Edge Computing Nedir? Hesaplamanın Merkeziyetsizleşmesi
Bulut bilişimin son yirmi yılı, hesaplama gücünün büyük ve merkezi veri merkezlerinde toplanması eğilimiyle şekillendi. Ancak son yıllarda bu eğilimi kısmen tersine çeviren bir yaklaşım güç kazanıyor: edge computing (uç bilişim). Bu yaklaşımda veri, merkezi bir veri merkezine gönderilmeden önce, verinin üretildiği yere yakın bir noktada işlenir.
Edge computing, özellikle bir sensörün, kameranın veya endüstriyel cihazın ürettiği verinin anında değerlendirilmesi gerektiği senaryolarda önem kazanıyor; çünkü verinin uzak bir veri merkezine gönderilip işlenip geri dönmesi, bazı uygulamalar için kabul edilemeyecek kadar uzun sürebiliyor.
Bu yazıda, edge computing kavramının nereden geldiğini, hangi problemlere çözüm sunduğunu ve bulut bilişimle nasıl bir arada kullanıldığını ele alıyoruz.
Bu konuyu ele almak, aynı zamanda hesaplama gücünün nasıl bir döngü içinde merkezileşip yeniden dağıldığını görmek açısından da öğreticidir; edge computing, bulut bilişimin bir alternatifinden çok, hesaplamanın nerede gerçekleştirilmesi gerektiği sorusuna verilen daha nüanslı bir yanıt olarak okunmalıdır.
Tarihsel Arka Plan
Verinin kaynağa yakın işlenmesi fikrinin erken örneklerinden biri, 1990'lı yılların sonunda ortaya çıkan içerik dağıtım ağlarıdır (Content Delivery Network, CDN). 1998 yılında kurulan Akamai gibi şirketler, web içeriğinin kullanıcıya coğrafi olarak yakın sunucularda önbelleğe alınmasını sağlayarak, sayfa yükleme sürelerini kısaltmayı amaçladı. Bu yaklaşım, "hesaplamayı ve veriyi kullanıcıya yaklaştırma" fikrinin ticari olarak başarılı ilk uygulamalarından biri olarak değerlendirilebilir.
2010'lu yılların başından itibaren nesnelerin interneti (IoT) cihazlarının hızla yaygınlaşması, edge computing kavramının bugünkü anlamıyla olgunlaşmasında belirleyici bir rol oynadı. Fabrikalardaki sensörlerden akıllı ev cihazlarına kadar milyarlarca cihazın ürettiği veri, tamamen merkezi bulut sistemlerine gönderilip işlenmek istendiğinde, hem ağ altyapısı üzerinde ciddi bir yük oluşturuyor hem de birçok uygulama için kabul edilemeyecek gecikmelere yol açıyordu.
2014 yılı civarında Avrupa Telekomünikasyon Standartları Enstitüsü (ETSI), "mobil uç bilişim" (Mobile Edge Computing) kavramını standartlaştırmaya yönelik çalışmalar başlattı; bu çalışmalar, hesaplama kaynaklarının mobil ağ operatörlerinin altyapısına yakın noktalara yerleştirilmesini kapsamlı biçimde ele aldı.
2019 yılından itibaren ticari olarak yaygınlaşan 5G mobil ağ teknolojisi, çok düşük gecikme ve yüksek bant genişliği sunma vaadiyle, edge computing uygulamalarının önemli bir teknik destekleyicisi haline geldi. Otonom araçlar, endüstriyel otomasyon ve artırılmış gerçeklik gibi düşük gecikme gerektiren uygulamalar, 5G ve edge computing'in birlikte değerlendirildiği senaryolar arasında sıkça öne çıkmaktadır.
Aynı dönemde, akıllı telefonların ve giyilebilir cihazların işlem güçlerinin hızla artması da bir tür "uç bilişim" örneği olarak değerlendirilebilir; bu cihazlar, önceden yalnızca sunucularda yapılabilen birçok işlemi (görüntü işleme, ses tanıma gibi) artık doğrudan cihaz üzerinde gerçekleştirebilmektedir. Bu eğilim, edge computing kavramının yalnızca endüstriyel uygulamalarla sınırlı olmadığını, günlük kullanılan tüketici teknolojilerinin de bu dönüşümün bir parçası olduğunu göstermektedir.
Temel Kavramlar
Gecikme (Latency)
Bir verinin üretildiği noktadan işlendiği noktaya ve geri dönmesi için geçen süre, "gecikme" olarak adlandırılır. Otonom bir aracın önündeki bir engeli tespit edip fren yapması gibi milisaniyeler içinde karar verilmesi gereken senaryolarda, verinin uzak bir veri merkezine gönderilmesi kabul edilemeyecek bir gecikmeye yol açabilir; bu nedenle bu tür kararların veri kaynağına yakın noktalarda alınması gerekir.
Bant Genişliği Tasarrufu
Bir fabrikadaki yüzlerce kameranın 7/24 yüksek çözünürlüklü görüntü akışını doğrudan buluta göndermesi, hem ağ altyapısını zorlar hem de önemli bir veri transfer maliyeti oluşturur. Birçok IoT cihazı ve kamera, sürekli olarak büyük miktarda ham veri üretir. Bu verinin tamamının merkezi bir veri merkezine gönderilmesi, hem maliyetli hem de ağ altyapısı açısından verimsiz olabilir. Edge computing, verinin kaynağa yakın noktada ön işlemden geçirilip yalnızca anlamlı özetlerin merkezi sisteme gönderilmesini sağlayarak bu yükü azaltabilir.
Veri Gizliliği ve Yerel İşleme
Bazı senaryolarda, hassas verinin kurum dışına veya farklı bir coğrafi bölgeye gönderilmeden, üretildiği yerde işlenmesi tercih edilir. Bu yaklaşım, hem veri gizliliği hem de belirli düzenleyici gerekliliklere uyum açısından avantaj sağlayabilir.
Enerji ve Kaynak Kısıtları
Uç cihazlar genellikle sınırlı işlem gücü, bellek ve bazen de batarya kapasitesiyle çalışır. Bu kısıtlar, uç ortamlarda çalıştırılacak yazılımların ve yapay zekâ modellerinin, veri merkezlerindeki bol kaynaklı ortamlara kıyasla çok daha dikkatli biçimde optimize edilmesini gerektirir. Bir modelin doğruluğu ile boyutu arasındaki dengeyi doğru kurmak, uç bilişim uygulamalarının başarısını belirleyen kritik bir mühendislik kararıdır.
Uç-Bulut Sürekliliği
Edge computing, bulut bilişimin yerini almaktan çok, onu tamamlayan bir yaklaşım olarak değerlendirilmelidir. Günümüzün tipik mimarilerinde, anlık ve gecikmeye duyarlı işlemler uçta gerçekleştirilirken, daha kapsamlı analiz ve uzun vadeli veri depolama merkezi bulut sistemlerinde yürütülür. Bu iş bölümü, "uç-bulut sürekliliği" (edge-cloud continuum) olarak adlandırılır.
Bağlantı Kesintisine Dayanıklılık
Bazı uç ortamlar -uzak bir maden sahası, bir gemi veya bir tarım arazisi- sürekli ve güvenilir internet bağlantısına sahip olmayabilir. Edge computing, bu tür ortamlarda kritik işlemlerin merkezi buluta bağımlı kalmadan, yerel olarak devam edebilmesini sağlayarak bağlantı kesintilerine karşı dayanıklılık sunar. Bağlantı yeniden kurulduğunda, biriken veriler merkezi sisteme senkronize edilebilir.
Federe Öğrenme
Edge computing ile yapay zekânın kesiştiği ilginç bir alan, "federe öğrenme" (federated learning) yaklaşımıdır. Bu yöntemde, bir yapay zekâ modeli birçok uç cihaz üzerindeki yerel veriyle eğitilir; ancak ham veri hiçbir zaman cihaz dışına çıkmaz, yalnızca modelin öğrendiği güncellemeler merkezi bir sunucuya gönderilerek birleştirilir. Bu yaklaşım, örneğin milyonlarca akıllı telefonun klavye yazım önerilerini iyileştirirken, hiçbir kullanıcının yazdığı metnin doğrudan bir şirket sunucusuna gönderilmemesini mümkün kılar. Federe öğrenme, hem veri gizliliğini korumak hem de merkezi veri toplama altyapısının maliyetini azaltmak isteyen kurumlar için, edge computing'in yapay zekâ ile birleştiği pratik bir uygulama örneği sunmaktadır.
Teknolojik Dönüm Noktaları
Küçük ve enerji verimli yapay zekâ modellerinin geliştirilmesi, edge computing'in en önemli teknik destekleyicilerinden biri oldu. Büyük bir veri merkezinde çalıştırılan devasa modellerin aksine, bu küçük modeller sınırlı işlem gücüne ve enerjiye sahip uç cihazlarda çalışacak şekilde optimize edilmiştir.
5G ağlarının yaygınlaşması, yalnızca daha yüksek veri hızları değil, aynı zamanda ağ operatörlerinin kendi altyapılarına yakın hesaplama kaynakları yerleştirebilmesini de mümkün kıldı; bu, edge computing'in mobil ağ altyapısıyla daha derin biçimde entegre olmasını sağladı.
Uç cihazlara özel, düşük güç tüketimli işlemci ve yapay zekâ hızlandırıcı çiplerin gelişimi de bu alandaki önemli bir teknik dönüm noktasıdır; bu çipler, sınırlı bir batarya kapasitesiyle çalışan bir cihazın dahi karmaşık bir çıkarım görevini makul bir sürede tamamlayabilmesini mümkün kılmaktadır. Bu çipler, karmaşık yapay zekâ çıkarım işlemlerinin, bir buluta bağlanmadan doğrudan cihaz üzerinde gerçekleştirilebilmesini mümkün kılmaktadır.
Model sıkıştırma ve damıtma (distillation) teknikleri, büyük ve karmaşık yapay zekâ modellerinin bilgisini, çok daha küçük ve sınırlı donanımda çalışabilen modellere aktarmayı mümkün kılarak, edge computing senaryolarında yapay zekâ kullanımını pratik hale getiren bir diğer önemli teknik gelişmedir.
Günümüzdeki Durum
Bugün edge computing; akıllı fabrikalarda üretim hattı kalite kontrolünden, perakende mağazalarında gerçek zamanlı stok takibine, otonom araç sistemlerinden sağlık cihazlarındaki anlık veri analizine kadar geniş bir uygulama alanında kullanılmaktadır. Tarım sektöründe de, tarlalara yerleştirilen sensörlerin topladığı verinin yerel olarak işlenerek sulama sistemlerinin anlık biçimde yönlendirilmesi gibi uygulamalar giderek yaygınlaşmaktadır.
Bununla birlikte, edge computing mimarisi, merkezi bulut sistemlerine kıyasla yönetimi daha karmaşık bir yapı sunar. Yüzlerce hatta binlerce dağıtık uç cihazın yazılım güncellemelerinin, güvenlik yamalarının ve izlenmesinin merkezi olarak koordine edilmesi, ayrı bir operasyonel uzmanlık gerektirir.
Güvenlik de edge computing mimarilerinde ayrı bir önem taşır. Merkezi bir veri merkezine kıyasla, fiziksel olarak dağıtık ve bazen daha az kontrollü ortamlarda bulunan uç cihazlar, fiziksel müdahale ve siber saldırılara karşı farklı bir tehdit profiline sahiptir; bu nedenle uç cihaz güvenliği, merkezi bulut güvenliğinden ayrı ve tamamlayıcı bir disiplin olarak ele alınmaktadır.
Gelecek Perspektifi
Edge computing'in, özellikle endüstriyel otomasyon ve otonom sistemler alanında yaygınlığının artması beklenmektedir. Ancak bu büyümenin hızı, 5G altyapısının küresel yaygınlığına, uç donanım maliyetlerinin düşüşüne ve yapay zekâ modellerinin küçük cihazlarda verimli çalışabilme kapasitesindeki ilerlemeye bağlı olarak değişebilir.
Uzun vadede, hesaplamanın "bulut" ve "uç" arasında keskin bir ayrım olmaksızın, iş yükünün ihtiyacına göre dinamik olarak dağıtıldığı daha akışkan bir mimarinin yaygınlaşması olası görünmektedir; ancak bu, mevcut teknoloji eğilimlerine dayanan bir öngörüdür.
Standartlaştırma çabalarının da bu alandaki gelişimi hızlandırması beklenmektedir. Bugün farklı üreticilerin uç donanımları ve yazılım platformları arasında önemli uyumluluk farklılıkları bulunmaktadır; ortak standartların olgunlaşması, kurumların farklı tedarikçilerin çözümlerini daha kolay bir arada kullanabilmesine katkı sağlayabilir.
Uç cihazların sayısının artmasıyla birlikte, bu cihazların yaşam döngüsü yönetiminin -yazılım güncellemelerinden donanım emekliye ayrılmasına kadar- otomatikleştirilmesine yönelik araçların da olgunlaşması beklenmektedir. Bugün birçok kurum, dağıtık uç cihaz filolarını hâlâ kısmen manuel süreçlerle yönetmektedir; bu yaklaşımın, cihaz sayısı arttıkça sürdürülebilir olmaktan çıkması, merkezi yönetim platformlarına olan talebi artıracaktır.
Sonuç
Edge computing, hesaplama gücünün merkezi veri merkezlerinde toplanma eğilimine karşı, belirli uygulama senaryolarında dengeleyici bir yaklaşım sunuyor. Gecikmeye duyarlı, bant genişliği kısıtlı veya veri gizliliği açısından hassas senaryolarda, hesaplamanın veri kaynağına yakın gerçekleştirilmesi önemli avantajlar sağlayabiliyor.
Bulut ve edge computing'i birbirinin rakibi değil, birbirini tamamlayan iki yaklaşım olarak görmek, günümüz sistem mimarisi tasarımında daha isabetli bir bakış açısı sunuyor. Hangi işin uçta, hangi işin buluta yapılacağı sorusu, tek bir genel kural yerine, her uygulamanın kendi gecikme, maliyet ve güvenlik gereksinimlerine göre ayrı ayrı değerlendirilmesi gereken bir mühendislik kararı olarak ele alınmalıdır.
Bu değerlendirmeyi doğru yapan kurumlar, hem performans hem de maliyet açısından daha dengeli bir mimariye ulaşabilirken; bu kararı gelişigüzel veren kurumlar, ne uçtaki hızdan ne de buluttaki ölçeklenebilirlikten tam anlamıyla yararlanamayabilir.
Son Söz
Edge computing'in sunduğu düşük gecikme ve yerel veri işleme avantajları, doğru senaryolarla eşleştiğinde önemli bir mühendislik değeri yaratıyor. Büyük Savunma Yazılım olarak, kurumsal projelerimizde hangi iş yüklerinin bulutta, hangilerinin uçta işlenmesi gerektiğini, projenin gerçek gecikme ve güvenlik gereksinimlerine göre değerlendiriyoruz.
Kaynakça
- ETSI, "Mobile Edge Computing (MEC) Resmi Standartları", etsi.org.
- Shi, W. vd. (2016). Edge Computing: Vision and Challenges. IEEE Internet of Things Journal.
- 3GPP, "5G Resmi Teknik Standartları", 3gpp.org.
- Büyük Savunma Yazılım A.Ş., bsytechs.com.
