---
title: "محاسبه لبه در معماری و استقرار شهرهای هوشمند"
---

# محاسبه لبه در معماری و استقرار شهرهای هوشمند

شهرهای هوشمند به حجم عظیمی از داده‌های تولیدشده توسط حسگرها، دوربین‌ها و دستگاه‌های متصل متکی هستند. مدل‌های سنتی مبتنی بر ابر در مواجهه با تأخیر، هزینه‌های پهنای باند و محدودیت‌های حریم خصوصی مشکل می‌خورند. محاسبه لبه پردازش، ذخیره‌سازی و تجزیه و تحلیل را به نزدیک منبع داده می‌برد و امکان اتخاذ تصمیمات زمان واقعی را فراهم می‌کند در حالی که ترافیک شبکهٔ پشت‌بند را کاهش می‌دهد. این مقاله لایه‌های معماری سیستم‌های شهری مبتنی بر لبه را تجزیه و تحلیل می‌کند، روش‌شناسی گام به گام استقرار را توصیف می‌نماید و نکات امنیتی و عملکردی را که برای پروژه‌های مقیاس‌پذیر شهرداری‌ها اساسی هستند، برجسته می‌کند.

## مقدمه

هر کلان‌شهر مدرن در حال تبدیل شدن به شبکه‌ای از نسخهٔ دیجیتال دوپلیکات است که در آن نقاط انتهایی **اینترنت اشیا** ([IoT](https://en.wikipedia.org/wiki/Internet_of_things)) جریان‌های پیوسته‌ای را به خط لوله‌های تجزیه و تحلیل می‌فرستند. زمانی که یک کنترل‌کنندهٔ چراغ راهنمایی ترافیک تراکم را تشخیص می‌دهد، باید در میلی‌ثانیه‌ها واکنش نشان دهد؛ هنگامی که یک حسگر محیطی کیفیت خطرناک هوا را شناسایی می‌کند، باید بلافاصله هشدار صادر شود. محاسبه لبه شهر را با مراکز دادهٔ میکرو—اغلب به نام **گره‌های لبه**—مجهز می‌کند که داده‌ها را به‌صورت محلی پردازش می‌کنند و زمان پاسخ زیر یک ثانیه‌ای را ارائه می‌دهند که راه‌حل‌های صرفاً ابری نمی‌توانند تضمین کنند.

## لایه‌های معماری

شهر هوشمند متمرکز بر لبه می‌تواند به‌صورت یک سلسله‌مراتب سه‌سطحه‌ای تصور شود:

1. **لایهٔ دستگاه** – میلیاردها حسگر، دوربین و عملگر که اندازه‌گیری‌های خام را جمع‌آوری می‌کنند.
2. **لایهٔ لبه/مه** – خوشه‌های محاسباتی توزیع‌شده واقع در کابینت‌های خیابانی، میله‌های زیرساخت یا ایستگاه‌های مترو. این گره‌ها بارهای کاری سبک‌وزن مانند فیلتر링 جریان، تشخیص نابهنجاری و ترجمهٔ پروتکل را اجرا می‌کنند.
3. **لایهٔ ابر/هسته** – انبارهای دادهٔ متمرکز، بسترهای یادگیری ماشین و برنامه‌های سازمانی که ذخیره‌سازی طولانی‌مدت، تجزیه و تحلیل دسته‌ای و هماهنگی سراسری شهر را انجام می‌دهند.

تعامل این لایه‌ها بهترین‌گونه با یک نمودار **Mermaid** که جریان داده و مرز سرویس‌ها را نشان می‌دهد، به تصویر کشیده می‌شود.

```mermaid
graph LR
    "Sensors" --> "Edge Nodes"
    "Edge Nodes" --> "Fog Layer"
    "Fog Layer" --> "Cloud Core"
    "Fog Layer" --> "GIS Services"
    "Edge Nodes" --> "MQTT Broker"
```

*شکل 1: خط لولهٔ سادهٔ داده لبه‑مه‑ابر برای یک شهر هوشمند.*

* **Sensors** نمایانگر لایهٔ دستگاه است که اغلب از پروتکل‌های کم‌مصرفی مانند **LoRaWAN** یا **NB‑IoT** استفاده می‌کند.  
* **Edge Nodes** سرویس‌های کانتینره‌شده‌ای میزبانی می‌کنند که تجزیه و تحلیل زمان واقعی (مثلاً تشخیص اشیاء ویدئویی) را اجرا می‌نمایند و به‌عنوان دروازه‌ای برای پروتکل‌های سطح بالاتر عمل می‌کنند.  
* **Fog Layer** نتایج حاصل از چندین گرهٔ لبه را تجمیع می‌کند، اعمال سیاست‌های منطقه‌ای را انجام می‌دهد و با بسترهای **سیستم اطلاعات جغرافیایی** ([GIS](https://en.wikipedia.org/wiki/Geographic_information_system)) برای تجزیه و تحلیل‌های مکانی ارتباط برقرار می‌کند.  
* **Cloud Core** منبع حقیقت نهایی باقی می‌ماند؛ مسئول آموزش مدل‌های یادگیری عمیق، داشبوردهای سراسری شهر و پورتال‌های شهروندی است.

## چرخهٔ حیات استقرار

یک پیاده‌سازی منظم خطر را کاهش می‌دهد و پایداری عملیات را تضمین می‌کند. این چرخه می‌تواند به چهار فاز اصلی تقسیم شود:

### ۱. بررسی میدانی و برنامه‌ریزی ظرفیت

پیش از ورود هر سخت‌افزاری، برنامه‌ریزان یک **بررسی رادیوفرکانسی (RF)** برای ترسیم پوشش 5G و Wi‑Fi انجام می‌دهند. با استفاده از این داده‌ها، تعداد گره‌های لبه مورد نیاز برای برآورده‌سازی اهداف تأخیر خدمات حیاتی (مثلاً واکنش اضطراری) برآورد می‌شود. مدل‌های ظرفیت همچنین ترافیک **Message Queuing Telemetry Transport** ([MQTT](https://en.wikipedia.org/wiki/MQTT)) را که می‌تواند در طول رویدادهای شهری افزایش یابد، در نظر می‌گیرند.

### ۲. نصب پایلوت

یک پایلوت مقیاس‌کم، سازگاری سخت‌افزار، توپولوژی شبکه و ادغام نرم‌افزاری را اعتبارسنجی می‌کند. در این مرحله، ابزارهای مدیریت پیکربندی (مانند **Ansible**) گره‌ها را با تصاویر غیرقابل تغییر (immutable) فراهم می‌سازند. خطوط لولهٔ یکپارچه‌سازی مستمر، به‌روزرسانی‌های کانتینری را هدایت می‌کنند؛ در حالی که عوامل نظارتی معیارهایی را برای ارزیابی **شاخص سطح خدمت** (SLI) جمع‌آوری می‌کنند.

### ۳. گسترش مرحله‌ای

پس از رسیدن به KPIهای موفق در پایلوت، استقرار به‌صورت فازهای جغرافیایی پیش می‌رود—معمولاً هم‌راستا با حوزه‌های اداری. هر فاز اسکریپت‌های خودکارسازی پایلوت را تکرار می‌کند تا یکنواختی در هزاران سایت لبه تضمین شود. یک استراتژی **استقرار آبی‑سبز** (blue‑green) به‌منظور جلوگیری از وقفهٔ خدمات به کار گرفته می‌شود؛ نسخهٔ جدید به‌صورت موازی با نسخهٔ پایدار اجرا می‌شود و پس از اطمینان از صحت، ترافیک به‌آن سوئیچ می‌شود.

### ۴. عملیات کامل و بهینه‌سازی

زمانی که شبکه به پوشش کامل می‌رسد، تیم‌های عملیاتی بر **نگهداری پیش‌بینانه** و تنظیم عملکرد متمرکز می‌شوند. گره‌های لبه به‌صورت مستمر آمار سلامت را گزارش می‌دهند و مدل‌های یادگیری ماشین قادر به پیش‌بینی نقص‌های سخت‌افزاری هستند. به‌مجموعه، الگوریتم‌های پویا برای جایگذاری بار محاسباتی بر پایهٔ بار لحظه‌ای و قیمت‌گذاری انرژی، کارایی را به حداکثر می‌رسانند.

## ملاحظات امنیتی

استقرارهای شهر هوشمند هدف‌های ارزشمند برای حملات سایبری هستند. یک مدل امنیتی چند لایه الزامی است:

* **احراز هویت دستگاه** – هر حسگر باید یک هویت رمزنگاری شدهٔ یکتا داشته باشد؛ معمولاً این کار با گواهینامه‌های **TLS** (Transport Layer Security) ذخیره‌شده در عناصر امن انجام می‌شود.  
* **تقسیم‌بندی شبکه** – گره‌های لبه در VLANهای ایزوله قرار می‌گیرند تا حرکت افقی مخرب محدود شود. اصول شبکهٔ Zero‑Trust میکرو‑تقسیم‌بندی را در لایهٔ مه تحمیل می‌کنند.  
* **رمزگذاری داده در حالت استراحت و انتقال** – تمام بارهای انتقالی که از طریق بروکرهای MQTT عبور می‌کنند با TLS رمزگذاری می‌شوند؛ در حالی که ذخیره‌سازی محلی در دستگاه‌های لبه از AES‑256 بهره می‌برد.  
* **راه‌اندازی امن و تأیید صحت در زمان اجرا** – یکپارچگی firmware هنگام روشن شدن بررسی می‌شود و چک‌های صحت زمان اجرا هر گونه دست‌کاری در تصویرهای کانتینری را شناسایی می‌کند.  
* **اتوماسیون پاسخ به حادثه** – پلتفرم‌های SOAR (Security‑Orchestration‑Automation‑Response) هشدارهای دریافتی از حسگرهای لبه را پردازش، جریان‌های ایزوله‌سازی را فعال و اسنپ‌شات‌های فورنزیک برای تحلیل تولید می‌کنند.

## تکنیک‌های بهینه‌سازی عملکرد

دستیابی به تأخیر پیش‌بینانه نیازمند مهندسی دقیق در حوزه‌های سخت‌افزاری، نرم‌افزاری و شبکه‌ای است:

* **شتاب‌دهی سخت‌افزاری** – استفاده از GPUها یا ASICهای بهینه‌شده برای هوش مصنوعی (مثلاً Edge TPU) در گره‌های لبه پردازش‌های سنگین محاسباتی مانند تجزیه و تحلیل ویدئویی را تسریع می‌کند.  
* **کشینگ لبه** – کاشی‌ها و داده‌های نقشهٔ GIS که به‌طور مکرر درخواست می‌شوند به‌صورت محلی کش می‌شوند و زمان رفت و برگشت به ابر را کاهش می‌دهند.  
* **تنظیم پروتکل** – سطوح QoS در MQTT بر مبنای اهمیت سرویس تنظیم می‌شوند؛ جریان‌های با اولویت بالا از QoS 2 برای تحویل دقیقا‑یک‌بار استفاده می‌کنند، در حالی که تلگرافی کمتر حیاتی می‌تواند با QoS 0 کار کند.  
* **بارگذاری متعادل** – لودبالانسرهای مبتنی بر DNS درخواست‌های مشتریان را بین گره‌های لبه نزدیک جغرافیایی توزیع می‌کنند و استفادهٔ یکنواخت را حفظ می‌نمایند.  
* **برنامه‌ریزی آگاه از انرژی** – بارهای کاری به گره‌هایی که توسط میکرو‑گره‌های انرژی تجدیدپذیر (مثلاً خورشیدی) تغذیه می‌شوند، در ساعات اوج تولید خورشید منتقل می‌شوند؛ این کار هزینهٔ عملیاتی و ردپای کربن را کاهش می‌دهد.

## مطالعهٔ موردی دنیای واقعی: مدیریت حمل‌ونقل شهری

شهر **نووپولیس** یک ابتکار حمل‌ونقل مبتنی بر لبه را برای کاهش تراکم در مرکز شهر به اجرا گذاشت. این سامانه شامل:

* **۲۰۰ گرهٔ لبه** نصب‌شده بر روی علائم راهنمایی ترافیک، هر کدام مجهز به ماژول تجزیه و تحلیل ویدئویی که شمار خودرویی و جریان عابر پیاده را شناسایی می‌کرد.  
* یک **خوشهٔ بروکر MQTT** که در اوج ساعت‌ها حدود ۱۵ هزار پیام در ثانیه را مدیریت می‌کرد.  
* یک **لایهٔ مه ارکستراسیون** که آمارهای سطح‑منطقه‌ای را جمع‑آوری و به مدل پیش‌بینی مبتنی بر ابر می‌رساند؛ این مدل زمان‌بندی سیگنال‌ها را به‌صورت نزدیک‑به‑زمان واقعی تنظیم می‌کرد.

در عرض شش ماه، زمان سفر متوسط ۱۲ ٪ کاهش یافت و انتشار گازهای گلخانه‌ای ناشی از توقف خودروها ۸ ٪ کاهش یافت. موفقیت این پروژه به تست‌های دقیق پایلوت، خطوط لولهٔ خودکار برای استقرار و یک وضعیت امنیتی محکم که در طول دورهٔ پروژه از هر گونه دسترسی غیرمجاز جلوگیری کرد، بستگی داشت.

## روندهای آینده

محاسبه لبه برای شهرهای هوشمند همچنان در حال تحول است. برخی از روندهای نوظهور عبارتند از:

* **یکپارچه‌سازی با ۶G** – ارتباطات با تأخیر فوق‌العاده پایین و باند فرکانسی ترهرتز، فاصلهٔ بین حسگرها و محاسبه را بیش از پیش کاهش خواهد داد.  
* **همگام‌سازی دیجیتال‌توئن** – پردازش زمان واقعی در لبه، دیجیتال‌توئن‌های مقیاس شهر را به‌روز نگه می‌دارد و شبیه‌سازی‌های «چه‑اگر» فوری را ممکن می‌سازد.  
* **یادگیری فدرال در لبه** – مدل‌های یادگیری ماشین حفظ حریم خصوصی به‌صورت محلی بر روی گره‌های لبه آموزش می‌یابند و نیاز به انتقال داده‌های خام به ابر را کم می‌کنند.  
* **شبکه‌های خودبهینه‌سازی** – توابع شبکه‌محور مبتنی بر هوش مصنوعی به‌صورت پویا مسیرها و تخصیص پهنای باند را براساس الگوهای تقاضای زنده تنظیم می‌کنند.

با پذیرش این نوآوری‌ها، شهرداری‌ها می‌توانند زیرساخت‌های مقیاس‌پذیر و مقاومی بسازند که به تقاضاهای پویا و همواره در حال تغییر زندگی شهری پاسخ می‌دهند.

## نتیجه‌گیری

محاسبه لبه شهرهای هوشمند را از سامانه‌های سنگین‌داده و محدود به تأخیر به اکوسیستم‌های چابک و واکنش‌گرا تبدیل می‌کند. یک معماری سه‌لایهٔ تعریف‌شده، به‌همراه یک چرخهٔ استقرار منظم و تدابیر امنیتی دقیق، به شهرداری‌ها امکان می‌دهد خدمات حیاتی—مدیریت ترافیک، ایمنی عمومی، نظارت محیطی—را با سرعت و اطمینان بی‌سابقه ارائه دهند. همان‌طور که استانداردهای اتصال تکامل می‌یابند و سخت‌افزارهای لبه قدرتمندتر می‌شوند، مرز بین شهر فیزیکی و همتای دیجیتالش همچنان محو خواهد شد و دورهٔ جدیدی از هوشمندسازی شهری را به راه می‌اندازد.

## <span class='highlight-content'>See</span> Also
- <https://www.cisco.com/c/en/us/solutions/internet-of-things/edge-computing.html>
- <https://www.ibm.com/cloud/learn/edge-computing>
- <https://www.cisco.com/c/en/us/solutions/enterprise-networks/edge-computing.html>
- <https://www.etsi.org/technologies/multi-access-edge-computing>