IntelliScheduler: eine hybride Deep‑Learning‑Framework für Aufgabenplanung in einer Edge‑Cloud‑Computing‑Umgebung basierend auf Lernen

Warum das Warten auf die Cloud immer noch eine Rolle spielt

Jedes Mal, wenn eine intelligente Kamera an der Tür eine fremde Person meldet oder ein vernetztes Auto auf den Verkehr reagiert, schickt es kleine Jobs – „Aufgaben“ – zur Verarbeitung irgendwo ins Internet. Wenn diese Aufgaben stets bis zu entfernten Rechenzentren reisen, kann die Hin‑ und Rückfahrt für zeitkritische Aktionen zu langsam sein. Dieser Artikel stellt IntelliScheduler vor, ein lernbasiertes System, das in Echtzeit entscheidet, welche Aufgaben nahe am Nutzer am Netzwerkrand (Edge) verarbeitet werden sollten und welche sicher in die Cloud geschickt werden können, mit dem Ziel, Reaktionszeiten kurz und Kosten niedrig zu halten.

Von fernen Servern zu nahe gelegenen Helfern

Traditionelles Cloud‑Computing war für Online‑Dienste deshalb so erfolgreich, weil es kostengünstig auf Millionen von Nutzern skaliert werden kann. Für viele moderne IoT‑Anwendungen – etwa Fabriksensoren, vernetzte Fahrzeuge oder Gesundheits‑Wearables – kann allerdings jeder zusätzliche Millisekunde Verzögerung relevant sein. Um diese Verzögerung zu verringern, setzen Unternehmen heute kleinere Server in der Nähe der Nutzer ein, sogenannte Edge‑Server. Diese Edge‑Rechner reagieren schneller, haben aber begrenzte Kapazität. Werden zu viele Aufgaben an den Edge geleitet, entstehen Wartezeiten; werden zu viele in die Cloud geschickt, wird die Übertragungszeit zum Engpass. Ältere Planungsmethoden beruhten auf festen Regeln oder handgefertigten Heuristiken, die häufig versagen, wenn die Last plötzlich ansteigt oder sich die Netzwerkbedingungen rasch ändern.

Ein lernendes Gehirn dafür, wohin Arbeit gehen sollte

Die Autorinnen und Autoren schlagen IntelliScheduler vor, ein Framework, das die Platzierung von Aufgaben in einem Edge–Cloud‑System als Lernproblem statt als starren Regelkatalog behandelt. Im Kern steht eine Form des Deep Reinforcement Learning: Ein künstlicher Agent beobachtet den aktuellen Zustand des Systems – wie ausgelastet Edge‑ und Cloud‑Maschinen sind, wie lang deren Warteschlangen sind, wie dringlich eintreffende Aufgaben erscheinen – und wählt dann eine Aktion, etwa eine Aufgabe an den Edge zu senden, an die Cloud oder die Arbeit zwischen beiden aufzuteilen. Nach jeder Entscheidung erhält der Agent Rückmeldung, die hauptsächlich darauf basiert, wie lange Geräte warten mussten und ob Service‑Fristen überschritten wurden. Über viele Versuchs‑ und Irrtumsrunden lernt das System schrittweise eine Strategie, die tendenziell die Wartezeiten minimiert und Servicelevel‑Vereinbarungen einhält.

Sich an viele Arten von hektischen Tagen erinnern

Eine zentrale Neuerung ist, wie IntelliScheduler aus Erfahrung lernt. Statt vergangene Situationen und Entscheidungen in einer einzigen langen Liste zu speichern, unterhält es mehrere getrennte Speicherpuffer. Jeder Puffer sammelt Beispiele aus unterschiedlichen Betriebsbedingungen – etwa bei leichter Auslastung, starker Überlastung oder unausgewogener Edge‑Nutzung. Während des Trainings entnimmt der Agent Stichproben aus all diesen Puffern, mit einer Präferenz für Erfahrungen, bei denen seine vergangenen Vorhersagen besonders danebenlagen. Dieses Multi‑Puffer‑Design trägt dazu bei, den Lernprozess stabil zu halten, auch wenn sich die Umgebung ändert, und verhindert die Oszillationen, die auftreten können, wenn ein Modell wiederholt nur aus den jüngsten Ereignissen neu lernt. Das mathematische Modell hinter diesem Ansatz berücksichtigt explizit drei Arten, wie eine Aufgabe behandelt werden kann: vollständig in der Cloud, vollständig am Edge oder hybrid, wobei die Verarbeitung von Edge zur Cloud migriert, falls die Ressourcen knapp werden.

Das Framework auf die Probe stellen

Um das Verhalten von IntelliScheduler zu untersuchen, bauten die Forschenden einen detaillierten Simulator eines Edge–Cloud‑Systems, das IoT‑Workflows ausführt. Sie verglichen ihren Learning‑based Optimal Task Scheduling (LbOTS) Algorithmus mit drei populären, auf Optimierung basierenden Planern aus dem Bereich Schwarmintelligenz und Metaheuristiken. Über kleine, mittlere und große synthetische Lasten – bis hin zu einer Million Jobs – erzielte der lernbasierte Ansatz durchgängig eine höhere Gesamtbelohnung, ein Signal, das kürzere Wartezeiten und bessere Fristeneinhaltung kombiniert. Er trainierte zuverlässiger, mit bis zu zwei Dritteln reduzierter Lernverlust, und nutzte Ressourcen effizienter, wodurch geschätzte Betriebskosten um rund die Hälfte oder mehr sanken. Besonders auffällig war, dass die Ablehnungsrate von Aufgaben wegen Überlast um etwa 80–90 Prozent sank und die vom Nutzer wahrgenommene Qualitätswahrnehmung im Vergleich zu den konkurrierenden Ansätzen um etwa 15–75 Prozent verbessert wurde.

Was das für alltägliche vernetzte Geräte bedeutet

Praktisch gesprochen deutet die Studie darauf hin, dass ein adaptiver, lerngetriebener „Fluglotse“ für digitale Aufgaben Edge–Cloud‑Systeme reaktionsschneller und wirtschaftlicher machen kann als statische Planungsregeln. IntelliScheduler zeigt, dass ein automatisierter Agent, der kontinuierlich beobachtet, wie ausgelastet Server und Netzwerke sind, und aus einer breiten Palette vergangener Bedingungen lernt, zeitkritische IoT‑Anwendungen mit weniger abgewiesenen Anfragen stabil betreiben kann. Während die aktuellen Ergebnisse aus kontrollierten Simulationen stammen und sich hauptsächlich auf Verzögerung und Kosten statt auf Energieverbrauch oder Sicherheit konzentrieren, ist das Framework so konzipiert, dass es erweiterbar ist. Wenn solche Systeme von Simulationen in reale Einsätze überführt werden, könnten sie dazu beitragen, dass das wachsende Netz alltäglicher intelligenter Geräte schneller, zuverlässiger und im Hintergrund weniger verschwenderisch wirkt.

Zitation: 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

Schlüsselwörter: Edge‑Computing, Cloud‑Computing, Aufgabenplanung, Verstärkendes Lernen, Internet der Dinge