobežots ar iebūvēto aparatūru | Praktiski neierobežota mērogojamība |
| Labākie lietošanas gadījumi | Drošībai kritiskas ADAS, autonomā braukšana | Autoparka analītika, mašīnmācīšanās apmācība, OTA atjauninājumi |
| Datu privātums | Dati pēc noklusējuma paliek lokāli | Dati, kas tiek pārsūtīti uz ārējiem serveriem |
| Izmaksu struktūra | Augstākas sākotnējās aparatūras izmaksas | Pastāvīgas abonēšanas un joslas platuma maksas |
| Bezsaistes iespējas | Pilna funkcionalitāte pieejama | Ierobežota vai nekāda funkcionalitāte |
Perifērijas skaitļošana ir izšķiroša, kad milisekundes ir svarīgas. Transportlīdzeklis, kas brauc ar ātrumu pa automaģistrāli, nobrauc aptuveni 1,5 metrus ik pēc 10 milisekundēm, tāpēc gandrīz tūlītēja apstrāde, ko nodrošina perifērijas sistēmas, ir būtiska avārijas bremzēšanai, joslas noturēšanai un gājēju atpazīšanai. Mākonī balstītas sistēmas rada tīkla turp un atpakaļ aizkavēšanos, kas padara tās nepiemērotas sekundes daļas drošības lēmumu pieņemšanai pat ar optimizētiem 5G savienojumiem.
Edge sistēmas turpina darboties neatkarīgi no tā, vai braucat pa lauku nelīdzenumiem vai novietojat automašīnu pazemes garāžā. Tā kā apstrāde notiek pašā transportlīdzeklī, tā nav atkarīga no mobilo sakaru torņiem vai Wi-Fi. Turpretī mākonī balstīta apstrāde pasliktinās vai pilnībā pārstāj darboties, kad tiek pārtraukta savienojamība, tāpēc automašīnu ražotāji parasti rezervē mākoņfunkcijas ne tik svarīgām ērtības funkcijām.
Mākoņplatformas piedāvā apstrādes iespējas, ko reāli nevarētu nodrošināt neviens transportlīdzeklis. Neironu tīkla apmācība miljoniem braukšanas scenāriju vai sarežģītas autoparka analīzes veikšana prasa tāda veida paralēlo skaitļošanu, ko var nodrošināt tikai datu centri. Perifērijas aparatūra ir jaudīga pēc automobiļu standartiem, taču to joprojām ierobežo izmērs, svars, siltuma izkliede un izmaksas automašīnas iekšpusē.
Sensitīvas informācijas glabāšana pašā transportlīdzeklī ir būtiska perifērijas skaitļošanas priekšrocība privātuma jomā. Kameras un sensori var apstrādāt sejas, numura zīmes un atrašanās vietas lokāli, neaugšupielādējot tās. Mākonī balstītām sistēmām ir jāpārraida neapstrādāti vai daļēji apstrādāti dati, radot bažas par novērošanu, atbilstību normatīvajiem aktiem un joslas platuma izmaksām, pārvietojot terabaitus uz vienu transportlīdzekli dienā.
Perifērijas skaitļošana prasa lielākas sākotnējās investīcijas specializētās automobiļu klases mikroshēmās un termiskās pārvaldības sistēmās. Mākoņdatošana novirza izmaksas uz pastāvīgajiem ekspluatācijas izdevumiem, piemēram, serveru mitināšanu, API izsaukumiem un mobilo datu plāniem. Transportlīdzekļa kalpošanas laikā kopējās izmaksas ir ļoti atkarīgas no tā, cik daudz datu tiek ģenerēts un cik bieži tiek izmantoti mākoņresursi.
Lielākā daļa mūsdienu transportlīdzekļu faktiski izmanto abas pieejas kopā. Edge apstrādā tūlītējus drošības lēmumus, savukārt mākonis rūpējas par kartēšanas atjauninājumiem, programmatūras ielāpiem un ilgtermiņa mācīšanos. Piemēram, Tesla autoparka mācīšanās sistēma apkopo Edge apstrādātus scenārijus un augšupielādē tos centralizētai modeļu uzlabošanai, pēc tam nosūta pilnveidotus algoritmus atpakaļ uz katru automašīnu.
Perifērijas skaitļošana pilnībā aizstās mākoņdatošanas pakalpojumus automašīnās.
Abas tehnoloģijas kalpo principiāli atšķirīgiem mērķiem. Edge apstrādā reāllaika drošības lēmumus, savukārt mākonis pārvalda apjomīgu analītiku, programmatūras atjauninājumus un autoparka apguvi. Lielākā daļa autoražotāju tagad projektē hibrīdsistēmas, nevis izvēlas vienu, nevis otru.
Mākonī balstīta apstrāde ir pietiekami ātra autonomai braukšanai.
Pat ar 5G tīklu datu centra turp un atpakaļ latentums parasti ir no 20 līdz 50 milisekundēm, un tas neietver apstrādes laiku. Autonomām sistēmām ir nepieciešamas atbildes mazāk nekā 10 milisekundēs, ko var droši nodrošināt tikai iebūvēta perifērijas aparatūra.
Perifērijas skaitļošana nozīmē, ka transportlīdzeklis nekad nekur nesūta datus.
Perifērijas sistēmas joprojām sazinās ar mākoni, lai veiktu nekritiskus uzdevumus, piemēram, karšu atjauninājumus, izklaidi un autoparka apguvi. Atšķirība ir tāda, ka sensitīva vai laika ziņā kritiska apstrāde vispirms notiek lokāli, augšupielādējot tikai kopsavilkumus vai atbilstošus fragmentus.
Mākoņdatošana vienmēr ir lētāka nekā perifērijas skaitļošana.
Mākoņpakalpojumu izmaksas palielinās līdz ar datu izmantošanu, un savienotie transportlīdzekļi var ģenerēt vairākus terabaitus dienā. Darbības gadu gaitā šīs joslas platuma un skaitļošanas izmaksas bieži vien pārsniedz vienreizējās izmaksas, kas saistītas ar spējīgas perifērijas aparatūras instalēšanu.
Lielāka borta apstrādes jauda vienmēr padara automašīnu drošāku.
Neapstrādāta skaitļošanas veiktspēja ir mazāk svarīga nekā tas, cik labi programmatūra to izmanto. Labi optimizēta perifērijas sistēma ar pieticīgu aparatūru var pārspēt jaudīgu mikroshēmu, kurā darbojas neefektīvi algoritmi, tāpēc autoražotāji iegulda ievērojamus līdzekļus programmatūrā, tāpat kā silīcijā.
Izvēlieties perifērijas skaitļošanu, ja jūsu prioritāte ir drošība reāllaikā, uzticamība bezsaistē un datu privātums, īpaši ADAS un autonomās braukšanas funkcijām. Mākonī balstīta apstrāde ir piemērotāka liela mēroga analītikai, programmatūras izplatīšanai un skaitļošanas ziņā ietilpīgiem uzdevumiem, kas pārsniedz jebkura atsevišķa transportlīdzekļa iespējas. Praksē viedākās automobiļu arhitektūras apvieno abus, ļaujot katrai sistēmai darīt to, ko tā prot vislabāk.
Adaptīvā infrastruktūra dinamiski pielāgojas mainīgajām darba slodzēm, izmantojot automatizāciju un mērogošanu reāllaikā, savukārt statiskās infrastruktūras dizains balstās uz fiksētiem, iepriekš konfigurētiem resursiem. Izvēle starp tiem ir atkarīga no darba slodzes mainīguma, budžeta paredzamības un darbības brieduma jūsu mākoņvidē.
Augstas caurlaidspējas apkalpošanas sistēmas apstrādā milzīgu pieprasījumu apjomu ar milisekundes līmeņa latentumu, nodrošinot ieteikumu dzinēju un reklāmu platformu darbību. API ar mazu datplūsmu apkalpo mazākas lietotāju bāzes, kur vienkāršība, izmaksu efektivitāte un uzturēšanas vieglums ir svarīgāki par neapstrādātu mērogu.
Augstas caurlaidspējas ieteikumu apkalpošana koncentrējas uz miljonu vienumu ranžēšanu katrā pieprasījumā plašā mērogā, savukārt zemas latentuma API sistēmas piešķir prioritāti ātram, paredzamam atbildes laikam vispārējas nozīmes vaicājumiem. Abas pieprasa veiktspēju zem 100 ms, bet risina fundamentāli atšķirīgas inženiertehniskās problēmas mūsdienu mākoņinfrastruktūrā.
Šis salīdzinājums izvērtē Amazon Web Services un Google Cloud, analizējot to pakalpojumu piedāvājumus, cenu modeļus, globālo infrastruktūru, veiktspēju, izstrādātāju pieredzi un optimālos lietošanas gadījumus, palīdzot organizācijām izvēlēties mākoņplatformu, kas vislabāk atbilst to tehniskajām un biznesa prasībām.
Baitu nobīdes kontrolpunkti un bezstāvokļa atkopšana ir principiāli atšķirīgas pieejas kļūdu tolerancei izkliedētās sistēmās, kur pirmā saglabā precīzas straumes pozīcijas precīzai atsākšanas iespējai, bet otrā atjauno stāvokli no nulles, izmantojot nemainīgus datu avotus, aizstājot krātuves pieskaitāmās izmaksas rekonstrukcijas vienkāršības labad.
