الترحيل التكيفي للخدمات في الحوسبة الطرفية المحمولة مع مراعاة الكمون والطاقة

لماذا يهم نقل التطبيقات إلى أقرب نقطة منك

في كل مرة تلعب فيها لعبة على الإنترنت أثناء وجودك في السيارة، أو تتبع إرشادات واقع معزز على هاتفك، أو يرسل جهاز استشعار في مدينة ذكية بيانات، يجب حساب تلك المهام الرقمية في مكان ما. تدفع الحوسبة الطرفية المتنقلة (MEC) هذا العمل بعيدًا عن مراكز البيانات البعيدة إلى خوادم صغيرة تقع قرب محطات القاعدة الخلوية، ما يقلل التأخير ويجعل التطبيقات تبدو أكثر استجابة. لكن الحفاظ على قرب هذه الخدمات من المستخدمين المتحركين يعني غالبًا "نقل" (ترحيل) التطبيق الجاري تشغيله بين خوادم الحافة القريبة. الكثير من الترحيل يهدر الطاقة والمال؛ القليل منه يسبب تأخرًا وإحباطًا. تستكشف هذه الدراسة كيفية إيجاد توازن ذكي باستخدام تعلم آلي متقدم.

موازنة السرعة واستهلاك الكهرباء

ركزت معظم الأبحاث السابقة في ترحيل خدمات MEC بشكل أساسي على هدف واحد: إبقاء الكمون الذي يشعر به المستخدم منخفضًا قدر الإمكان. وعادةً ما يعني ذلك ملاحقة المستخدم أثناء حركته ونقل التطبيق مرارًا إلى أقرب خادم. مع ذلك، كل عملية ترحيل تستهلك طاقة اتصال إضافية وتضيف تأخيرًا خاصًا بها. كما أن العديد من الطرق السابقة افترضت توفر سعة خادم كبيرة وظروفًا مستقرة، متجاهلة حقيقة أن خوادم الحافة محدودة الموارد، وتتنافس لخدمة العديد من المستخدمين، وتشهد أحمالًا وجودة لاسلكية متغيرة بسرعة. يجادل المؤلفون بضرورة اعتبار طاقة الترحيل هدفًا أساسيًا، على قدم المساواة مع الكمون، وأن سياسات الترحيل يجب أن تتكيف عبر الإنترنت مع حركة المستخدمين، وحالة تحميل الخوادم، وتقلبات الشبكة.

من مشكلة رياضية إلى وكيل يتعلم

بنوا أولًا نموذجًا رياضيًا مفصلاً لنظام MEC يحتوي على محطات قاعدة متعددة، وخوادم طرفية مترافقة، ومستخدمين متنقلين. يقوم كل مستخدم بإسناد مهام حوسبة إلى خوادم قريبة عبر روابط لاسلكية. يُقسَّم إجمالي تأخير الخدمة إلى ثلاثة أجزاء: زمن إرسال المهمة إلى محطة القاعدة، وزمن تنفيذها على الخادم، والوقت الإضافي في حال نقلت الخدمة بين الخوادم عبر الشبكة السلكية الخلفية. ونمذجت طاقة الترحيل أساسًا من كمية البيانات التي يجب نقلها عند تحريك خدمة. الهدف العام هو تقليل كلٍ من الكمون وطاقة الترحيل مع احترام حدود سعة الحوسبة لكل خادم وموعد انتهاء كل خدمة. حل هذه المسألة المختلطة الصحيحة وغير الخطية بدقة يكون غير قابل للقيام به في الوقت الحقيقي، لذلك لجأ الفريق إلى التعلم المعزز العميق، حيث يتعلم وكيل اتخاذ قرارات جيدة بالتفاعل مع بيئة محاكاة.

كيف يعمل "الدماغ" التكيفي للترحيل

الطريقة المقترحة المسماة NPER‑D3QN هي متغير متقدم لشبكات Q العميقة (DQN). يُلخّص "حالة" الإدخال للوكيل مكان وجود المستخدمين، ومدى بعدهم عن محطة القاعدة التي تخدمهم، ومدى تحميل كل خادم طرفي، وسعة الحوسبة المتاحة، ومعدلات البيانات اللاسلكية، وحجم كل خدمة ومتطلبات الحوسبة الخاصة بها. و"الإجراءات" هي اختيارات أي خادم طرفي يجب أن يستضيف خدمة كل مستخدم في الفاصل الزمني التالي. تُشجع دالة المكافأة على تحقيق كمون منخفض بالنسبة لمهلة كل خدمة مع معاقبة طاقة الترحيل، مما يدفع الوكيل للموازنة بين السرعة واستهلاك الطاقة. تقنيًا، يجمع النموذج بين ثلاثة أفكار: شبكة مُتبارية (dueling) تُقدّر بشكل منفصل قيمة الحالة وفائدة كل إجراء، وبنية "مزدوجة" في تعلم Q تقلل من التقديرات المتفائلة المبالغ فيها، ومساعدان للاستكشاف—شبكات ضوضائية وإعادة تشغيل الخبرات ذات الأولوية—اللتان تسمحان له بالتعلم بشكل أسرع وأكثر موثوقية في ظروف معقدة ومتغيرة.

اختبار الأسلوب

لاختبار أداء NPER‑D3QN، محاكاة المؤلفون شبكة شبيهة بمدينة تحوي عشرات محطات القاعدة وما يصل إلى مئات المستخدمين المتنقلين الذين يتحركون عشوائيًا ويرسلون مهامًا بأحجام متغيرة. تمتلك خوادم الحافة قدرة حوسبة محدودة ويمكن أن تستضيف عددًا ثابتًا فقط من الآلات الافتراضية، مما يخلق طوابير ومنافسة واقعية. قارنوا طريقتهم مع ستة أساليب رائدة حالية، بما في ذلك DQN الكلاسيكي، ومتغيرات محسّنة مزدوجة‑متبارية، ومخططات تتبع دائمًا أقرب خادم أو تركز فقط على تقليل الكمون. عبر مجموعة من السيناريوهات، يتقارب NPER‑D3QN إلى استراتيجيات جيدة بسرعة أكبر ويحقق باستمرار كمون خدمة متوسّطًا أقل، واستهلاك طاقة مرتبطًا بالترحيل أقل، وعمليات ترحيل مرفوضة أقل عند امتلاء الخوادم. في اختبار واسع النطاق مع 720 مستخدمًا و96 خادمًا، خفّض التأخير بما يصل إلى نحو الثلثين تقريبًا وطاقة الترحيل بأكثر من 90% مقارنةً ببعض البدائل، مع الحفاظ على زمن حساب لكل قرار ضمن حدود عملية.

ما الذي يعنيه هذا لخدمات الاتصال المستقبلية

للغير متخصصين، الخلاصة أن دفع التطبيقات أقرب إلى المستخدمين ليس كافيًا: نحن بحاجة أيضًا إلى تحكم ذكي بشأن متى وأين تتحرك الخدمات الجارية. تُظهر هذه الدراسة أن متحكّمًا قائمًا على التعلم يمكنه "التلاعب" بالأهداف المتنافسة للاستجابة، وتوفير الطاقة، وقيود سعة الحافة دون قواعد مصممة يدويًا. إذا نُشرت أنظمة مماثلة في شبكات حقيقية، فقد تساعد المشغلين على تقديم تجارب أكثر سلاسة لتطبيقات مثل القيادة الذاتية، وواقع معزز غامر، وإنترنت الأشياء الصناعي مع خفض فواتير الكهرباء وضغط البنية التحتية. ويشير المؤلفون إلى أن دراستهم قائمة على المحاكاة وتتجاهل بعض التفاصيل الحقيقية مثل استهلاك الطاقة الكلي للخوادم والمراقبة غير الكاملة، لكنها تمثل خطوة واعدة نحو حوسبة طرفية أكثر خضرة وتكيفًا.

الاستشهاد: Li, L., Lv, J., Wang, S. et al. Latency and energy-aware adaptive service migration in mobile edge computing. Sci Rep 16, 6178 (2026). https://doi.org/10.1038/s41598-026-36711-y

الكلمات المفتاحية: الحوسبة الطرفية المتنقلة, ترحيل الخدمات, التعلم المعزز العميق, تحسين الكمون, كفاءة الطاقة