إطار هجيني RL–GA–LSTM–AE لجدولة المهام مع مراعاة الطاقة ومستويات الخدمة في بيئات الحوسبة السحابية

سحب أذكى لحياتنا الرقمية اليومية

في كل مرة تشاهد فيها فيلمًا عبر البث، أو تحفظ صورًا احتياطيًا، أو تتسوق عبر الإنترنت، تعمل حواسيب بعيدة في "السحابة" خلف الكواليس. إن الحفاظ على مراكز البيانات الضخمة هذه سريعة وموثوقة وذات كفاءة في استهلاك الطاقة أصبح تحديًا متزايدًا مع ازدياد شهوتنا الرقمية. يقدم هذا البحث نظام جدولة ذكي جديد يساعد مزودي السحابة على التعامل مع ملايين المهام مع تقليل استهلاك الطاقة والوفاء بوعودهم للعملاء من حيث السرعة والتوافر.

لماذا تكافح السحابة الحالية تحت الضغط

تستضيف السحب الحديثة مزيجًا من الوظائف، من نقرات الويب القصيرة إلى عمليات معالجة البيانات الطويلة، وكلها تصل في أوقات غير متوقعة. تتبع المجدلات التقليدية قواعد بسيطة مثل خدمة المهام حسب ترتيب الوصول أو اختيار الخادم الأسرع دائمًا. هذه الطرق سهلة التشغيل لكنها عمياء تجاه الطفرات المفاجئة، وتغير عادات المستخدمين، والفروق بين الآلات. والنتيجة معروفة: بعض الخوادم تبقى خاملة بينما يسخن بعضها الآخر، وتنتهي المهام متأخرة، ويضيع الطاقة، وتُنتهك اتفاقيات زمن الاستجابة والتوافر.

جمع أربعة أنواع من الذكاء معًا

يقترح المؤلفون إطارًا هجينيًا ينسج أربعة أدوات ذكاء اصطناعي داخل حلقة تحكم واحدة. يدرس مُكوّن التنبؤ المستند إلى نوع من الشبكات العصبية التكرارية تسمى LSTM النشاط الماضي للتنبؤ بالحمولة القريبة في المستقبل. يراقب المضغوط التلقائي (autoencoder) مدى قدرته على إعادة بناء الأنماط الطبيعية وينبه عند ظهور سلوك غير طبيعي، مثل طفرة في الحركة أو عقدة معطلة. يتعلم وكيل التعلم التعزيزي بعد ذلك، من خلال التجربة والخطأ، أي اختيارات ربط المهام بالآلات تؤدي إلى خدمة سريعة وموثوقة. إلى جانبه، يستكشف خوارزم جينية العديد من الجداول البديلة، متطورًا نحو أفضلها عبر أجيال ومساعدًا المتعلم على تجنّب الوقوع في عادات سيئة.

كيف تحافظ الحلقة على توازن السحابة

تتعاون هذه المكونات الأربعة في حلقة تغذية راجعة مغلقة. أولًا، تُنظف أوصاف المهام الواردة وقياسات استخدام الخوادم الحية وتُجمّع في حالة مضغوطة لمركز البيانات. يقدّر المتنبئ مقدار العمل القادم، بينما ينذر كاشف الشذوذ بأي إجهاد غير معتاد. يجمع المجدل الهجين هذه الرؤى لتعيين المهام على الآلات الافتراضية ولتقرير أي الخوادم ينبغي أن تبقى نشطة أو في حالة سبات أو مغلقة تمامًا. أثناء تشغيل الوظائف، يقيس النظام أزمنة الإكمال، والمهل الضائعة، واستهلاك الطاقة، والسعة الخاملة. تصبح هذه النتائج مكافآت وعقوبات تُستخدم لتدريب الوكيل المتعلم وإعادة تشكيل البحث الجيني، بحيث يتحسّن النظام ككل باستمرار مع تغيّر الظروف.

ماذا أظهرت الاختبارات ضمن أحمال عمل واقعية

للتحقق من فاعلية التصميم عمليًا، نفّذ الفريق النظام في محاكاة باستخدام أثرٍ حقيقي من عناقيد إنتاج جوجل ومعيار شهير للتجارة الإلكترونية. بالمقارنة مع طرق معيارية مثل الأسبقية حسب الوصول (First‑Come‑First‑Serve)، Min‑Min، والتعلم العميق Q‑learning وحده، أنهى الإطار الهجين الأحمال أسرع، وتخطى مهلًا أقل بكثير، واستهلك طاقة أقل. في المتوسط، انخفض إجمالي زمن الإكمال بما يصل إلى نحو الثلث، وارتفعت استخدامات CPU إلى ما يقارب تسعين بالمئة، وانخفضت الطاقة المخصصة للتزويد الثابت بأكثر من أربعين بالمئة. كما انخفضت انتهاكات مستوى الخدمة إلى ما يزيد قليلًا عن أربعة بالمئة، وهو تحسّن بحوالي ثلثي مقارنة بمجدول تعلم تعزيزي عميق دون المكونات الإضافية.

موثوق، قابل للتوسع، وجاهز للنمو

أظهرت الاختبارات الإحصائية والعديد من التجارب المتكررة أن هذه المكاسب لم تكن صدفة: استقرّت عملية التعلم خلال بضع مئات من دورات التدريب، وبقت قرارات الجدولة متسقة مع ازدياد عدد المهام من مئات إلى ألف. أضافت عملية اتخاذ القرار بأكملها جزءًا ضئيلًا من الثانية كزمن تأخير، وهو مقدار صغير مقارنة بالزمن المطلوب لتشغيل مهام السحابة النموذجية. يشير المؤلفون إلى وجود حدود—مثل تكلفة تدريب النماذج العميقة وغياب ضمانات رسمية للحالة الأسوأ—لكن النتائج تُبرز أن الربط الوثيق بين التنبؤ، والوعي بالشذوذ، والتحسين التكيفي يمكن أن يجعل مراكز البيانات الكبيرة أكثر خضرة واعتمادية للمستخدمين اليوميين.

ما معناه ذلك لمستخدمي السحابة والكوكب

بالنسبة للقارئ العادي، الرسالة بسيطة: البرمجيات الأذكى يمكن أن تساعد السحابة على فعل المزيد بموارد أقل. من خلال تعلّم كيف تتذبذب الأحمال، ورصد المشاكل مبكرًا، وضبط وضعية توزيع المهام باستمرار، يحافظ هذا النظام الهجين على استجابة الخدمات بينما يغلق الآلات غير الضرورية. يعني ذلك تباطؤات أقل عند وقوع طفرات في الطلب، ووعود أقل مُنقضة للعملاء، وفواتير طاقة وانبعاثات أقل للمزودين. مع استمرار توسع الخدمات الرقمية، قد يصبح مثل هؤلاء المجدولون الأذكياء لبنة أساسية في حوسبة أنظف وأكثر استدامة.

الاستشهاد: Narsimhulu, B., Kumar, T.S. A hybrid RL–GA–LSTM–AE framework for energy-aware and SLA-driven task scheduling in cloud computing environments. Sci Rep 16, 14961 (2026). https://doi.org/10.1038/s41598-026-43108-4

الكلمات المفتاحية: الحوسبة السحابية, جدولة المهام, كفاءة الطاقة, التعلم التعزيزي, تنبؤ الأحمال