Edge computing är precis vad det låter som: att köra beräkningar och bearbetning av data i ”kanten av nätverket” istället för centralt på servrar. I ett scenario med människor som användare skulle det innebära att mjukvara körs på pc, surfplattor, mobiltelefoner, och så vidare.

Men edge computing är inte på väg att bli ett hett begrepp med människan som användare, utan i IoT-sammanhang. I takt med att antalet uppkopplade enheter ökar, till exempel sensorer, som genererar och samlar in data, så ökar belastningen på nätverken, alltså på internet.

Den här trenden illustreras tydligt av Microsoft, som lanserade en förhandsversion av molntjänsten IoT Edge på företagets stora konferens Build nyligen. Begreppet edge var en av de stora snackisarna på Build, kanske den allra största.

Microsoft beskriver det som att IoT Edge gör det möjligt att ”utöka intelligenta molntjänster till gränsenheter”. Det är också en definition av edge computing.

Att Microsoft utgår från den egna molnplattformen Azure i beskrivningen är inte så konstigt, det är via den de tänker sig att intäkterna ska komma. Men rent konceptuellt kanske det är lättare att tänka sig att modellen börjar med de uppkopplade enheterna.

Hur som helst nämner Microsoft möjligheter som att köra AI ”på gränsen”, distribuera IoT-lösningar, hantera enheter centralt från molnet, köra offline eller med tillfällig anslutning, möjliggöra beslut i realtid och, sist men inte minst, att reducera bandbreddskostnader.

Att minska bandbreddskostnader blir allt viktigare. Datatrafiken ser ut att öka rejält. Nätverksjätten Cisco spår en nästan fyrfaldig ökning av molntrafik från 2015 till 2020, från 3,9 zettabyte till 14,1 zettabyte. Frågan är hur man definierar ”molntrafik”, men det är i alla fall datatrafik på internet och zettabyte är en stor enhet. En zettabyte är en miljard terabyte.

Läs också: Svettigt att ha koll på alla IoT-data – nu ger sig Google in i matchen

Det blir helt enkelt besvärande mycket datatrafik om man ska spä på med enorma mängder mätdata från miljoner uppkopplade IoT-enheter. Istället för att skicka dessa data till servrar försöker man nu bygga lösningar där så mycket databearbetning och beräkningar som möjligt utförs på de uppkopplade enheterna, så nära datas ursprung som möjligt. Därav edge computing.

Om uppkopplade enheter inte har nog med beräkningskraft för att hantera data kan man tänka sig hybridlösningar med mindre servrar så nära enheterna som möjligt, för att minimera datatrafiken.

Ytterligare en aspekt gäller IoT-tillämpningar där det är viktigt med korta fördröjningstider. Man kan till exempel tänka sig röksensorerar i industrimiljö. Målet är att upptäcka bränder så snabbt som möjligt, för att kunna släcka dem. Eftersom det tar tid att skicka data går det snabbare att hantera dessa på de uppkopplade enheterna.

En tänkbar arkitektur är att utföra tidskritiska funktioner på de uppkopplade enheterna och sedan skicka data till servrar för dataanalys. Men även för dataanalys går det att minimera datatrafiken. Man kan till exempel fundera på om det är rimligt att skicka aggregerade (summerade) data vidare för analys, i stället för varje enskilt datavärde.

Läs också: Macbook får kinesisk konkurrens – här är Huawei Matebook X

Hur som helst medför edge computing större bredd vad gäller tekniska plattformar, språk och arkitekturmodeller. Mer ”traditionella” molnlösningar kommer att finnas kvar, det som tillkommer blir lösningar som påminner mer om lösningar för inbäddade system. Optimering, till exempel vad gäller användning av processorkraft och minne, blir mycket viktigare för mjukvara som körs på uppkopplade enheter, än för mjukvara som körs på virtuella servrar på molnplattformar.

Många it-lösningar kommer att bli ännu mer diversifierade än i dag, och innehålla flera olika arkitekturmodeller och kod skriven med flera olika språk.

Välkommen till en ännu rörigare it-miljö.