AES_3 2023

MERCATI Primo piano 28 Aprile 2023 n Automazione e Strumentazione dei volumi di dati potrebbe condurre a trasferirne quan- tità più elevate nel cloud, con evidenti effetti negativi in termini di incremento della latenza e dei costi di gestione degli stessi. Edge computing industriale, i requisiti hardware Nel contesto di continuo incremento del numero di dispositivi IoT e IIoT, e del parallelo aumento del volume e della velocità dei dati, le infrastrutture di edge computing e industrial edge computing vengono implementate per alleggerire il carico di lavoro soste- nuto dal cloud e dai grandi data center e, appunto, per gestire localmente determinati workload in maniera più rapida ed efficiente. Proprio per questo motivo, l’hardware di industrial edge computing, oltre a essere di tipo ‘rugged’, per garantire il funzionamento in con- dizioni ambientali che danneggerebbero un hardware convenzionale, deve soddisfare determinati requisiti di prestazioni. E ciò soprattutto quando tale hardware non deve semplicemente acquisire dati dai dispositivi IIoT o altri device, ma anche supportare attività di calcolo ad alte prestazioni (HPC). I requisiti tecnici delle risorse hardware integrate nei sistemi industrial edge dipendono logicamente dalla tipologia di applicazioni che dovranno servire, e vanno valutati per diversi componenti, che principalmente includono il processore, la memoria, i dispositivi di storage. Il cuore di un’infrastruttura industrial edge si può con- siderare l’industrial IoT edge gateway, ossia il dispo- sitivo IoT edge tipicamente installato nell’ambiente di fabbrica e destinato a interfacciarsi con tale ambiente per raccogliere dati da vari device, tra cui sensori, tra- dizionali PLC (programmable logic controller), dispo- sitivi IoT, macchinari e attrezzature industriali. Rispetto ai più tradizionali gateway IIoT, che indirizzano i dati direttamente verso cloud o il data center aziendale, l’industrial IoT edge gateway è in grado di memorizzarli ed elaborarli localmente, destinandone solo una parte al cloud, nel caso in cui la tipologia di workload richieda un’analisi particolare o più approfondita. Architetture CPU e prestazioni di elaborazione Quando l’esigenza aziendale è acquisire, analizzare ed elaborare i dati in sistemi hard real-time che ammini- strano applicazioni safety-critical, o gestire applica- zioni come il controllo di processo nel manufacturing, che richiedono al sistema un comportamento determi- nistico, le prestazioni dell’hardware diventano partico- larmente importanti. E qui le piattaforme hardware per il gateway possono includere, ad esempio, tecnologie come quella Arm o x86 . Le CPU con architettura Arm si caratterizzano per effi- cienza energetica, e sono utilizzate in molti progetti di sistemi embedded. A seconda delle esigenze, la sele- zione può spaziare dai processori per sistemi embedded ‘low-power’, alle CPU per gestire sistemi con requisiti HPC (high-performance computing), e applicazioni che vanno dalla manutenzione predittiva al monitorag- gio degli asset e al controllo qualità. L’architettura x86, invece, si distingue per l’ampia disponibilità commerciale e le elevate prestazioni di ela- borazione ed è adatta ad amministrare grandi volumi di dati generati da dispositivi IoT, PLC, sistemi di visione artificiale o altri device. In funzione delle specifiche esi- genze, la scelta della soluzione più adatta dipende natu- ralmente anche dal numero di core integrati nella CPU, e può orientarsi su computer industriali e sistemi elettro- nici ‘socket-based’ o SoC-based. I primi sono dotati di classica motherboad che integra un tradizionale socket per processore. I SoC (system-on-chip), invece, sono soluzioni altamente miniaturizzate, in grado d’includere in un singolo chip, CPU, GPU, risorse di memoria e sto- rage, porte di I/O, e tutto quanto necessario per fornire un sistema elettronico completo. In varie applicazioni, l’esigenza di business può essere la capacità di elaborare i workload di AI e ML direttamente a livello di infrastruttura edge. Ad esempio, può trattarsi dell’elaborazione di workload ‘data intensive’e di carichi di lavoro inferenziali per deep learning (DL) e visione artificiale. In questi casi d’uso, gli industrial IoT edge gateway e server IIoT possono anche dover integrare acceleratori rugged e dispositivi VPU (vision processing unit) dedicati al supporto delle applicazioni di edgeAI. n La VPU Hailo-15, indirizzata a complesse applicazioni di deep learning (fonte: Hailo)