IntelliScheduler: إطار تعلم عميق هجيني لجدولة المهام في بيئة حوسبة الحافة-السحابة مبني على التعلم

لماذا لا يزال الانتظار للسحابة مهماً

في كل مرة تكشف فيها كاميرا ذكية عن شخص غريب عند بابك، أو تتفاعل سيارة متصلة مع حركة المرور، تُرسل مهام صغيرة — «مهام» — ليتم معالجتها في مكان ما على الإنترنت. إذا كانت هذه المهام تسافر دائماً إلى مراكز بيانات بعيدة، فقد تكون الرحلة الزمنية بطيئة جداً للإجراءات الحساسة للزمن. تقدم هذه الورقة IntelliScheduler، نظاماً مبنياً على التعلم يقرر في الزمن الحقيقي أي المهام ينبغي معالجتها بالقرب من المستخدم عند حافة الشبكة وأيها يمكن إرساله بأمان إلى السحابة، بهدف الحفاظ على استجابة سريعة مع تقليل التكاليف.

من الخوادم البعيدة إلى المساعدين القريبين

كانت الحوسبة السحابية التقليدية محركاً رئيسياً للخدمات عبر الإنترنت لأنها تستطيع التوسع بتكلفة منخفضة لملايين المستخدمين. لكن لكثير من استخدامات إنترنت الأشياء الحديثة — مثل حساسات المصانع، والمركبات الذكية، أو الأجهزة القابلة للارتداء الصحية — كل ملّي ثانية إضافية من التأخير قد تكون مهمة. لتقليل هذا التأخير، تنشر الشركات الآن خوادم أصغر قرب المستخدمين، تُعرف بخوادم الحافة. تستطيع هذه الآلات أن تستجيب بسرعة أكبر لكنها ذات سعة محدودة. إذا أُرسلت الكثير من المهام إلى الحافة، ستتكدس في الطابور؛ وإذا أُرسلت الكثير إلى السحابة، يصبح زمن الرحلة عنق الزجاجة. اعتمدت طرق الجدولة القديمة على قواعد ثابتة أو قواعد خبرية مصممة يدوياً والتي غالباً ما تنهار عندما ترتفع أحمال العمل أو تتغير حالة الشبكة بسرعة.

مخّ متعلم لتحديد مكان معالجة العمل

يقترح المؤلفون IntelliScheduler، إطاراً يتعامل مع وضع المهام في نظام الحافة–السحابة كمشكلة تعلم بدلاً من كتاب قواعد ثابت. في جوهره نموذج من التعلم العميق التعزيزي: يراقب وكيل اصطناعي حالة النظام الحالية — مدى انشغال آلات الحافة والسحابة، طول قوائم الانتظار لديهم، مدى إلحاح المهام الواردة — ثم يختار إجراءً، مثل إرسال مهمة إلى الحافة، أو إلى السحابة، أو تقسيم العمل بينهما. بعد كل اختيار يتلقّى الوكيل تغذية راجعة تستند بالأساس إلى مدة انتظار الأجهزة وما إذا كانت قد فُوّتت أي مواعيد نهائية للخدمة. على مدار العديد من جولات التجربة والخطأ، يتعلم النظام تدريجياً سياسة تميل إلى تقليل زمن الانتظار والحفاظ على الاتفاقيات المتعلقة بمستويات الخدمة.

تذكر أنواع عدة من الأيام المزدحمة

ابتكار رئيسي هو كيفية تعلم IntelliScheduler من الخبرة. بدلاً من تخزين الحالات والقرارات السابقة في قائمة طويلة واحدة، يحتفظ بعدة مخازن ذاكرة منفصلة. يجمع كل مخزن أمثلة من ظروف تشغيل مختلفة — مثل الحمل الخفيف، الازدحام الشديد، أو استخدام غير متوازن للحافة. أثناء التدريب، يأخذ الوكيل عينات من كل هذه المخازن، مع تفضيل للتجارب التي كانت تنبؤاته السابقة فيها أكثر انحرافاً عن الهدف. يساعد هذا التصميم متعدد المخازن عملية التعلم على البقاء مستقرة حتى مع تغير البيئة، متجنباً التذبذبات التي قد تحدث عندما يعيد النموذج التعلم مراراً من الأحداث الأحدث فقط. النموذج الرياضي الداعم لهذا النهج يأخذ صراحةً في الحسبان ثلاث طرق يمكن معالجة المهمة بها: بالكامل في السحابة، بالكامل في الحافة، أو بطريقة هجينة حيث تنتقل المعالجة من الحافة إلى السحابة إذا أصبحت الموارد ضيقة.

اختبار الإطار

لدراسة سلوك IntelliScheduler، بنى الباحثون محاكيًا مفصلاً لنظام الحافة–السحابة يشغّل سير عمل إنترنت الأشياء. قارنوا خوارزمية جدولة المهام المثلى المبنية على التعلم (LbOTS) بثلاثة جداول شائعة تعتمد على التحسين مأخوذة من ذكاء السرب والميتاهيوريستيكيات. عبر أحمال عمل تركيبية صغيرة ومتوسطة وكبيرة — تصل حتى مليون مهمة — حقق النهج القائم على التعلم باستمرار مكافأة كلية أعلى، وهي إشارة تجمع بين تقصير أوقات الانتظار وتحقيق المواعيد النهائية بشكل أفضل. تدرب بثبات أكبر، مع فقد تعلّم أقل يصل حتى ثلثي الانخفاض، واستخدم الموارد بكفاءة أكبر، مختصراً التكاليف التشغيلية المقدرة بحوالي النصف أو أكثر. وربما الأبرز أن معدل رفض المهام بسبب التحميل الزائد تراجع بنحو 80–90٪، وتحسنت جودة تجربة المستخدم المحسوسة بنحو 15–75٪ مقارنة بالنهج المنافسة.

ماذا يعني هذا للأجهزة المتصلة اليومية

من الناحية العملية، تشير الدراسة إلى أن «مراقب حركة جوّي» تكيفي ومدفوع بالتعلّم للمهام الرقمية يمكن أن يجعل أنظمة الحافة–السحابة أكثر استجابة وأقتصادية من قواعد الجدولة الثابتة. يظهر IntelliScheduler أنه من خلال المراقبة المستمرة لمدى انشغال الخوادم والشبكات، والتعلم من مجموعة واسعة من الحالات السابقة، يمكن لوكيل آلي الحفاظ على تشغيل تطبيقات إنترنت الأشياء الحساسة للزمن بسلاسة مع طلبات مرفوضة أقل. بينما تأتي النتائج الحالية من محاكاة مراقبة وتركز بالأساس على التأخير والتكلفة بدلاً من استهلاك الطاقة أو الأمن، فإن الإطار مصمم ليُوسّع. ومع انتقال أنظمة كهذه من المحاكاة إلى النشر الحقيقي، قد تساعد في ضمان أن شبكة الأجهزة الذكية اليومية تبدو أسرع وأكثر موثوقية وأقل هدرًا في الكواليس.

الاستشهاد: Raju, L.R., Reddy, M.V.K., Surukanti, S.R. et al. IntelliScheduler: an edge-cloud computing environment hybrid deep learning framework for task scheduling based on learning. Sci Rep 16, 11219 (2026). https://doi.org/10.1038/s41598-026-41330-8

الكلمات المفتاحية: حوسبة الحافة, الحوسبة السحابية, جدولة المهام, التعلم التعزيزي, إنترنت الأشياء