Fogonomics e comparação entre modelos
A utilização cada vez mais frequente de computação em névoa leva a um grande arcabouço de soluções e aplicações que buscam gerar valor aos negócios, especialmente aqueles que utilizam sistemas de Internet das Coisas. Esse novo cenário econômico envolvendo a névoa foi denominado por Weinman [2017] de fogonomics, ou “nevoaeconomia” em tradução livre. Fogonomics refere-se ao quanto os fatores econômicos afetam na definição das arquiteturas de névoa, às consequências econômicas aos usuários e operadores, e às interações econômicas entre os usuários finais e os provedores de serviços [Zheng et al, 2017]. Esse novo cenário gera novas oportunidades para que usuários e demais atores envolvidos nessas interações econômicas consigam otimizar custos no transporte e processamento de dados.
Fatores para adoção de diferentes modelos de computação: nuvem vs. borda
Weinman [2017] aborda diversos trade-offs entre diferentes modelos computacionais de nuvem e computação na borda. Isso inclui, por exemplo, aumento de receita diretamente relacionado com a diminuição do tempo de resposta, o que por outro lado pode acarretar aumentos no custo do sistema. Diferentes autores definem alguns critérios específicos de acordo com as necessidades. Por exemplo, Baktir et al [2017] define a relação entre a complexidade e regularidade de determinado sistema em função de sua proximidade necessária dos usuários finais; usando esses critérios, a computação em névoa seria recomendável caso o ambiente seja complexo, irregular e precise estar próximo à borda da rede (vide Figura 13).
O principal requisito de negócio que estimula o uso de paradigmas de borda como a computação em névoa é a latência. Logo, a questão da distância entre o servidor e os usuários passa a ser um dos fatores importantes na escolha do modelo. Bilal et al [2018] realizou um estudo do efeito das distâncias sobre variáveis de rede relevantes, como RTT (Round Trip Time, i.e., tempo de um pacote ir e voltar de um ponto de origem a um destino), perda de pacotes e vazão (dados transferidos por intervalo de tempo), de acordo com a distância do servidor.
Para Bilal et al [2018], o principal trade-off que precisa ser considerado é a relação entre a frequência/volume de dados que precisam ser transferidos para o servidor e os requisitos de tempo real do sistema. O autor também define quais os tipos de operações mais recomendáveis para os modelos de computação em borda em oposição a modelos tradicionais de nuvem (vide Figura 14).
Comparação de fatores entre a nuvem e a computação na borda
Considerando os trabalhos de [Baktir et al, 2017], [Borcoci, 2016], [Dolui et al, 2017] e [Roman et al, 2018], alguns dos principais fatores abordados são os apresentados na Tabela 7. Além das questões de latência levantadas anteriormente, na comparação é possível destacar três pontos relevantes: mobilidade, custo e uso de recursos computacionais. Em termos de mobilidade, é possível verificar que a computação na borda permite um número maior de dispositivos consumidores de conteúdo (alta escalabilidade), além de disponibilidade variável e redundância. Em termos de custos, o investimento na computação em nuvem normalmente é maior, já que o custo por máquina é alto e exige grande quantidade de servidores, enquanto os dispositivos de borda são mais simples e baratos. Entretanto, de acordo com o número de dispositivos utilizados em um sistema IdC, pode aumentar o custo de implementação de um sistema em névoa devido a escala — podendo ser mais caras que os datacenters tradicionais. Em relação ao uso de recursos, os servidores da nuvem possuem maior capacidade e desempenho, enquanto os servidores de borda normalmente lidam com cenários de dispositivos com maior limitação de recursos computacionais e energia.
A computação em borda se torna mais eficiente quando os principais requisitos de uma aplicação é a baixa latência, elevado uso de banda da rede (especialmente com grande volume de dados) e de contextualizar os dados coletados. Em compensação, a mudança dos paradigmas de cliente-servidor, muito presente nos tradicionais modelos de nuvem, para os paradigmas de aplicações móveis e distribuídas, pode acarretar em uma série de desafios técnicos [Baktir et al, 2017]. Dentre os desafios, podem ser citadas questões relacionadas à necessidade de: (i) serviços de orquestração e sincronização; (ii) resiliência a intermitência de aplicações móveis (especialmente o handover); e (iii) capacidade de operar em soft-state (i.e., utilizar protocolos dinâmicos que se adaptam à variação da rede), já que as aplicações em nuvem tradicionalmente operam em hard-state (i.e., utilizam protocolos fixos e, normalmente, mais estáveis).
Escolha entre modelos de computação na borda
Em cenários em que há vantagens na adoção de computação na borda, deve-se também considerar as diferentes formas e implementação desse paradigma discutidas na Seção 2.1: computação móvel, cloudlets e computação em névoa. Para identificar os benefícios de cada abordagem, é importante considerar os fatores que as distinguem. Isso é feito na Tabela 8, construída com base nos estudos de [Ai et al, 2017], [Baktir et al, 2017], [Dolui et al, 2017] e [Kumawat et al, 2018]:
· Organização: refere-se à instituição responsável por criar normas, padrões e materiais técnicos diversos para difusão do conceito e práticas de determinado modelo computacional. Nos três modelos, existe a forte presença de grandes empresas da indústria e algumas universidades;
· Arquitetura de sistema: a computação móvel de borda funciona basicamente em função de orquestradores, que são responsáveis por alocar recursos e suportar a mobilidade. Já os cloudlets precisam de clientes cloudlets (embutidos nas aplicações específicas) para que funcione. A computação em névoa segue o conceito de Fog to Cloud (F2C):
· Custo (CAPEX): a computação móvel na borda é a que possui maior custo, já que exige investimentos nas estações rádio base. Já a névoa pode utilizar dispositivos dos próprios usuários (indie fog) e dispositivos mais simples (com menor capacidade de processamento e consumo de energia) o que a torna mais barata. Cloudlets possuem custo intermediário.
· Interação com a nuvem: a computação móvel na borda pode funcionar sem qualquer interação com a nuvem. Já os modelos em cloudlet ou névoa precisam em algum momento enviar as informações para a nuvem, ainda que ambos possibilitem algumas transações offline se assim configurados.
· Interesses de negócios: do ponto de vista das empresas, a computação móvel na borda está sendo pensada para extrair o máximo de valor das redes 5G, enquanto que a computação em névoa está sendo voltada especificamente para aplicações de IdC;
· Localidade: refere-se ao local principal (mas não exclusivo) onde ficam os principais nós em cada modelo;
· Motivação: indica os principais benefícios trazidos pelos modelos.
Dada essa grande miríade de fatores que distinguem os diferentes modelos de computação na borda, uma forma para escolher a abordagem que melhor se adequa às necessidades da aplicação é a criação de uma árvore de decisão. Um exemplo é a proposta por Dolui et al [2017], que inclui os seguintes parâmetros (vide Figura 15):
· Proximidade física: é definida pela distância física entre o dispositivo final e a camada computacional mais alta. Quanto maior a distância, menos recomendável é a infraestrutura para suportar aplicações sensíveis a latência e a tempo real;
· Proximidade lógica: é definida pela quantidade de saltos (hops) entre o dispositivo final e a camada de borda. Quanto maior o número de saltos, maior a latência do sistema;
· Consumo de energia: corresponde ao consumo realizado pelos dispositivos finais, os quais normalmente têm restrição de recursos;
· Tempo de computação: refere-se ao tempo tomado pela camada de borda para realizar tarefas e responder ao usuário final;
· Consciência de contexto: refere-se à necessidade de contextualizar os dados que são coletados dos dispositivos finais. Quanto mais autonomia para tomada de decisão um sistema precisa, e quanto maior o volume e ou precisão dos dados que precisam ser coletados, maior a importância da contextualização dos dados.
· Suporte a offload de transações: possibilidade de conexões entre a borda da rede e os dispositivos finais por diferentes meios, que potencialmente não exijam acesso à Internet.
Os fatores apresentados na Figura 15 podem variar de acordo com a aplicação. Em casos em que o nó de névoa se concentra na borda de rede, provavelmente o consumo de energia pode deixar de ser relevante (já que as restrições são menores na borda em si), e assim por diante.
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/
