Reviewer : Denny Anggara
- Changing Infrastructure
Sebagian besar layanan infrastruktur hosting cloud yang ada terdiri dari komputasi khusus dan sumber daya penyimpanan yang terletak di pusat data. Hosting aplikasi cloud di pusat data dari penyedia tunggal mudah dan memberikan manfaat yang jelas. Namun, menggunakan penyedia tunggal dan model pusat data menimbulkan sejumlah tantangan. Banyak energi yang dikonsumsi oleh pusat data besar untuk membuatnya tetap beroperasi. Selain itu, pusat data cloud terpusat seperti model komputasi terpusat lainnya rentan terhadap kegagalan satu titik. Selain itu, pusat data dapat secara geografis jauh dari penggunanya, sehingga membutuhkan data untuk ditransfer dari sumber ke sumber daya yang dapat memprosesnya di pusat data. Ini berarti bahwa aplikasi yang menggunakan atau menghasilkan data sensitif atau pribadi mungkin perlu disimpan di negara yang berbeda dari tempat asalnya.
- Multi-cloud
Penggunaan multi-awan semakin meningkat, tetapi ada kendala yang perlu diatasi. Misalnya, API publik untuk memfasilitasi multi-cloud perlu mempertimbangkan berbagai jenis sumber daya yang ditawarkan oleh banyak penyedia. Ini bukan hal yang mudah mengingat bahwa lebih banyak sumber daya dengan cepat ditambahkan ke pasar cloud dan tidak ada katalog terintegrasi yang melaporkan satu set lengkap sumber daya yang tersedia di cloud. Selain itu, abstraksi, termasuk arsitektur jaringan dan penyimpanan bervariasi di seluruh penyedia, yang membuat aplikasi multi-cloud yang dipesan lebih dahulu untuk setiap aplikasi daripada menggunakan platform atau layanan generic.
- Hybrid Cloud
Multi-cloud dapat mengambil bentuk hibrid cloud - kombinasi dari awan publik dan pribadi atau kombinasi infrastruktur TI publik dan swasta. Awan ini memenuhi permintaan mendesak atau permintaan sumber daya yang sebelumnya dikenal. Manfaat menggunakan awan hibrida untuk menangani data sensitif diketahui. Diperkirakan bahwa 63% organisasi yang menggunakan cloud telah mengadopsi pendekatan cloud hybrid dengan menggunakan kasus yang dilaporkan di sektor kesehatan dan energi. Tantangan utama dalam mempersiapkan hybrid cloud adalah jaringan yang terkait. Bandwidth, latensi, dan topologi jaringan perlu dipertimbangkan untuk mengakses cloud publik dari cloud pribadi.
- Federated Cloud
Ada sejumlah manfaat dalam menyatukan berbagai penyedia cloud di bawah satu payung yang menghasilkan awan federasi. Ini dapat memberikan katalog layanan dan sumber daya yang tersedia dan membuat aplikasi operasional dan portabel. EGI Federated Cloud yang berbasis di Uni Eropa adalah contoh dari ini dan menyatukan lebih dari 20 penyedia cloud dan 300 pusat data8. Awan Federasi dapat mengatasi masalah kunci vendor dalam aplikasi dan data dapat bermigrasi dari satu awan ke awan lainnya. Ini tidak mudah diberikan abstraksi yang berbeda, jenis sumber daya, jaringan dan gambar dan biaya spesifik vendor variabel untuk migrasi volume besar data. Selain itu, dari perspektif bisnis dan organisasi, mungkin lebih mudah bagi penyedia yang lebih kecil untuk bersekutu untuk memperluas jangkauan mereka dan memperluas layanan mereka.
- Micro cloud and Cloudlet
Pusat data menempati sejumlah besar lahan dan mengkonsumsi banyak listrik untuk menyediakan infrastruktur komputasi terpusat. Ini adalah tren yang kurang berkelanjutan, dan alternatif daya rendah dan solusi berbiaya rendah diusulkan. Baru-baru ini ada upaya untuk mendesentralisasikan komputasi ke arah tepi jaringan untuk membuat kemungkinan komputasi lebih dekat ke tempat data pengguna dibuat. Proses komputasi kecil, rendah biaya dan daya rendah yang bekerja dengan router dan switch atau terletak di ruang khusus yang lebih dekat ke perangkat pengguna, yang disebut sebagai awan mikro sekarang dikembangkan untuk tujuan ini.
- Ad hoc cloud
Penggunaan awan mikro dan cloudlet akan perlu mengambil keuntungan dari konsep komputasi ad hoc yang ada dari era grid. Sebagai contoh, SETI @ home adalah proyek populer yang bertujuan untuk menciptakan lingkungan komputasi dengan memanfaatkan sumber daya cadangan dari desktop menggunakan BOINC. Konsep cloud ad hoc didasarkan pada premis komputasi ad hoc dalam sumber daya yang kurang dimanfaatkan, seperti server yang dimiliki oleh organisasi dapat digunakan untuk menciptakan infrastruktur elastis. Ini berbeda dari infrastruktur cloud yang ada yang sebagian besar didasarkan pada pusat data dan di mana sumber daya yang tersedia diketahui sebelumnya.
- Heterogeneous Cloud
Heterogenitas dalam komputasi awan dapat dipertimbangkan setidaknya dalam dua cara. Yang pertama adalah dalam konteks multi-cloud, di mana platform yang mengelola dan mengelola infrastruktur dan layanan dari beberapa penyedia cloud dianggap awan heterogen. Heterogenitas muncul dari penggunaan hypervisor dan perangkat lunak dari beberapa vendor.
- Emerging Computing Architecture
Cloud computing konvensional membutuhkan aplikasi untuk hanya mengikuti arsitektur dua tingkat. Di dua lapis arsitektur ujung depan, seperti perangkat pengguna, manfaatkan layanan yang ditawarkan oleh cloud. Semua logika bisnis dan logika basis data ada di cloud. Dengan semakin banyaknya perangkat yang kaya sensor, seperti ponsel pintar, tabel, dan perangkat yang dapat dikenakan, volume data yang besar dihasilkan. Gartner memperkirakan bahwa pada 2020 lebih dari 20 miliar perangkat akan terhubung ke internet untuk menghasilkan 43 triliun gigabyte data18. Ini menciptakan tantangan jaringan dan komputasi yang signifikan yang akan mengurangi Kualitas Layanan (QoS) dan Pengalaman (QoE) yang tidak dapat dipenuhi oleh infrastruktur yang ada.
- Volunteer Computing
Awan dan awan awan ad-hoc muncul untuk mengakomodasi aplikasi seluler dan yang dikendalikan oleh pengguna yang lebih inovatif yang dapat memanfaatkan komputasi lebih dekat ke perangkat pengguna. Ketersediaan sumber daya komputasi tidak dijamin dalam cloud atau cloud ad hoc seperti di pusat data konvensional dan oleh karena itu pembayaran pay-as-you-go atau pembayaran di muka untuk cadangan komputasi, penyimpanan atau sumber daya jaringan tidak akan sesuai. Sebaliknya, pendekatan yang didanai orang banyak di mana sumber daya cadangan dari komputer atau perangkat pengguna secara sukarela digunakan untuk membuat awan ad hoc. Model komputasional semacam itu dapat digunakan untuk mendukung aplikasi yang memiliki fokus sosial atau ilmiah.
- Fog and Mobile Edge Computing
Premis komputasi kabut adalah untuk memanfaatkan sumber daya komputasi yang ada di node tepi, seperti base station seluler, router dan switch, atau mengintegrasikan kemampuan komputasi tambahan ke dalam node ini (jaringan) di sepanjang garis data antara perangkat pengguna dan pusat data cloud. . Karakteristik umum dari node ini adalah bahwa mereka terbatas dalam sumber daya. Ini akan mungkin jika komputasi tujuan umum dapat difasilitasi pada node tepi yang ada atau infrastruktur tambahan, seperti awan mikro atau cloudlet yang dikerahkan.
- Serverless Computing
- Software-Defined Computing
Ada sejumlah besar tra cs yang secara tradisional tidak ada dalam arsitektur cloud two-tier. Ini karena semakin banyak perangkat yang dilayani oleh Internet. Akibatnya, ada peningkatan volume data yang perlu ditransfer dari satu lokasi ke lokasi lain untuk mendukung aplikasi yang bergantung pada beberapa layanan cloud. Untuk mengelola ini secara efisien, teknologi jaringan perlu mendukung arsitektur dinamis. Mendefinisikan Perangkat Lunak Jaringan (SDN) adalah pendekatan untuk mengisolasi perangkat keras yang mendasarinya di jaringan dari komponen yang mengontrol lalu lintas data. Abstrak ini memungkinkan pemrograman komponen kontrol jaringan untuk mendapatkan arsitektur jaringan yang dinamis.
- Connecting People and Devices in the Internet-of-Things
Inovasi di arena cloud bersama dengan pertumbuhan sensor dan gadget yang secara efektif membawa orang, perangkat dan komputasi terkait lebih dekat. Konsep menggabungkan beberapa lingkungan sensor, termasuk sensor yang tertanam dalam infrastruktur (transportasi, komunikasi, bangunan, perawatan kesehatan dan utilitas) dan sensor pada perangkat pengguna, perangkat yang dapat dikenakan, dan peralatan telah menghasilkan Internet of Things (IoT) yang akan dating.
- Big Data Computing
Konsekuensi dari model komputasi yang muncul adalah mereka menghasilkan volume data yang besar, yang disebut sebagai 'Big Data'. Data yang dihasilkan oleh organisasi atau pengguna ditransfer ke penyimpanan data di cloud (ini adalah hasil dari menggunakan arsitektur 'aplikasi ke pusat data' terpusat). Data yang disimpan tidak dapat digunakan lagi dan sering disebut sebagai data gelap. Biasanya mahal untuk memindahkan data dari toko dan melakukan analisis apa pun. Kesempatan untuk memproses data sebelum disimpan di cloud.
- Service Space
Abstraksi infrastruktur, platform, dan perangkat lunak pada awalnya dianggap sebagai layanan (IaaS, PaaS dan SaaS) di awan. Namun, ruang layanan menjadi lebih kaya dengan berbagai layanan. Misalnya, untuk menawarkan akselerasi yang disediakan oleh GPU untuk aplikasi Acceleration-as-a-Service (AaaS) telah diusulkan [83]. Di masa depan, karena semakin banyak aplikasi yang menggunakan akselerator perangkat keras, ruang AaaS diharapkan menjadi lebih matang.
- Self-learning Systems
Saat ini, sejumlah besar data yang dihasilkan oleh pengguna dalam bentuk foto, audio dan video dan metadata, seperti jaringan dan informasi aktivitas pengguna, ditransfer ke cloud. Hal ini disebabkan ketersediaan penyimpanan data yang relatif lebih murah dan cadangan di cloud. Ada penelitian yang sedang berlangsung dalam menerapkan pembelajaran mesin untuk pidato / audio, teks, gambar dan analisis video, dan aplikasi terjemahan bahasa.
- Deep Learning
Algoritma pembelajaran mesin tradisional terbatas pada eksekusi dalam kelompok besar yang diberi persyaratan komputasi yang besar. Namun, API dan pustaka perangkat lunak sekarang tersedia untuk melaksanakan tugas belajar yang rumit tanpa menimbulkan biaya moneter yang signifikan.
- Cognitive Computing
Jalur yang terkait erat dalam konteks awan masa depan adalah Kognitif Komputasi. Dalam model visioner ini, sistem kognitif akan bergantung pada algoritma pembelajaran mesin dan data yang dihasilkan untuk terus memperoleh pengetahuan, masalah model dan menentukan solusi. Contohnya termasuk penggunaan IBM Watson untuk pengenalan ucapan dan pengenalan wajah dan analisis sentimen. API dan SaaS yang mendukung Watson saat ini tersedia.
- Directions
Hahaa
ReplyDelete