Применение облачных вычислений при реализации умных мобильных кибер-физических систем

Аннотация:
В статье рассмотрена проблема использования облачных функций в системе реального времени на основе математической и физической моделей. Представлены результаты моделирования. Определена граница эффективности использования облачных функций для рассматриваемой конфигурации аппаратных средств.

Ключевые слова:
Облачные функции, моделирование, граница эффективности, аппаратные средства.

Постановка проблемы. С научной точки зрения подход к решению задач реального мира сводится к формированию некоторой модели протекающего процесса, который подвергается наблюдению или требует контроля, анализу откликов такой модели и, при необходимости, формированию определенных сигналов, обеспечивающих воздействие на контролируемый процесс. Реализация такой концепции при разработке устройства осуществляется путем применения множества конечных физических и программных компонент, тесно связанных между собой. При этом следует отметить, что каждая из компонент работает в своем временном и пространственном масштабе. Компоненты связываются между собой наиболее подходящим образом и управляются посредством специального программного обеспечения, образуя в итоге кибер–физическую систему [1]. В тенденции развития общества, кибер-физические системы активно внедряются во все сферы жизнедеятельности человека, обеспечивая при этом позитивный экономический эффект [2].

Программное обеспечение устройства состоит из множества алгоритмов, реализующих его функциональность. Трудоемкость таких алгоритмов зависит от требований, предъявляемых к функциональности устройства, в том числе и к точности контроля протекающих процессов. Трудоемкость алгоритмов и временные ограничения на их выполнение определяют потребность в аппаратных затратах на реализацию микропроцессорной системы реального времени, что, соответственно, формирует требования к ее питанию и охлаждению, а также определяет ее габариты и вес. В случае наличия ограничений на размеры и вес устройства, а также выхода алгоритма за пределы максимально-допустимой трудоемкости, физическая реализация устройства оказывается под сомнением.

Проблемы применения облачных вычислений. Одним из подходов для решения данной проблемы может служить вынесение трудоемких частей алгоритма в виде функций на внешние вычислительные ресурсы – в облако – с обеспечением последующего доступа к ним. Идея платформы облачных вычислений основывается на принципах, предложенных разработчиками операционной системы Clouds, разработанной в Технологическом институте Джорджии (Georgia Institute of Technology), США, реализованной в 1986 году [3].

На сегодняшний день, облачные вычисления – это предоставление вычислительных служб, таких как серверы, хранилища, базы данных, сетевое оборудование, программное обеспечение и аналитики через Интернет, называемое просто Облако. Компании, которые предоставляют такие вычислительные службы, называются поставщиками облачных служб. Обычно они взимают плату за облачные вычислительные службы на основе использования [4]. Существует классификация моделей обслуживания, и моделей развертывания платформ облачных вычислений, сформулированная в 2011 году Национальным институтом стандартов и технологий США [5]. Среди моделей обслуживания различают SaaS, PaaS, IaaS, описывающих форму предоставления услуг потребителю. При этом, облако может быть частным, общественным, публичным и гибридным. Вынесение части программного обеспечения в облако частично решает проблему реализации компактных кибер–физических систем. Однако, для доступа к облачной платформе дополнительно требуется время, обусловленное наличием транспортной задержки при передаче данных через Интернет. Для некоторого класса задач обработка данных локально может быть выполнена быстрее, чем будет получен доступ в облако, что, впрочем, может быть определено относительно локальной системы реального времени заранее [6].

Парадигма туманных вычислений. Решение, позволяющее снизить транспортные задержки, заключается в использовании парадигмы туманных вычислений (fog computing), которая является расширением парадигмы облачных вычислений и рассматривает три уровня условного разделения сети: уровень Cloud, уровень Fog, уровень Устройств (рисунок 1).

Идея туманных вычислений заключается в максимальном географическом приближении потребительского облачного программного обеспечения к устройству за счет осуществления миграции облачного потребительского программного обеспечения на серверы уровня Fog, называемые fog–нодами, располагающиеся максимально близко к границе сети [7]. Парадигма туманных вычислений предусматривает автоматическую миграцию программного обеспечения на fog-ноды, обеспечивает разделение и выделение системных ресурсов за счет использования алгоритмов оркестрации [8]. Стоит отметить, что осуществление операций вблизи устройств не только снижает временные задержки, но и способствует существенному снижению нагрузку на магистральные узлы Интернет.

Туманные вычисления и технология 5G. Становление технологий 5G позволит использовать преимущества парадигмы туманных вычислений. В теории, макро– и микросоты образуют fog–узлы, в которых производится предварительная обработка данных и обеспечивается временное их хранение. В реальности такие узлы располагаются в микро-датацентрах на границе сети [8].

Обзор концепции туманных вычислений как части стандарта 5G для использования в мобильных кибер-физических системах позволяет сформировать парадигму, в которой происходит распределение программного обеспечения кибер–физической системы в облако, для обеспечения ее компактности и мобильности. При этом часть программного обеспечения мигрирует максимально близко к кибер–физической системе и, в процессе движения, сопровождает ее путем дальнейшей миграции на ближайшие fog–ноды.

В многопользовательской среде для достижения максимального уровня безопасности для работы пользовательских облачных приложений используется виртуализация, которая в некоторой степени дополнительно увеличивает потребление ресурсов.

Физическая модель. Для построения модели использованы следующие компоненты:

• PC на базе AMD Phenom II B70 (3 ядра), под управлением Windows 10 Pro;
• отладочная плата MikroElektronika EasyPIC Fusion v7 с MCU PIC24EP512GU810.

Микроконтроллер PIC24EP512GU810 относится к серии промышленных микроконтроллеров и может применяться для построения систем реального времени.

Трудоемкость алгоритма затруднительно просчитать предварительно из-за наличия условных переходов, по ветвям которых находятся фрагменты разной длины. При этом трудоемкость алгоритма можно определить эмпирически, путем подсчета количества тактов процессора, в период выполнения алгоритма. Это можно сделать с помощью синхронного счетчика, запустив счет в начале выполнения алгоритма и остановив его в конце.

Исследование физической модели заключается в измерении времени выполнения алгоритмов полезной нагрузки одинаковой трудоемкости, выполняемых локально и удаленно, с учетом времени передачи данных. Для определения порога эффективности, трудоемкость алгоритма увеличивается итерационно. Измерение времени производится на стороне микроконтроллера, где в качестве средства измерения используется один из таймеров, задействованного в роли счетчика тактов. В изучаемой модели в качестве функции полезной нагрузки используется функция поиска в тексте фраз по их MD5 хеш–сумме.

Измерения времени предполагается производить для функций, использующих в реализации алгоритмы полезной нагрузки одинаковой трудоемкости, выполняемые локально и удаленно.

Фрагмент исходного кода для осуществления измерений имеет вид:
// Измерение локальной функции
StartMeasure();
my_sz = md5search(Text, i*2+10, &md5c, bBuf1, szBuf1); StopMeasure(&PERF);
telemetry_cloud(&PERF, F_MD5SRCH_LOCAL);
// Измерение удаленной функции
StartMeasure();
cl_sz = md5search_cloud(Text, i*2+10, &md5c, bBuf2, szBuf2); StopMeasure(&PERF);
telemetry_cloud(&PERF, F_MD5SRCH_CLOUD);

Основные параметры моделей:

• трудоемкость алгоритма Q – определяется экспериментально;
• объем передаваемых данных, с учетом протокола обмена, в байтах, определяется по формуле: b1 = 41 + 2(i-1), где i – номер итерации;
• объем получаемых параметров с учетом протокола обмена b2 = 20 байт;
• частота микроконтроллера Fmcu = 40 Мгц;
• частота процессора ПК Fpc = 350 Мгц;
• UART – скорость передачи 9600, по 8 бит, с 1 стоповым и без четности.

Результаты моделирования. Для выполнения моделирования на базе математической модели необходимо получить значения трудоемкости алгоритма. Трудоемкость алгоритма была определена путем измерения длительности выполнения алгоритма в тактах, при условии, что 1 такт соответствует 1 команде (операции). Измерения были получены с использованием физической модели. Зависимость трудоемкости алгоритма полезной нагрузки от номера итерации отражена на графике (рисунок 2).

В результате исследования математической и физической моделей было определено время выполнения алгоритма полезной нагрузки локально и удаленно, с учетом времени передачи данных. Зависимости времени выполнения алгоритмов полезной нагрузки, с учетом времени передачи данных, от номера итерации (трудоемкости алгоритма) отражены на графике (рисунок 3), отклики математической модели отображены пунктиром.

В результате моделирования удалось определить, что функции с трудоемкостью более 3.2 млн. операций, в данной конфигурации аппаратных средств, имеет смысл вынести в облако.

Выводы. На основе математической модели разработана физическая модель, получены данные моделирования, проведен анализ процесса использования облачных функций в системах реального времени. Для использованной конфигурации аппаратных средств определена граница эффективности вынесения функций в облако.

Перспективы применения. Обеспечивая работу такой парадигмы, оператор мобильной связи имеет возможность пополнить перечень своих услуг услугой облачных вычислений. При развитии индустрии пользовательских роботов данная услуга окажется крайне востребованной в связи с тем, что роботам, построенным на основе кибер-физических систем, потребуется расширение вычислительных ресурсов и средств коммуникации.

С точки зрения промышленных потребителей, осуществляющих использование мобильных кибер–физических систем в пределах определенной территории, использование парадигмы туманных вычислений на основе технологии публичных 5G–сетей является крайне избыточном, дорогостоящим и, при этом, не достаточно безопасным, по нашему мнению. В таком случае имеет смысл организация собственных частных облачных решений и использования частных сетей для коммуникации с кибер–физическими системами. На большинстве предприятий для обеспечения работы оборудования используются специальные встраиваемые системы, в том числе встраиваемые серверы. Некоторые решения могут использовать встраиваемые системы, построенные на технологии FPGA, с погружаемой микропроцессорной системой, работающей под управлением встраиваемой операционной системы, например, Embedded Linux. Учитывая требования к компактности встраиваемых операционных систем, использование готовых облачных решений в таких системах является крайне затруднительным или невозможным. Таким образом, появляется необходимость в разработке компактных решений, обеспечивающих взаимодействие между кибер–физическими и специальными встраиваемыми системами.

Список источников

1. Цветков, В.Я. Кибер–физические системы / В.Я. Цветков // Международный журнал прикладных и фундаментальных исследований. – 2017. – № 6–1. – С. 64–65.
2. Куприяновский, В.П. Кибер–физические системы как основа цифровой экономики / В.П. Куприяновский, Д.Е. Намиот, С.А. Синягов // International Journal of Open Information Technologies ISSN: 2307–8162 vol. 4, no. 2, 2016.
3. G. Coulouris, J.Dellimore & T.Kindberg, Distributed Systems - Clouds, Edition 2, 1994.
4. Что такое облачные вычисления? Руководство для начинающих. URL: Ссылка
5. Mell, Peter and Grance, Timothy. The NIST Definition of Cloud Computing. Recommendations of the National Institute of Standards and Technology. NIST (20 October 2011)
6. Соломаха, С.С. Применение облачных вычислений в системах реального времени / С.С. Соломаха, Р.В. Мальчева, И.И. Дегтярева // Материалы IX Международной научно-технической конференции «Информатика, управляющие системы, математическое и компьютерное моделирование» (ИУСМКМ-2018). – Донецк: ДонНТУ, 2018. – С. 182–186.
7. Fog Computing and the Internet of Things: Extend the Cloud to Where the Things Are // Cisco White Paper, 2015. – 6 c.
8. Туманные вычисления (Fog Computing), как составная часть 5G // Телеком и ИТ. URL: Ссылка