بروتوكول توجيه تكيفي لشبكة إنترنت الأشياء الكهربية واسعة النطاق قائم على الحوسبة الطرفية والتعلّم الفدرالي

شبكات كهربائية أذكى لحياة يومية أفضل

تتحول شبكات الطاقة الحديثة إلى أنظمة رقمية ضخمة مليئة بعدادات ذكية وأجهزة استشعار، وسيارات كهربائية، وألواح شمسية على الأسطح. الحفاظ على تواصل كل هذه الأجهزة بسلاسة وبأقل استهلاك ممكن للطاقة يمثل تحدياً ضخماً. تقدم هذه الورقة طريقة جديدة لتمكين هذه الأجهزة من اتخاذ قرارات حول كيفية إرسال المعلومات عبر الشبكة بحيث تتحرك البيانات أسرع، وتستهلك طاقة أقل، وفي الوقت نفسه تُحفظ الخصوصية للمعلومات الحساسة.

تحدّي تنوّع الأجهزة

تحتوي شبكات الطاقة اليوم على ملايين الأجهزة المختلفة: عدادات منزلية ذكية، وأجهزة استشعار درجة حرارة وجهد على طول خطوط النقل، ومتحكمات في المحطات الفرعية، ومرحّلات حماية يجب أن تتفاعل في غضون أجزاء من الثانية. كل منها يستخدم تقنيات اتصال مختلفة وله متطلبات زمنية وقدرات طاقة خاصة به. بعضها متصل بالشبكة ويمكنه استهلاك طاقة كبيرة؛ وأخرى تعمل على بطاريات صغيرة يجب أن تدوم لأشهر أو سنوات. طرق التوجيه التقليدية التي تبحث ببساطة عن أقصر مسار لإرسال البيانات تتجاهل هذه الاختلافات. ونتيجة لذلك، تهدر الطاقة، وتؤدي إلى تأخيرات، وتبدأ في التعطل عندما يتجاوز حجم الشبكة بضعة آلاف من الأجهزة.

التفكير محلياً عند الحافة

للتعامل مع هذه التعقيدات، يصمم المؤلفون نظاماً متعدد الطبقات يوزع الذكاء عبر الشبكة. في القاع توجد الأجهزة الميدانية؛ وفوقها حواسيب صغيرة تسمى عقد الحافة، ثم عقد «الضباب» الإقليمية، وأخيراً السحابة. تقع عقد الحافة بالقرب من مكان توليد البيانات ويمكنها أن تقرر بسرعة كيف يجب أن تنتقل الرسائل القريبة دون انتظار خادم مركزي بعيد. تكتشف الأجهزة المتاحة، وتتعلم مدى انشغال أو استهلاك كل جهاز للطاقة، وتختار مسارات توازن بين السرعة والموثوقية وعمر البطارية. هذا اتخاذ القرار المحلي يقلص بشكل كبير الوقت اللازم للاستجابة للتغيرات في الشبكة.

التعلّم المشترك دون مشاركة البيانات الخام

فكرة أساسية في هذا العمل هي استخدام التعلّم الفدرالي، وهي طريقة تسمح لعدة عقد حافة بتدريب نموذج تنبؤ مشترك دون إرسال بياناتها الخام إلى مكان مركزي. تراقب كل عقدة حركة المرور المحلية وجودة الروابط ومستويات طاقة الأجهزة، ثم تدرب نسخة محلية من نموذج تعلّم آلي يتنبأ بكيف سيعمل الشبكة في اللحظة التالية. من وقت لآخر، ترسل العقدة معلمات النموذج فقط—وليس القياسات الأساسية—إلى عقد أعلى مستوى تقوم بمتوسطها وتعيد نموذجاً محسنًا. تقنيات خصوصية إضافية تضيف ضوضاء إلى هذه التحديثات بحيث لا يمكن إعادة بناء معلومات أي جهاز منفرد، مما يساعد شركات المرافق على الامتثال لقوانين حماية البيانات الصارمة.

توجيه يتكيّف في الزمن الحقيقي

مزوّداً بهذه التنبؤات، يمكن لنظام التوجيه أن يتصرف قبل ظهور المشكلة. إذا توقع النموذج أن أحد الروابط سيُثقل قريباً، يحوّل البروتوكول الحركة إلى مسارات بديلة. إذا كانت بطارية جهاز تنفد، يمنح الجهاز مهاماً أخف أو يوضع في وضع سبات أعمق بينما تتولى عقد أخرى العمل. توجه اختيارات التوجيه بعدة أهداف في آن واحد: إبقاء التأخيرات منخفضة للرسائل الحساسة زمنياً، والحفاظ على عمر البطارية حيث يلزم، وتجنب الروابط غير الموثوقة. خلف الكواليس، خوارزمية تعلم متقدمة تواصل تعديل أوزان هذه الأهداف بناءً على أداء الشبكة، مما يسمح للنظام بالتحسن المستمر.

مكاسب مثبتة في السرعة وتوفير الطاقة

يختبر الباحثون منهجهم باستخدام محاكاة حاسوبية مفصّلة لشبكات شبكات الطاقة تحتوي ما يصل إلى 10,000 جهاز، وقنوات لاسلكية واقعية، ومتطلبات زمنية صارمة. بالمقارنة مع طرق توجيه معروفة وحتى حل مركزي قوي قائم على التعلّم الآلي، يقدم تصميمهم التكيفي والفدرالي زيادة في معدل نقل البيانات بنسبة 35–50%، ويقلص التأخيرات من طرف إلى طرف بنسبة 40–60%، ويقلل إجمالي استهلاك الطاقة بنسبة 45–65%. تدوم المستشعرات التي تعمل بالبطارية مرتين إلى ما يقارب أربعة أضعاف أطول، ويظل النظام مستقراً حتى عند فشل بعض الأجهزة أو انقطاع الروابط. والأهم أن هذه الفوائد تستمر مع نمو الشبكة، بينما تتدهور الطرق التقليدية بسرعة بعد نحو 1,000 جهاز.

ما الذي يعنيه هذا لأنظمة الطاقة المستقبلية

بعبارة مبسطة، يبيّن هذا العمل كيف يمكن لشبكة كهربائية مليئة بالأجهزة الذكية أن تظل سريعة وموثوقة وكفؤة دون التخلي عن الخصوصية. من خلال تمكين حواسيب الحافة المحلية من التعلم من الخبرة ومشاركة ما تعلّمته فقط—وليس البيانات الخام—تنتج نظام اتصال قابل للتوسع ليشمل مدناً أو بلداناً. هذا يسهل دمج الألواح الشمسية على الأسطح، والمركبات الكهربائية، وغيرها من التقنيات الجديدة، مع تقليل هدر الطاقة وتمديد عمر المعدات الميدانية.

الاستشهاد: Zhang, Y., Zhang, S., Li, S. et al. Adaptive routing protocol for large-scale power internet of things based on edge computing and federated learning. Sci Rep 16, 12246 (2026). https://doi.org/10.1038/s41598-026-41074-5

الكلمات المفتاحية: الشبكة الذكية, إنترنت الأشياء, الحوسبة الطرفية, التعلّم الفدرالي, توجيه موفّر للطاقة