Architecturen voor edge video analytics

Architecturen voor edge video analytics

We kunnen de lage latency en hoge verwerkingscapaciteit van edge computing benutten voor videoverwerking. Dit stelt camera’s in staat om real-time analytics te produceren, die gebruikt kunnen worden voor toezicht, onregelmatigheidsdetectie, tracking, het verzamelen van inzichten uit beelden, en vele andere taken. Edge video analytics kan in verschillende architecturen worden geïmplementeerd.

Edges en fogs

Een edge zou een autonome auto, vliegtuigmotor, beveiligingscamera, of welk andere apparaat dan ook kunnen zijn. In AI zijn deze edges ook wel bekend als agents. Een edge is een apparaat die actie onderneemt op basis van het detecteren van zijn omgeving. Zoals vorige keer besproken kan een edge een video edge worden genoemd als deze grafische data of video data produceert. Gewoonlijk betreft het dan videocamera’s die bewegingen uit de omgeving waarnemen/opnemen. In IoT en AI is het concept van domme en intelligente agents populair. Een edge wordt beschouwd als intelligent als het voldoende computerkracht bevat en in staat is de meeste beslissingen zelf te nemen.

Een fog of een fog node verwijst naar een groep edges die informatie en berekeningen met elkaar delen met gebruik van een willekeurige server node of door peer-to-peer verbindingen. In de afbeelding bij deze post wordt de fog ‘Edge’ genoemd, en de edges ‘Internet of Things’. Fogs en edges worden nogal eens door elkaar gebruikt. Dit hoeft geen probleem te zijn omdat ze in feite hetzelfde zijn. Beiden hebben betrekking op het benutten van de computing mogelijkheden binnen een lokaal netwerk om berekeningen uit te voeren die normaal gesproken door de cloud zouden zijn uitgevoerd.

Architecturen voor edge video analytics

Formeel gezien is edge computing een system-level horizontale architectuur die middelen en diensten van computing, opslag, beheer en netwerken waar dan ook langs het continuüm van cloud naar edge distribueert. De meeste berekeningen en opslag worden of binnen de edge of dichtbij de edge volbracht. Edge computing kan architectonisch worden georganiseerd als peer-to-peer computing, autonoom (self-healing) computing, grid computing, en andere vormen die gedecentraliseerde beschikbaarheid impliceren.

Fog nodes

In veel gevallen kunnen de edges/camera’s samengevoegd worden in een fog, waarbij elke fog zich op dezelfde locatie bevindt als de camera’s en een of meer lokale processors heeft om de aanvragen van de heterogene camera’s te verwerken. Het doorsturen naar de cloud zou ook via de fog nodes kunnen plaatsvinden.

De apparaten waar de processors en opslag zich bevinden in een fog worden fog nodes genoemd. Verschillende video analytics en machine learning algoritmen kunnen in deze fog nodes worden geïmplementeerd. Deze fog nodes scheiden op intelligente wijze videoverwerking van de camera’s en de cloud.

Het samenvoegen van de edges maakt het systeem kostenefficiënt. Het nadeel van deze architectuur is echter dat er maximale beschikbaarheid van de lokale processors en opslag gerealiseerd dient te worden.

Hiërarchische fog nodes

Een variant op de bovengenoemde architectuur is een architectuur met hiërarchische fog nodes/top level fog nodes die verscheidene andere fog nodes met elkaar verbindt en de informatie die van hen wordt ontvangen verenigt.

Verwerkingsunit voor iedere edge

Wat ook mogelijk is is dat iedere camera een eigen verwerkingsunit heeft. Hoewel dit resulteert in zeer lage latency, kan het de totale kosten van de infrastructuur en het onderhoud doen toenemen.

Netwerk van edges

Bovendien is het een optie om camera’s binnen een fog node met elkaar te laten communiceren en een netwerk te laten vormen.

Net als dat er diverse architecturen ontworpen kunnen worden voor edge video analytics, kunnen er ontelbaar veel manieren zijn waarop deze ontwerpen worden geïmplementeerd. Waar de keuze naar uitgaat is afhankelijk van de case en de haalbaarheid. Ook de verantwoordelijkheden van de componenten (cloud, fog nodes en edges) kunnen afhankelijk van de situatie variëren.

Edge video analytics is trending en met het goedkoper worden van de hardware en computing kosten wordt het steeds meer realiseerbaar. Door gebruik te maken van de nieuwere hardware, stellen de AI algoritmen ons in staat om betekenisvolle informatie uit beelden en video streams op te maken. Op deze manier hoeven niet alle videobeelden die gegenereerd worden door edge devices als camera’s direct naar de cloud gestuurd te worden, maar wordt alleen relevante informatie verstuurd. Het resultaat: Snellere respons en besluitvorming.