Edge Computing ¿volvemos a los CPDs físicos o es el buzzword de moda?

En un futuro lleno de datos, con miles de millones de dispositivos conectados a Internet, el procesamiento de los datos de una manera más rápida y confiable será crucial para el desarrollo de las diferentes industrias. En los últimos años hemos asistido a la consolidación del Cloud computing (computación en la nube) gracias a su naturaleza centralizada y escalable. Sin embargo, el aumento del  IoT y el móvil han puesto a prueba el ancho de banda de la red además de aumentar los costes de almacenamiento de datos en estos servidores Cloud.

Por otro lado, no debemos de olvidar que no todos los dispositivos móviles necesitan la nube para operar y es aquí donde entra el Edge computing en funcionamiento. Pero empecemos por el principio, definimos Edge computing como el enfoque de optimización de sistemas de computación en la nube ya que permite simplificar el flujo de tráfico local a dicha nube. Es decir, se colocan servidores físicos cerca de la fuente de datos, los cuales analizarán en tiempo real los datos obtenidos (en crudo) y luego enviarán a la nube solamente aquellos datos procesados que merezcan la pena conservarse, para que una vez allí se puedan emplear técnicas de analítica avanzada como Machine Learning o Deep Learning.

Un ejemplo: tenemos una fábrica de magdalenas que hemos sensorizado con IoT. Si al lado de la fábrica instalamos un CPD  (centro de procesos de datos, también conocido como muchos servidores juntos que reciben los datos) éste podrá realizar en tiempo real una analítica que le permita detectar anomalías en la producción de magdalenas. Con esta detección temprana, podremos corregir si el horno está demasiado caliente y actuar de inmediato. Una vez procesados estos datos, el resto que se ha recogido serán enviados a la nube para ser tratado por otros departamentos de la fábrica de magdalenas, como previsión de ventas, fijación de precios y satisfacción del consumidor. Es decir, los datos enviados a la nube nos servirán para realizar otros tipos de analítica (predictiva y prescriptiva) que ya no tienen tanto que ver con el tiempo real, sino con plazos de tiempo (y tiempos de respuesta) más laxos.

Ahora bien, ¿en qué beneficia utilizar el Edge Computing? Aquí algunos ejemplos:

Analítica y control de la red eléctrica

Con la implantación de las Smart Grids, a la cantidad de datos que tienen que analizar y tratar las compañías eléctricas hay que sumarle los relacionados con la distribución, transmisión y generación de energía eléctrica. Con el cambio de uso de combustibles fósiles a energías renovables se establece el desafío de adaptar la red eléctrica actual a todos aquellos recursos que puedan generar electricidad y contribuir a la distribución en la red existente. La implementación de servidores inteligentes, Grid Edge, permite a la industria supervisar y analizar los recursos adicionales de generación y transmisión de energía e integrarlos en la red en tiempo real. Digamos que los Smart Grids generan una gran cantidad de datos que ayudan a las empresas eléctricas a ver la cantidad de energía disponible y requerida, permitiendo que la respuesta a la demanda sea más eficiente y  se eviten los picos de consumo a la vez que se reducen los costos.

Monitorización remota para petróleo y gas

Las infraestructuras del petróleo y del gas son críticas para cualquier país y su monitorización y control se vuelve de máxima importancia. Es por este motivo por el que estas dos industrias están implementando dispositivos de IoT para monitorizar sus procesos y protegerse ante posibles desastres.

El uso de IoT para controlar la temperatura, humedad, presión, etc… genera muchísimos datos que tienen como fin el proporcionar información clave sobre el estado de sus sistemas, así como predicción a corto plazo de aspectos operativos críticos como son la demanda (demand forecasting) y la previsión de averías (predictive maintenance, condition-based monitoring).

Con el uso de este Edge Computing los datos que se analizan, procesan y entregan a los usuarios finales en tiempo real permiten acceder a los datos a medida que se crean, lo que previene fallos e incidentes  antes de que ocurran.

Gestión del tráfico

Los sistemas de transporte inteligentes, especialmente aquellos enfocados en la gestión del tráfico, son otro ejemplo de cómo este tipo de solución se pone en práctica hoy en día.

Debido a la reciente afluencia de dispositivos y sensores de IoT que ahora se utilizan para el transporte inteligente y los sistemas de gestión del tráfico, se recopilan grandes cantidades de datos. Estos datos requieren de un procesamiento; sin embargo, solo una selección de éstos será realmente útil para la mejora final del tráfico existente.

A estas alturas, cabe preguntarnos si el uso de Edge computing para estos casos de uso que hemos explicado es realmente una tecnología disruptiva o un intento de volver al uso del “hierro” local (servidores físicos en las propias oficinas o almacenes de las diferentes empresas), en detrimento del Cloud Computing actual.  Pensemos que los proveedores de infrastructuras críticas, el Edge Computing es una elección más que natural, ya que para este tipo de aplicaciones no pueden confiar en la (relativamente baja) fiabilidad del Cloud; por eso prefieren desplegar infrastructuras de IT y de comunicaciones redundantes y propias.  Así los datos se procesan más rápidamente y además no dependen de que se caigan las comunicaciones.

Por otra parte, no debemos de olvidar que muchas de las industrias que están empleando analítica Big Data, utilizan un sistema híbrido de CPDs físicos y cloud, lo que resalta aún más la pregunta ¿volvemos a los CPDs propios  o solo es la palabra de moda?