ВЫБОР РЕДАКЦИИ

Широкое внедрение 5G откладывается

CEA-Leti продолжает работы по 6G в D-диапазоне

Новейший УЗ-датчик от UltraSense Systems превратит любую поверхность в сенсорный экран

Освоение и развертывание технологий 5G

Проблемы использования Wi-Fi в Интернете вещей

Перспективы и потенциал 5G: чего ожидать?

Виртуальная подложка для оксидных пленок на кремнии

Приобретение Inphi: Marvell вкладывается в облачные вычисления и технологии 5G

Влияние новых рыночных тенденций на проектирование ИС

Корпорации MediaTek и Amazon стремятся к лидерству в индустрии умных домов

5G и телекоммуникационная инфраструктура

Схемы памяти и мобильные сети

Сбываются ли планы КНР по обеспечению самодостаточности в области ИС?

Тенденции развития ферритовых пассивных компонентов

Искусственный интеллект – перспективы развития

Искусственный интеллект и увеличение интереса к краевым вычислениям

Вопросы развития краевых вычислений

Вопросы развития краевых вычислений

Экономические аспекты развития технологий искусственного интеллекта

Глубокое обучение и предельные краевые вычисления

Yole Développement: исследование рынка MEMS

Новые области применения искусственного интеллекта

Перспективы развития нейроморфных вычислений и их возможная конкуренция с ускорителями искусственного интеллекта

Корпорация Intel ускоряет разработку средств ИИ для облачных и краевых вычислений с повышенным быстродействием

Развертывание сетей 5G и краевые (пограничные) вычисления

Развертывание сетей 5G и краевые (пограничные) вычисления

Выпуск 16(6690) от 15 августа 2019 г.
РУБРИКА: СРЕДСТВА СВЯЗИ

Для успеха развертывания сетей 5G технология краевых (пограничных) вычислений становится не менее важной, чем технология связи с использованием волн миллиметрового диапазона. Вообще, судя по сложившейся ситуации, 5G и краевые вычисления не добьются успеха поодиночке. Так, сети 5G не могут соответствовать требованию консорциума 3GPP о времени ожидания не более 4 мс без некоторого слоя доставки данных, запуска приложений и работы с многоуровневыми приложениями в рамках непредсказуемого массива интеллектуальных устройств. В свою очередь, краевые вычисления, первоначально разработанные менеджерами Интернета вещей как средство сохранения контроля над своими данными, не будут функционировать должным образом без сверхбыстрой беспроводной связи.

Инвестиции как в технологии 5G, так и в технологии краевых вычислений постоянно растут, поэтому разработчикам необходимо добиваться того, чтобы все это работало совместно. Действительно, предотвращение столкновения автомобилей при помощи удаленного «облака» – ​из разряда фантастики. Перемещение «облака» ближе к источнику данных и приоритизация видов и объемов данных, требующих немедленного реагирования, становится все более значительной тенденцией. Подобные факторы начинают вызывать изменения в конструкциях микросхем, так как вся полупроводниковая промышленность начинает выяснять, какие архитектуры лучше подходят для конкретных применений.

Все зависит от функциональности, необходимой данному прибору. Если это автомобиль на трассе, то вполне допустим вид связи по типу пинг-понга. Однако в конечном итоге функциональность приборов будет определяться инфраструктурными возможностями краевых вычислений. Уровень вычислений растет с каждым днем, как и объем данных, генерируемых на границе «облака», при этом отношение сигнал–шум не очень велико. Часть генерируемых данных в настоящий момент считается бесполезной, но в другой части данных содержится информация, требующая быстрого локализованного принятия безопасных решений. Тогда возникает необходимость во взаимодействии краевых хранилищ данных и технологии 5G, т. е. появляются возможности системного уровня, необходимые в краевых вычислениях. Подобные требования влияют на выбор оборудования для различных приложений.

Указанная проблема не нова. У высокотехнологичных фирм были годы на эксперименты с концепцией краевых вычислений. Первоначально данный подход популяризировали фирмы, обнаружившие, что добавление шлюзового прибора или сервера позволяет уменьшить ширину полосы частот и сократить облачные циклы. Вместо того чтобы отправлять все данные в «облако», более эффективным оказалось объединять их ближе к точке сбора. По мере того как генерируемый датчиками объем данных продолжает расти, краевые вычисления обретают новое значение с точки зрения срочности. Так, если нет необходимости отправлять в конкретное облачное приложение показания температуры с нескольких тысяч датчиков по шесть раз в минуту, хорошим выходом становится малый прибор, способный объединять данные и отправлять в «облако» только результат.

Из-за того что перемещение данных занимает большие объемы памяти, универсальные решения слишком дороги и энергоемки: быстродействие центральных процессоров недостаточно велико, а графические процессоры отличаются большой потребляемой мощностью. Поэтому разработчики все больше внимания уделяют тензорным процессорам. В будущем, по оценкам, предпочтение будет отдаваться небольшим матрицам, осуществляющим вычисления и реализацию алгоритмов на специализированных ИС (ASIC), что обеспечит лучшую потребляемую мощность и производительность. Но ASIC – ​не единственный выход. Ряд специалистов отмечают, что в сфере проектирования ИС наблюдается существенный сдвиг в сторону гетерогенной интеграции, которая предполагает использование различных блоков, наилучшим образом подходящих к конкретным применениям. Иными словами, нет необходимости сохранять специализацию. Если для конкретной функции не нужна программируемость и гибкость, лучше использовать ASIC – ​они обеспечивают высокое быстродействие. В то же время вентильные матрицы, программируемые пользователем (FPGA), можно легко программировать и перепрограммировать, в том числе «на лету». Поскольку FPGA по размерам бывают даже меньше ASIC, на одной и той же площади можно разместить больше устройств для ускорения различных функций.

В этом плане критичной становится технология 5G как способ ускорения перемещения данных между приборами. В принципе, подобное перемещение возможно между оконечным прибором и «облаком». Однако если речь идет о больших объемах данных, то с точки зрения потребляемой мощности и инфраструктуры намного дешевле будет локальная обработка существенной их части, поэтому критически важными становятся краевые вычисления и краевая обработка данных. Место расположения краевого прибора зависит от приложения, в котором он используется, а в случае КНР – ​и от разрешения государственных органов власти.

Как бы то ни было, во всех случаях архитектуры краевых вычислений по-прежнему находятся на этапе формулирования определений и подстройки под требования пользователей. Применительно к автомобилям краевые вычисления могут стать следующей технологией, развертываемой на автострадах. Однако непосредственно на автострадах и вблизи от них может осуществляться только часть краевых вычислений, так как в этих условиях возможности подключения непостоянны. Если транспортное средство будет полностью полагаться на 5G-связь, то при ее исчезновении водителю придется останавливаться на дороге и ждать разрешения проблемы с подключением. С другой стороны, если есть резервный канал связи на основе другой технологии, то у водителя появляется шанс продолжать движение и наблюдать по электронным картам или с помощью других средств ситуацию за поворотом или препятствием. В Европе и США акцент делается на расширение встраиваемого интеллекта, что позволяет отказаться от интенсивного прямого и обратного обмена данных с облаком, т. е. этапа, на котором время ожидания оказывается одним из узких мест. В сфере автомобильной электроники время ожидания – ​более критичный фактор, чем в других применениях, из-за требований безопасности.

БЧльшая часть функциональности автомобильной электроники в рамках краевых вычислений ориентирована на собственно автомобиль. Тем не менее автомобильные системы должны сообщаться с внешним миром в случае возникновения проблем, таких как заторы или аварии, при этом связь должна осуществляться в режиме, как можно более близком к реальному масштабу времени. Отправка подобных данных через «облако» происходит слишком медленно, даже при использовании 5G-соединений.

Функциональность автомобильных систем сильно различается. Ряд приложений, таких как лидары, радары и техническое зрение, способны давать двухмегапиксельные картинки со скоростью 30 кадров в секунду; существует и резервная камера с низкой частотой смены кадров, но более чувствительная к требованиям потребляемой мощности. Таким образом, на нижнем уровне иерархии автомобильной электроники может находиться сверточная нейронная сеть (CNN) типа Mobile Net V2 на основе твердотельного накопителя (SSD), а на верхнем уровне – ​перспективная система обнаружения и классификации объектов в реальном масштабе времени наподобие YOLO v3. Разрыв в производительности между ними почти 100-кратный.


УРОКИ ИСТОРИИ

Операторы связи и сетевые провайдеры продолжают добавлять интеллект в различные уровни сетевой инфраструктуры и оконечные приборы, такие как камеры безопасности и смартфоны. Если основной проблемой в области краевых вычислений можно считать восходящие потоки данных от миллиардов устройств Интернета вещей, передаваемые во многом без особой необходимости, то разработчики технологий 5G опасаются, что в нисходящих потоках слишком много данных и они поступают слишком медленно, чтобы выполнить требование о времени ожидания не более 4 мс, закрепленное в спецификациях 5G, разработанных консорциумом 3GPP для миллиметрового диапазона волн (mmWave).

Слишком большое время ожидания делает бесполезными случаи использования, в которых облачные приложения берут на себя роль водителя автономного транспортного средства, а также другие случаи, требующие отклика в реальном масштабе времени. Примером может быть использование облачного персонального помощника Siri. При установке на домашний компьютер это приложение работает быстрее и лучше, чем при размещении в «облаке». Иначе говоря, некоторые данные и алгоритмы должны быть локально доступны, располагаться на краю «облака» с тем, чтобы в случае необходимости ими можно было воспользоваться без обращения к «облаку». В принципе, требуется определенная универсальность, но данная архитектура по-прежнему только обсуждается. Разработчики еще не определили оптимальный баланс, необходимый для устойчивой работы. Уже существует несколько названий этого подхода: децентрализованные данные, сети доставки данных, краевые (пограничные) «облака». Но это не очень конкретные термины.

В настоящее время многие разработчики прилагают усилия к распределению интеллектуальности и данных в тех точках инфраструктуры, где это имеет наибольший смысл. Принципиально нового в таком подходе – ​он называется «окружающими вычислениями» (ambient computing) – ​немного, при его применении пользователи взаимодействуют с окружающим миром. Одну из частей (но только частей) подхода составляет дополненная реальность. Система позволяет доставлять информацию, а также восстанавливать и представлять данные. Для обеспечения должного пользовательского опыта требуется много новых устройств, и чтобы достичь этого, предстоит преодолеть еще немало препятствий. Такая ситуация, в свою очередь, уже в ближайшем будущем приведет к появлению большого числа новых аппаратных конструкций (рис. 1).



Источник: Cadence

Рисунок 1. Сети 5G – еще не решенная головоломка


Любой работоспособный проект по-прежнему будет требовать распределенных данных и ИТ-инфраструктуры, которая сильно отличается от современной, ориентированной на консолидацию как можно большего числа функций в основном центре обработки данных. Многие специалисты считают перемещение всех данных из «облака» на оконечный прибор нецелесообразным, особенно при малом окне времени ожидания. Они полагают, что практичнее обрабатывать все данные на оконечном приборе, даже таком как смартфон с его вычислительной мощностью. По всей видимости, такой подход будет реализовываться как сочетание краевых вычислений и интеллектуальных приборов, где различные уровни данных удерживаются между «облаком» и областью краевых вычислений. В таком случае данные оказываются в наличии всегда, когда это необходимо.

Специалисты исследовательской корпорации IDC (г. Фрамингем, шт. Массачусетс, США) полагают, что понятия «краевые вычисления» и «краевое облако», квалификация приборов в качестве оконечных точек и выбор целей для ускорения формулирования выводов и приложений машинного обучения сопряжены с определенной путаницей, как и вопрос, что считать частью инфраструктурных данных. Они относят краевые понятия к первым двум переходам Интернета. Оконечные приборы были первыми: вещи, которые давно именуются встраиваемыми системами, сейчас приблизительно определяются в целом как Интернет вещей. Следующий переход расположен в более новой части Интернета – ​пограничной (краевой) инфраструктуре, где находятся шлюзы Интернета вещей и краевые серверы, способные работать в качестве точек данных. Эти приборы могут выполнять некоторые аналитические функции, функции связи, более специализированные под конкретное приложение функции или же обладать некоторыми встроенными возможностями формулирования выводов. Некоторые из этих данных могут передаваться в «облако» через структуру связи, включающую мобильные периферийные вычислительные средства, базовые станции, сотовые точки доступа. Указанное оборудование может иметь более или менее сходные функции, однако оно поставляется фирмами, больше ориентированными на связь, а не на вычисления. Таким образом, границы между средствами связи и вычислительной техникой размываются, общая картина становится все разнообразнее и фрагментарнее.

Представители корпорации Qualcomm на недавнем Международном симпозиуме по СВЧ, проводившемся IEEE в Бостоне, отмечали, что мобильные краевые вычисления уже нельзя считать просто связным интерфейсом. Специалисты рассматривают способы объединения Интернета вещей и сетей 5G, т. е. более экономичной работы беспроводной связи, а не только варианты внедрения решений (развертывание которых возможно), не нуждающихся в проводной транзитной передаче.

Диапазон частот, доступных в сетях 5G, может позволить партнерам Qualcomm обращаться к приборам Интернета вещей, интеллектуальным заводам и другим рынкам, на которых можно продавать решения, основанные и на вычислениях, и на возможностях связи, а не на чем-то одном.

Речь идет о расширении диапазона 5G-приборов – ​имеются в виду не только и не столько сотовые телефоны, но и транспортные средства, предприятия, носимая электроника, шлемы виртуальной реальности и т. д. Также имеется в виду собственно «облако», краевая (пограничная) часть «облака» и приборы обработки данных. Специалисты корпорации Qualcomm стараются расширить границы использования краевых приборов с точки зрения их способности поддерживать машинное обучение наиболее эффективным способом (рис. 2).



Источник: Qualcomm

Рисунок 2. 5G и облака: распределение функций на основе компромиссов по стоимости и производительности в зависимости от сценариев использования

* Ближе к пользователю – по определению ETSI (Европейского института телекоммуникационных стандартов): функциональность распределенного или виртуализированного ядра, пакетного шлюза с целью снижения времени ожидания; мобильные краевые вычисления, относящиеся к MEC-краевым вычислениям с множественным доступом.

** Перекрестная реальность – любое аппаратное обеспечение, объединяющее аспекты дополненной, виртуальной и смешанной реальностей.


Успех смартфонов, интеллектуальных камер наблюдения и других приборов с возможностью формулирования выводов показывает, что краевые приборы могут стать для облачных систем эффективными интеллектуальными клиентами. Это хороший признак того, что типичная для предприятий многоуровневая разработка приложений также может работать в ИТ-инфраструктуре, на одном конце которой находится облачное приложение, а на другом – ​интеллектуальный трактор, камера или ветряная мельница, подключенные через краевые серверы и настроенные на потребности одного конкретного приложения.

Интеграция датчиков, ускорителей формулирования выводов и ряда других функций может оказаться сложной задачей для проектировщиков аппаратных средств, особенно если их аппаратное обеспечение отличается слишком большой функциональностью, встроенной в схему формулирования вывода, или если разработчики забыли о естественных ограничениях конкретного форм-фактора.

Особое внимание уделяется приборам с питанием от аккумуляторов. В принципе, они могут делать то же самое, что и приборы со стационарным питанием, например центральные процессоры. Однако, если не обращать внимания на эффективное использование источника аккумуляторного питания и загружать такие приборы слишком энергоемкими задачами, возникнет проблема производительности. Помимо наличия батарей аккумуляторов и форм-фактора, у мобильных средств нет других реальных отличий при интеграции от любых других типов центров обработки данных. Разумеется, если не возникнет проблем со временем ожидания или другими факторами, связанными со слишком большими объемами передаваемых в «облако» данных или ожиданием поступления из «облака» такого объема данных, с которым краевые средства справиться не в состоянии. Ситуация становится все более интересной – ​некоторые стартапы, специализирующиеся в области искусственного интеллекта, выводят на рынок различные новые архитектуры, демонстрируя преимущества их работы.


ЗАКЛЮЧЕНИЕ

На данный момент приоритетом станет определение наилучшей конфигурации беспроводных сетей, опирающихся на базовые станции, точки доступа на малых сотах, фемтосотах и пикосотах с целью обеспечения достаточного локального покрытия. Также потребуется понять, как структурировать серверы, сетевое оборудование, хранилища данных и другие ресурсы, необходимые для предоставления достаточных вычислительных мощностей нуждающимся в них участкам сети 5G в нужное время – ​с тем, чтобы соответствовать требованию о времени ожидания в 4 мс.

Таким образом, критические факторы сводятся к так называемому «треугольнику 5G»: малое время ожидания, число подключенных приборов и высокая пропускная способность. Специалисты отмечают, что снизить время ожидания до 4 мс и менее прямо сейчас вряд ли возможно. Для этого оператор связи должен обладать крайне универсальной конфигурацией сети и правильными наборами данных, а также располагать данные там, где их можно получить менее чем за миллисекунду. Все это окажет значительное влияние на процесс проектирования сетей. В данный же момент по-прежнему только рассматривается большой набор архитектурных решений. Каким окажется результат – ​пока не ясно.

 

Fogarty Kevin, Sperling Ed. Edge Complexity to Grow for 5G. Semiconductor Engineering, July 2, 2019: https://semiengineering.com/edge-complexity-to-grow-for


ЧИТАЙТЕ ТАКЖЕ

Выпуск 22(6746) от 11 ноября 2021 г. г.
Выпуск 20(6744) от 14 октября 2021 г. г.
Выпуск 18(6742) от 16 сентября 2021 г. г.