IoT আর্কিটেকচার — এজ, ফগ ও ক্লাউড

১ · তিনটি স্তর

এজEdgeIoT ডিভাইস নিজে, বা তার সরাসরি কাছাকাছি — যেখানে সেন্সর ডেটা তৈরি হয় এবং সবচেয়ে দ্রুত সিদ্ধান্তগুলো নেওয়া হয়। হলো IoT স্ট্যাকের সবচেয়ে নিচের স্তর — এই কোর্সের M1-M9 পর্যন্ত যা কিছু শিখেছেন (মাইক্রোকন্ট্রোলার, GPIO, সেন্সর, RTOS) সবই এই স্তরে ঘটে। এজে প্রসেসিং করার সুবিধা হলো তাৎক্ষণিক — কোনো নেটওয়ার্ক রাউন্ড-ট্রিপের অপেক্ষা ছাড়াই সিদ্ধান্ত নেওয়া যায়।

ফগFogএকটি মধ্যবর্তী লোকাল গেটওয়ে/হাব যা একাধিক এজ ডিভাইসের ডেটা একত্র করে, স্থানীয়ভাবে কিছুটা প্রসেস করে, তারপর ক্লাউডের দিকে পাঠায়। হলো এজ ও ক্লাউডের মাঝামাঝি একটি স্তর — একটি লোকাল গেটওয়ে বা হাব ডিভাইস (যেমন একটি স্মার্ট হোম হাব, বা একটি ফ্যাক্টরির লোকাল সার্ভার) যা কাছাকাছি অনেকগুলো এজ ডিভাইসের ডেটা একত্র করে, প্রয়োজনে ফিল্টার/অ্যাগ্রিগেট করে, এবং শুধু গুরুত্বপূর্ণ অংশটুকু ক্লাউডে পাঠায়। M10-এর পরের পাঠগুলোতে (WiFi/BLE, Zigbee/LoRaWAN) এই "গেটওয়ে দরকার কি না" প্রশ্নটি বারবার ফিরে আসবে।

ক্লাউডCloudকেন্দ্রীয়ভাবে হোস্ট করা স্টোরেজ ও কম্পিউট — দীর্ঘমেয়াদী ডেটা রাখা, ভারী অ্যানালিটিক্স, এবং একাধিক সাইট/ডিভাইস জুড়ে সমন্বয়ের জন্য উপযুক্ত। হলো সবচেয়ে উপরের স্তর — এখানে অসীম প্রায় স্টোরেজ ও কম্পিউট পাওয়া যায়, তাই দীর্ঘমেয়াদী ট্রেন্ড বিশ্লেষণ, একাধিক ডিভাইস/সাইট জুড়ে ড্যাশবোর্ড, বা ভারী মেশিন লার্নিং মডেল ট্রেনিং এখানেই হয় — কিন্তু প্রতিটি রিডিং ক্লাউডে পাঠাতে গেলে ইন্টারনেট সংযোগ ও নেটওয়ার্ক লেটেন্সির উপর নির্ভর করতে হয়। M50-এ IoT ক্লাউড প্ল্যাটফর্ম নিয়ে বিস্তারিত আসবে।

২ · একটি সত্যিকারের গণনা — এজ প্রসেসিং কতটা বাঁচায়

ধরা যাক একটি সেন্সর নোড প্রতি সেকেন্ডে ৫০টি রিডিং নেয় (যেমন একটি ভাইব্রেশন বা তাপমাত্রা সেন্সর), প্রতিটি রিডিং ২ বাইট (১৬-বিট)। দুটো ডিজাইন তুলনা করা হচ্ছে — প্রতিটি রিডিং সরাসরি ক্লাউডে পাঠানো, বনাম এজেই প্রতি সেকেন্ডে একটি সামারি/গড় মান (৪ বাইট) হিসাব করে শুধু সেটুকু পাঠানো। নিচের কোড সেল ব্যান্ডউইথ ও সিদ্ধান্ত- লেটেন্সি — দুটোই সত্যিই গণনা করে দেখাচ্ছে।

# --- এজ বনাম ক্লাউড: ব্যান্ডউইথ তুলনা ---
samples_per_sec = 50        # সেন্সর স্যাম্পলিং রেট (উদাহরণ: ভাইব্রেশন/তাপমাত্রা সেন্সর)
bytes_per_sample = 2         # প্রতিটি র-স্যাম্পল ১৬-বিট (২ বাইট)

raw_bandwidth_bps = samples_per_sec * bytes_per_sample * 8

aggregation_interval_s = 1   # এজে প্রতি ১ সেকেন্ডে একটি সামারি পাঠানো হয়
bytes_per_aggregate = 4      # সামারি ভ্যালু (যেমন গড়) ৪ বাইটে এনকোড করা

aggregated_bandwidth_bps = (1 / aggregation_interval_s) * bytes_per_aggregate * 8

bandwidth_savings_pct = ((raw_bandwidth_bps - aggregated_bandwidth_bps)
                          / raw_bandwidth_bps * 100)

print("=== ব্যান্ডউইথ তুলনা ===")
print(f"র-ডেটা (প্রতিটি স্যাম্পল ক্লাউডে): {raw_bandwidth_bps:.0f} bps")
print(f"এজে অ্যাগ্রিগেট করে পাঠালে:      {aggregated_bandwidth_bps:.0f} bps")
print(f"ব্যান্ডউইথ সাশ্রয়:               {bandwidth_savings_pct:.1f}%")

# --- এজ বনাম ক্লাউড: সিদ্ধান্ত-লেটেন্সি তুলনা ---
one_way_network_latency_ms = 75   # ক্লাউড রিজিয়নে এক-পথ লেটেন্সি (illustrative)
cloud_processing_ms = 20          # ক্লাউড-সাইড প্রসেসিং সময় (illustrative)

cloud_round_trip_latency_ms = (one_way_network_latency_ms * 2) + cloud_processing_ms
edge_decision_latency_ms = 5      # লোকাল/এজ প্রসেসিং সময় (illustrative)

latency_savings_ms = cloud_round_trip_latency_ms - edge_decision_latency_ms

print("\n=== সিদ্ধান্ত-লেটেন্সি তুলনা ===")
print(f"ক্লাউডে পাঠিয়ে সিদ্ধান্ত: {cloud_round_trip_latency_ms:.0f} ms "
      f"(নেটওয়ার্ক {one_way_network_latency_ms * 2} ms + প্রসেসিং {cloud_processing_ms} ms)")
print(f"এজেই সিদ্ধান্ত:          {edge_decision_latency_ms:.0f} ms")
print(f"এজ প্রসেসিং দ্রুততর:      {latency_savings_ms:.0f} ms")