Architecture Edge Computing
1. Introduction
Cloud Computing : centralisation des données et traitements dans des centres de données
distants (AWS, Azure, GCP).
Limite du Cloud : latence élevée, surcharge réseau, problèmes de confidentialité.
Edge Computing : déplace le calcul et le traitement des données au plus près de la source
(capteurs, objets connectés, bornes locales).
👉 L’Edge Computing complète le Cloud en permettant un traitement distribué et local pour les
applications en temps réel.
2. Définition de l’Edge Computing
Edge = “périphérie” du réseau (entre les capteurs/objets et le cloud).
Objectif : analyser et traiter les données localement avant de les envoyer au cloud.
Utilisé pour : IoT, voitures connectées, usines intelligentes, villes intelligentes, e-santé.
3. Différences : Cloud vs Fog vs Edge
Caractéristique Cloud Fog Computing Edge Computing
Centres de Passerelles intermédiaires (routers, Directement sur l’appareil
Localisation
données distants serveurs locaux) ou à proximité
Latence Haute (ms à s) Moyenne Très faible (temps réel)
Raspberry Pi, capteurs,
Exemples Google Cloud, AWS Cisco IOx, Smart Gateways
serveurs IoT
4. Architecture de l’Edge Computing
a) Couches principales
1. Device Layer (couche périphérique)
o Objets connectés : capteurs, caméras, machines industrielles.
o Collectent les données brutes.
2. Edge Layer (couche de traitement local)
o Passerelles IoT, serveurs edge, micro-datacenters.
o Effectuent un pré-traitement : filtrage, nettoyage, analyse rapide.
o Exemple : reconnaissance faciale directement sur une caméra de sécurité.
3. Fog Layer (facultative)
o Serveurs intermédiaires (routeurs, stations 5G).
o Fournissent du calcul distribué avant le cloud.
4. Cloud Layer (couche centrale)
o Centres de données massifs.
o Stockage longue durée, analyses Big Data, IA avancée.
b) Schéma simplifié
[Capteurs/Objets IoT]
[Edge Devices / Gateways] → Traitement local (IA, analytics rapides)
[Fog Nodes] → Pré-agrégation, sécurité
[Cloud] → Stockage massif, IA avancée
5. Technologies de l’Edge Computing
Matériel : Raspberry Pi, NVIDIA Jetson, passerelles IoT.
Logiciels / Frameworks :
o EdgeX Foundry (open-source).
o AWS Greengrass.
o Microsoft Azure IoT Edge.
o Google Anthos Edge.
Réseaux : 5G, Wi-Fi 6, LPWAN.
Sécurité : chiffrement local, authentification forte.
6. Applications réelles
1. Santé connectée
o Monitoring des patients (capteurs cardiaques).
o Analyse locale → alertes immédiates → envoi des données au cloud pour stockage.
2. Industrie 4.0
o Maintenance prédictive des machines.
o Réduction des arrêts grâce à l’analyse temps réel sur site.
3. Villes intelligentes
o Caméras de surveillance avec détection automatique.
o Gestion du trafic en temps réel.
4. Véhicules autonomes
o Décisions de freinage/évitage doivent être locales (latence très faible).
7. Avantages et limites
✅ Avantages
Réduction de la latence (temps réel).
Moins de bande passante utilisée (données filtrées avant envoi au cloud).
Plus grande sécurité et confidentialité (données sensibles traitées localement).
Résilience (fonctionne même si le cloud est indisponible).
⚠️Limites
Complexité de déploiement et maintenance.
Moins de puissance que le cloud.
Risques accrus de sécurité physique (appareils sur site).
Fragmentation (matériel et logiciels variés).
8. Exemple pratique (Edge + IA simplifiée)
a) Cas d’usage
Une caméra connectée dans une usine détecte si un ouvrier porte un casque de sécurité.
b) Processus
1. La caméra capture l’image.
2. L’IA (modèle de vision embarqué sur un Raspberry Pi) fait la détection.
3. Si anomalie → alerte immédiate.
4. Les données globales (statistiques mensuelles) sont envoyées au cloud.
9. Conclusion
L’Edge Computing est une évolution du cloud, permettant un traitement local et distribué.
C’est un pilier des systèmes IoT, de la 5G, de l’IA temps réel.
Dans le futur, on aura une synergie Cloud + Edge + IA :
o Edge → rapidité et autonomie.
o Cloud → puissance et stockage.
o IA → intelligence embarquée.