Fluxo de informações e Analytics na névoa
Uma das premissas da computação em névoa é que trazer parte das capacidades da computação em nuvem para a borda da rede (ou o mais próximo possível dos dispositivos finais) aumenta o desempenho do sistema como um todo [OpenFog Consortium, 2017]. Um sistema que utiliza computação em névoa deve ser capaz de medir seu desempenho de forma a garantir a entrega de valor, otimizar o uso de recursos, e garantir escalabilidade para a rede de acordo com seu crescimento. Portanto, além da geração de indicadores, a gestão de desempenho e escala dependem, entre outras coisas, da estrutura e organização da rede e da interação entre as entidades de rede, conforme discutido a seguir.
Gestão de rede
A computação em névoa aproveita-se de novas técnicas de redes que estão surgindo na indústria de telecomunicações, como [Coutinho et al, 2016]:
· Redes programáveis: tecnologias como Virtualização das Funções da Rede (Network Functions Virtualization, NFV) e Redes Definidas por Software (Software Defined Network, SDN) facilitam a implantação da computação em névoa. Ambas permitem que se utilize a infraestrutura existente de rede e crie-se, a partir dela, novas organizações e estruturas independentes da organização do hardware subjacente. Com uma SDN é possível separar os domínios de controle e comunicação de dados, criando-se um nó Controlador que permite o controle centralizado da rede. O controlador SDN possibilita a gestão estratégica, pois automatiza as configurações e provisionamento de toda a malha de comunicação, provendo mobilidade e recursos de rede sob demanda;
· Fatiamento (slicing) de rede: O slicing possibilita que uma mesma infraestrutura física de rede se comporte de modo diferentes para fins específicos, atendendo aos diferentes requisitos dos usuários finais. A Figura 8 apresenta um exemplo de fatiamento de rede para duas aplicações que possuem demandas diferentes durante o dia e à noite. O link Slice-1 exige mais da rede pela manhã, e por isso ganha maior prioridade, inclusive com redução do número de hops para diminuição de latência; já o link Slice-2 tem uma carga maior à noite.
O uso do SDN é também útil para endereçar algumas das necessidades da computação em névoa como o controle do fluxo de dados e orquestração de serviços, considerando não só cenários de variação de demanda, mas também de mobilidade. Por exemplo, considere o cenário mostrado na Figura 9, em que um usuário no campus A de uma universidade precisa se deslocar ao campus B, distante geograficamente. Tradicionalmente, seria necessário realizar o handover de informações, i.e., a transição de uma aplicação de uma unidade móvel a outra de forma transparente ao usuário para que ele continuasse a usar uma mesma aplicação sem perda de dados. Essa técnica pode ser aplicada em sistemas de computação em névoa através de controladores SDN, com o mínimo de perda de desempenho ou de eficiência do sistema [Baktir et al, 2017].
xemplo de hangover com SDN com a movimentação entre campi de uma universidade — suporte à mobilidade. Adaptado de [Baktir et al, 2017]
Essas tecnologias incrementam a escalabilidade e gestão de custos de redes de computação em névoa, já que auxiliam na alocação de recursos, migração de máquinas virtuais, monitoramento do tráfego e gestão dos serviços de rede.
Fluxo de dados
Com a coleta de grande quantidade de dados proveniente dos dispositivos de Internet das Coisas, há a necessidade do desenvolvimento de estratégias de análise e tratamento desses dados. Se por um lado a computação em névoa é muito útil para garantir a localidade, baixa latência e proximidade do contexto com os dados, por outro a computação em nuvem permite uma gestão mais centralizada e global dos dados [Coutinho et al, 2016]. Para tirar proveito das diferentes capacidades de cada modelo, é comum que o fluxo de informação em um sistema de computação em névoa varie de acordo com a aplicação. A Figura 10 traz um exemplo. A estrutura pressupõe um servidor mestre, alocado na nuvem (com algumas máquinas auxiliares, ou escravas), que é o destino das informações que percorreram o sistema (normalmente dados de negócio). Há alguns nós no sistema, entre os dispositivos e a nuvem, que são responsáveis pela maior parte do processamento local na névoa, em conjunto com os dispositivos de borda. Esses nós processadores podem ou não compor um mesmo nó de névoa com os dispositivos de borda. Em ambos os casos, eles também possuem a possibilidade de comunicar-se com a infraestrutura final com propósitos de controle, como acionar atuadores, compartilhar dados e autoconfiguração, ou atuar como controladores SDN.
O grande volume de dados gerados pelos dispositivos de Internet das Coisas pode causar congestionamento de rede, especialmente nas camadas hierarquicamente superiores (i.e., na comunicação com a nuvem), onde há a convergência desses dados. Existem duas estratégias principais para evitar congestionamentos no tráfego de rede e poupar banda em modelos de computação em névoa: o processamento local (offload) e a utilização de técnicas de agregação de dados [Lu et al, 2018]. O offload utiliza a capacidade computacional dos dispositivos de borda da rede e/ou dos dispositivos finais para processar localmente as informações coletadas, sem a necessidade de utilizar a nuvem. A agregação de dados consiste no emprego de técnicas (e.g., sumarização e anonimização) para combinação de dados, gerando uma informação concisa, de maior valor agregado e não repetida. Dessa forma, a agregação permite o envio com menor frequência e usando pacotes de dados mais reduzidos para a nuvem. Esses pacotes contêm apenas informações essenciais e que não podem ser processadas localmente, como apresentado na Figura 11.
Análise das informações
De acordo com Bonami et al. [2014], a análise dos dados inicia-se principalmente a partir das camadas de gateways, e os dados são processados de acordo com as necessidades em cada uma das camadas superiores, da seguinte forma (vide Figura 12):
· O fluxo de informação envolve tanto as comunicações entre máquinas (machine-to-machine, M2M), principalmente nas camadas mais próximas dos dispositivos, quanto as interações de pessoas com o sistema (human-machine interface, HMI);
· Nas camadas mais baixas que exigem menor latência, as análises precisam ser feitas de forma mais rápida (milissegundos e segundos), focadas nos dados operacionais ou dados brutos coletados dos dispositivos;
· Em camadas intermediárias (nós computacionais) são realizadas análises próximas ao tempo real, com possibilidade de interação com as pessoas (e.g, para visualização das transações). Também é possível fazer análise de dados históricos, usada como fonte auxiliar para tomada de decisão, análise de tendências e previsões;
· Em camadas superiores (na nuvem) é possível fazer análises mais complexas, que necessitam de maior poder computacional. Nesse caso, pode-se utilizar técnicas de big data e business intelligence (BI), gerando os dados de valor mais agregado;
· A distribuição das análises de dados em camadas auxilia na maior contextualização dos dados, possibilitando maior entendimento dos fenômenos ambientais e/ou humanos que são coletados.
Referências (totais):
AI, Y; PENG, M.; ZHANG, K. Edge cloud computing technologies for internet of things: A primer. Digital Communications and Networks (DCN). 2017. Disponível em https://www.sciencedirect.com/science/article/pii/S2352864817301335
BAKTIR, A.; OZGOVDE, A.; ERSOY, C. How can edge computing benefit from software-defined networking: a survey, use cases & future directions. IEEE Communications surveys & tutorials. 2017. Disponível em https://www.researchgate.net/publication/317701794_How_Can_Edge_Computing_Benefit_from_Software-Defined_Networking_A_Survey_Use_Cases_Future_Directions?_sg=z_Ky2rFoev2IY7HpaAGhUBnIuiIcA3QwXEvuv7ElqdYOTuUig6EPR2n0ivVesNx3lLuBIcGze91F7b8dTdJAzaW5iSfFETxLPw
BILAL, K.; KHALID, O.; ERBAD, A.; KHAN, S. Potentials, trends, and prospects in edge Technologies: Fog, cloudlet, mobile edge, and micro data centers. Computer Networks 130, págs. 94–120. 2018. Disponível em https://www.sciencedirect.com/science/article/pii/S1389128617303778
BONOMI, F.; MILITO, R.; NATARAJAN, P.; ZHU, J. Fog Computing: A platform for Internet of Things and Analytics. Big data and Internet of Things: A roadmap for Smart Environments, págs. 169–186, Springer. 2014.
BONOMI, F.; MILITO, R.; ZHU, J.; ADDEPALLI, S. Fog Computing and its role in the internet of things. MCC’12 Proceedings of the first edition of the MCC workshop on Mobile cloud computing, pages 13–16. 2012. Disponível em https://dl.acm.org/citation.cfm?id=2342513
BORCOCI, E. Fog Computing, Mobile edge computing, Cloudlets — whice one? SoftNet Conference, 2016. Disponível em https://www.iaria.org/conferences2016/filesICSNC16/Softnet2016_Tutorial_Fog-MEC-Cloudlets-E.Borcoci-v1.1.pdf
BOTTA, A.; DONATO, W.; PERSICO, V.; PESCAPE, A. Integration of Cloud computing and Internet of Things: A survey. Journal of Future Generation Computer Systems 56, págs. 684–700. 2016. Disponível em https://www.sciencedirect.com/science/article/pii/S0167739X15003015
BRUIN, X.; TORDERA, E.; TASHAKOR, G.; JUKAN, A. REN, G. Foggy clouds and cloudy fogs: a real need for coordinated management of fog-to-cloud computing systems. IEEE Wireless Commun. 23 — págs. 120–128, 2016. Disponível em: <http://dx.doi.org/10.1109/MWC.2016.7721750>.
BUYYA, R.; CHANG, C.; SRIRAMA, S. Indie fog: An efficient fog-computing infrastructure for the Internet of Things. Journal of Computer IEEE — Cloud Cover. 2016. Disponível em http://www.cloudbus.org/papers/IndieFog2017.pdf
CISCO. Cisco delivers vision of Fog Computing to Accelerate value from billions of connected devices. Cisco Newsroom. 2014. Disponível em https://newsroom.cisco.com/press-release-content?type=webcontent&articleId=1334100
COUTINHO, A.; CARNEIRO, E.; GREVE, F. Computação em Névoa: Conceitos, Aplicações e Desafios. XXXIV Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBRC — 2016. Disponível em https://www.researchgate.net/profile/Antonio_Augusto_Coutinho/publication/309312665_Computacao_em_Nevoa_Conceitos_Aplicacoes_e_Desafios/links/5809143f08ae040813483c45/Computacao-em-Nevoa-Conceitos-Aplicacoes-e-Desafios.pdf. Acessado em 06/02/2018.
DOGHMAN, F.; CHACZKO, Z.; JIANG, J. A review of aggregation algorithms for the Internet of Things. 25th International Conference on Systems Engineering (ICSEng). 2017. Disponível em https://ieeexplore.ieee.org/document/8121713/
DOLUI, K.; DATTA, S. Comparison of edge computing implementations: fog computing, cloudlet and mobile edge computing. Eurecom, 2017. Disponível em http://www.eurecom.fr/en/publication/5193/download/comsys-publi-5193_1.pdf
ETSI. Mobile-Edge Computing. Introductory technical white paper. 2014. Disponível em: https://portal.etsi.org/portals/0/tbpages/mec/docs/mobile-edge_computing_-_introductory_technical_white_paper_v1%2018-09-14.pdf
FARAHANI, B.; FIROUZI, F.; CHANG, V.; BADAROGLU, M.; CONSTANT, N.; MANKODIYA, K. Towards fog-driven IoT eHealth: Promises and challenges of Iot in medicine and healthcare. Journal of Future Generation Computer Systems 78, págs. 659–676. 2018. Disponível em https://www.sciencedirect.com/science/article/pii/S0167739X17307677
FUGAHA, A.; GUIZANI, M., MOHAMMADI, M; ALEDHARI, M., AYYASH, M. Internet of things: a survey on enabling technologies, protocols, and applications, IEEE Commun. Surv. Tutor. 17 (4). 2015. Disponível em http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7123563
GAI, K.; QIU, M.; SUN, X. A survey on FinTech. Journal of Network and Computer Applications 103, págs. 262–273. 2018. Disponível em https://www.sciencedirect.com/science/article/pii/S1084804517303247
GARTNER. Technologies underpin the Hype Cycle for the Internet of Things. 2016. Disponível em https://www.gartner.com/smarterwithgartner/7-technologies-underpin-the-hype-cycle-for-the-internet-of-things-2016/
GARTNER. What edge computing means for infrastructure and operation leaders. 2017. Disponível em https://www.gartner.com/smarterwithgartner/what-edge-computing-means-for-infrastructure-and-operations-leaders/
GARTNER. Gartner says 8.4 billion connected “things” will be in use in 2017, up 31 percent from 2016. Newsroom, 2017. Disponível em https://www.gartner.com/newsroom/id/3598917
GOMES, R.; PONTE, F.; URBANO, A; BITTENCOURT, L.; MADEIRA, E. Fatiamento de rede baseado em demanda elástica em provedores de Internet do Futuro. SBRC. 2018. Disponível em http://www.sbrc2018.ufscar.br/wp-content/uploads/2018/04/179530.pdf
GUBBI, J.; BUYYA, R.; MARUSIC, S.; PALANISWAMI, M. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems. Volume 29, Issue 7, pags. 1645–1660. 2013. Disponível em: https://www.sciencedirect.com/science/article/pii/S0167739X13000241
GUPTA, G.; CHAKRABORT, S.; GHOSH, S.; BUYYA, R. Fog Computing in 5G Networks: An application perspective. Cloud and Fog Computing in 5G Mobile Networks: Emerging advances and applications, chapter 1 — eISBN: 9781785610844. 2017. Disponível em http://digital-library.theiet.org/content/books/10.1049/pbte070e_ch2
KAI, K.; CONG, W.; TAO, L. Fog computing for vehicular Ad-hoc networks: paradigms, scenarios and issues. The Journal of China Universities of Posts and Telecommunications, págs. 56–65. 2016. Disponível em https://www.sciencedirect.com/science/article/pii/S1005888516600213
KUMAWAT, D.; PAVATE, A.; PANSAMBAL, S. Fog Computing and Its comparative study with other cloud-based technologies. IOSR Journal of Engineering, volume 7, págs. 09–12. 2018. Disponível em http://www.iosrjen.org/Papers/Conf.ICIATE-2018/Volume-7/3-09-12.pdf
LU, R.; HEUNG, K.; LASHKARI, A.; GHORBANI, A. A lightweight privacy-preserving data aggregation scheme for Fog Computing-Enhanced IoT. IEEE Access. Volume 5, págs. 3302–3312. 2017. Disponível em https://ieeexplore.ieee.org/document/7869305/
MAO, Y.; YOU, C.; ZHANG, J.; HUANG, K.; LETAIEF, K. A survey on mobile edge computing: The communication perspective. Mobile edge computing: Survey and Research outlook. 2017. Disponível em https://arxiv.org/abs/1701.01090
MCAFEE LABS. Threats Report: March 2018. Disponível em https://www.mcafee.com/us/resources/reports/rp-quarterly-threats-mar-2018.pdf
OPEN-FOG CONSORTIUM. Open Fog Reference Architecture for Fog Computing. 2017. Disponível em https://www.openfogconsortium.org/wp-content/uploads/OpenFog_Reference_Architecture_2_09_17-FINAL.pdf
RAMIREZ, W.; BRUIN, X.; TORDERA, E.; SOUZA, V.; JUKAN, A.; REN, G.; DIOS, O. Evaluating the benefits of combined and contínuos Fog-to-Cloud architectures. Journal of Computer Communications 113, págs. 43–52. 2017. Disponível em https://www.sciencedirect.com/science/article/pii/S0140366417301792
ROMAN, R.; LOPEZ, J.; MAMBO, M. Mobile edge computing, Fog et al.: A survey and analysis of security threats and challenges. Journal of Future Generation Computer Systems 78, págs. 680–698. 2018. Disponível em https://www.sciencedirect.com/science/article/pii/S0167739X16305635
SATYANARAYANAN, M.; BAHL, P./ CACERES, R.; DAVIES, N. The case for VM-based Cloudlets in Mobile Computing. Pervasive Computing, volume 8, págs. 14–23. 2009. Disponível em https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/cloudlets09.pdf.
SOHAL, A.; SANDHU, R.; SOOD, S.; CHANG, V. A cybersecurity framework to identify malicious edge device in fog computing and cloud-of-things environments. Journal of Computers & Security. 2017. Disponível em https://www.sciencedirect.com/science/article/pii/S0167404817301827
TANG, B.; CHEN, Z.; HEFFERMAN, G.; PEI, S.; WEI, T.; HE, H.; YANG, Q. Incorporating Intelligence in Fog Computing for Big Data Analysis in Smart Cities. IEEE Transactions on Industrial Informatics. Volume 13, Issue 15. 2017. Disponível em https://ieeexplore.ieee.org/document/7874167/
TORDERA, E.; BRUIN, X.; ALMINANA, J.; JUKAN, A.; REN, G.; ZHU, J. Do we really know what a fog node is? Current trends towards an open definition. Journal of Computer Communications, págs. 117–130. 2017. Disponível em https://www.sciencedirect.com/science/article/pii/S0140366416307113
WEINMAN, J. Fogonomics — The strategic, economic, and financial aspects of the cloud. Computer Software and Application Conference. IEEE, 2017. Disponível em http://ieeexplore.ieee.org/document/8029683/
YI, S.; LI. C.; LI, Q. A survey of fog computing: concepts, applications and issues. Mobidata’15 — Proceedings of the Workshop on Mobile Big Data. Pages 37–42. 2015. Disponível https://dl.acm.org/citation.cfm?doid=2757384.2757397
ZHENG, L.; JOE-WONG, C. Fogonomics: Pricing and incentivizing fog computing. OpenFogConsortium — Resources/Insights. 2017. Disponível em https://www.openfogconsortium.org/fogonomics-pricing-and-incentivizing-fog-computing/
