Abstrakt Edge computing představuje posun od centralizovaných datových center směrem k distribuovanému zpracování dat na okraji sítě. Není to módní trend, ale reakce na fyzikální limity přenosu dat a na exponenciální růst počtu IoT zařízení. Článek popisuje architekturu edge prostředí, integraci s 5G, typické scénáře nasazení, otázky bezpečnosti a orchestrace, a shrnuje, kdy investice do edge infrastruktury dává ekonomický smysl.
Proč zpracovávat data na okraji sítě
Rychlost světla v optickém vlákně je přibližně 200 000 km/s. Při komunikaci se vzdáleným datovým centrem se k propagačnímu zpoždění přidává zpoždění routerů, switchů a softwarových vrstev. Latence komunikace s kontinentálním cloudem se v praxi pohybuje v řádu desítek milisekund, u globálních spojení i přes 200 ms.
Pro řadu aplikací jsou tyto hodnoty nepřijatelné:
- haptická zpětná vazba: do 1 ms,
- VR/AR a renderování: do 5 ms,
- rozhodování autonomního vozidla: do 10 ms,
- řízení průmyslových robotů: do 20 ms,
- analytika videa v reálném čase: do 30 ms.
Edge computing umístí výpočetní výkon blíže ke zdroji dat – do továrny, na 5G základnovou stanici nebo přímo do koncového zařízení – a snižuje latenci pod fyzikálně možné hodnoty pro vzdálený cloud.
Ekonomické přínosy
Druhým motivem je úsporné nakládání s pásmem a cloudovými poplatky. Senzorová data v průmyslovém prostředí lze na okraji sítě filtrovat, agregovat a analyzovat tak, že do cloudu odejde pouze 5–10 % původního objemu. U továrny s tisícem senzorů to představuje řádové úspory za přenos dat a cloud egress.
K přínosům edge computingu patří:
- snížení latence kritických aplikací pod 10 ms,
- redukce přenášených dat až o 90 %,
- lokální zpracování citlivých dat (data sovereignty, GDPR),
- zachování funkčnosti při výpadku spojení s cloudem,
- možnost ML inference přímo u zdroje dat.
Architektura edge-fog-cloud
Edge computing není jediná vrstva, ale hierarchie. V typické topologii spolupracují čtyři úrovně:
- Vrstva zařízení – senzory, kamery, aktuátory, roboti.
- On-premise edge – IoT brány, lokální servery a clustery v provozu.
- Síťový edge – MEC (Multi-access Edge Computing) servery v 5G základnových stanicích a uzly poskytovatelů internetu.
- Regionální cloud – datová centra blízko regionu, často provozovaná hyperscalery jako edge-zóny.
- Centrální cloud – tréninkové prostředí pro modely strojového učení, dlouhodobé úložiště, analytické úlohy nad celosvětovými daty.
Klíčem k úspěšnému návrhu je rozhodnout, která data a které úlohy patří do které vrstvy. Tréninkový proces ML modelu zůstává v cloudu, samotná inference probíhá na okraji.
Multi-access Edge Computing a 5G
Standardy ETSI MEC definují platformu pro provoz aplikací v rámci mobilní sítě. MEC server je umístěn v základnové stanici nebo v agregačním uzlu a poskytuje aplikacím:
- nízkolatenční přístup k uživatelským zařízením,
- informace o radiové síti a poloze klienta,
- správu životního cyklu aplikací podle pohybu klientů (mobility),
- integraci s konceptem network slicing.
5G zavádí tři typy síťových řezů – eMBB (vysoká propustnost), URLLC (ultra spolehlivá nízká latence) a mMTC (masivní IoT). Edge aplikace typicky využívají URLLC slice s garantovanou latencí pod 10 ms.
Typické scénáře nasazení
Autonomní vozidla a V2X
Vozidlo generuje řádově gigabity dat za sekundu z lidaru, kamer a radaru. Posílat tato data do cloudu je nemyslitelné. Senzorová fúze, detekce objektů a plánování trajektorie probíhají buď přímo ve vozidle, nebo na infrastrukturních jednotkách u silnice (RSU, road-side units), které komunikují přes 5G a C-V2X.
Zdravotnictví
Edge zařízení u lůžka pacienta zpracovávají EKG signál, predikují trendy vitálních funkcí a detekují pády. Citlivá data zůstávají v rámci zdravotnického zařízení a do cloudu putují pouze agregované metriky a kritické události. Inference typicky probíhá nad ONNX modely v kontejnerech.
Průmysl 4.0
V továrně edge platforma agreguje data z PLC, SCADA systémů a senzorů přes protokoly OPC UA a MQTT. Lokální analytika rozhoduje o úpravách výrobního procesu v reálném čase, zatímco prediktivní údržba běží nad daty z digitálního dvojčete. Typický stack tvoří broker Mosquitto, časová databáze InfluxDB, stream procesor Apache Flink a edge ML runtime.
Smart cities a maloobchod
Kamery v městské infrastruktuře nebo prodejně analyzují obraz lokálně – do cloudu odchází jen události a metadata, nikoli surová videa. Tím se řeší nároky na pásmo i ochrana osobních údajů.
Orchestrace edge prostředí
Kubernetes se stal standardem pro orchestraci kontejnerů, ale klasická distribuce není pro edge vhodná kvůli nárokům na zdroje a stabilitu spojení. V praxi se používají:
- K3s – odlehčená distribuce Kubernetes pro edge a IoT zařízení,
- KubeEdge – rozšíření Kubernetes pro správu edge uzlů s nestabilním připojením,
- OpenYurt – cloud-native přístup s nezávislou kontrolní rovinou na edge,
- AWS IoT Greengrass, Azure IoT Edge, Google Distributed Cloud Edge – řízené služby hyperscalerů,
- EdgeX Foundry – open-source framework pro průmyslové IoT pod záštitou Linux Foundation.
Orchestrátor musí řešit specifika edge prostředí: časté výpadky spojení s řídicí rovinou, omezené zdroje uzlů, automatické umisťování úloh na základě latence a polohy klienta a bezpečnostní izolaci jednotlivých zařízení.
Bezpečnost edge infrastruktury
Edge uzly jsou často fyzicky dostupné a komunikují přes nedůvěryhodné sítě. Klíčem je princip Zero Trust:
- hardwarový kořen důvěry (TPM, secure boot, vzdálená atestace),
- silná autentizace zařízení pomocí certifikátů,
- mikrosegmentace sítě a omezení komunikace na nezbytné toky,
- šifrování dat v klidu (AES-256-GCM) i v přenosu (TLS 1.3),
- průběžná detekce hrozeb na úrovni chování a síťového provozu,
- automatické reakce – izolace zařízení, omezení přístupu, eskalace.
Pro dlouhodobou ochranu se začíná zavádět post-kvantová kryptografie (CRYSTALS-Kyber, CRYSTALS-Dilithium), zejména u zařízení s životností přesahující dekádu.
Monitoring a observabilita
Pro provoz edge prostředí jsou nezbytné nástroje observability přizpůsobené distribuované povaze. Typický stack tvoří Prometheus pro metriky, Loki nebo Fluent Bit pro sběr logů a Jaeger pro distribuované trasování. Důležitá jsou specifická upozornění:
- nedostupnost edge uzlu po více než dvě minuty,
- překročení cílové latence vůči cloudu,
- vyčerpání paměti nebo úložiště na okraji,
- bezpečnostní události vysoké závažnosti.
Federované učení
Pro tréning ML modelů nad citlivými daty se nabízí federované učení. Na každém edge uzlu probíhá lokální dotrénovávání nad vlastními daty a do centrálního serveru putují pouze aktualizace vah, nikoli surová data. Centrální server zprůměruje aktualizace (Federated Averaging) a distribuuje globální model zpět. Tento přístup respektuje regulatorní požadavky a zároveň umožňuje učení nad globálním datasetem.
Kdy edge dává smysl
Edge computing není univerzální řešení. Před investicí je vhodné posoudit:
- Latenční požadavky – pokud aplikace toleruje 100 ms a více, cloud postačí.
- Objem dat – malý datový provoz neospravedlní hardwarovou investici.
- Regulatorní omezení – některé sektory vyžadují lokální zpracování ze zákona.
- Provozní spolehlivost – pokud výpadek konektivity znamená ztrátu provozu, edge nabízí odolnost.
- Celkové náklady vlastnictví – kromě hardwaru je třeba započítat údržbu, správu, bezpečnost a obměnu.
Závěr
Edge computing nenahrazuje cloud, ale doplňuje ho do hybridního kontinua, ve kterém každá vrstva plní roli odpovídající její latenci, výpočetní kapacitě a nákladovosti. Pro CIO a architekty znamená edge zejména nutnost přemýšlet nad daty a výpočty topologicky – kde vznikají, kde se zpracovávají a kde se ukládají. Organizace, které dokáží edge-cloud continuum navrhnout a provozovat, získávají v aplikacích reálného času konkurenční výhodu, kterou samotný cloud nemůže nabídnout.
Užitečné zdroje:
- LF Edge (Linux Foundation Edge)
- ETSI MEC ISG specifikace
- CNCF Cloud Native Edge Whitepaper
- Industrial Internet Consortium – referenční architektura IIoT
- KubeEdge a K3s dokumentace
