Asignación de tareas optimizada por energía y makespan en aplicaciones IoT habilitadas por fog: un enfoque híbrido

Por qué las nubes más inteligentes importan para los dispositivos cotidianos

Desde pulseras de actividad y termostatos inteligentes hasta coches conectados y monitores hospitalarios, miles de millones de dispositivos ahora envían datos continuamente para ser procesados en algún lugar de internet. Cuando ese “algún lugar” es un centro de datos en la nube lejano, la distancia puede introducir retrasos y desperdiciar energía. Este artículo explora una nueva forma de decidir dónde deben realizarse esas tareas digitales para que los dispositivos conectados obtengan respuestas rápidas mientras el sistema global consume menos energía.

Llevando la nube más cerca del mundo real

El internet de las cosas (IoT) actual suele apoyarse en grandes centros de datos en la nube para almacenar y analizar información. Eso funciona bien para muchas tareas, pero no para actividades que requieren respuestas en una fracción de segundo—como la conducción autónoma, los juegos en línea o la monitorización remota de la salud—donde incluso pequeños retrasos pueden ser perjudiciales o molestos. Para afrontarlo, los ingenieros usan cada vez más la “computación en la niebla”, que sitúa servidores más pequeños cerca del lugar donde se generan los datos. Los autores estudian una configuración de tres capas: dispositivos cotidianos en la base, nodos de fog cercanos en el medio y potentes servidores en la nube en la cima. Idealmente, la mayoría de las tareas deberían gestionarse en la capa de fog, enviando a la nube solo los trabajos más pesados.

El desafío de la programación detrás de escena

Decidir qué servidor ejecuta cada tarea es sorprendentemente complejo. Cada tarea entrante tiene un tamaño y un tiempo de llegada, mientras que cada máquina virtual tiene límites en velocidad de procesamiento, memoria y ancho de banda de red. Si las tareas se colocan mal, algunas máquinas permanecen inactivas mientras otras se sobrecargan, lo que provoca largos tiempos de espera y desperdicio de electricidad. El artículo se centra en tres objetivos a la vez: terminar todas las tareas lo más rápido posible (mínimo makespan), consumir la menor energía posible y repartir la carga de forma equilibrada para que ninguna máquina se convierta en un punto caliente. En lugar de optimizar solo uno de estos objetivos, los autores lo tratan como un conjunto combinado y competitivo de metas que deben equilibrarse cuidadosamente.

Una forma inspirada en enjambres para repartir la carga

Para resolver este acto de equilibrio, los investigadores se basan en la optimización por enjambre de partículas (PSO), una técnica inspirada en la forma en que vuelan las aves o se agrupan los peces. En PSO, muchas soluciones candidatas—aquí, diferentes formas de asignar tareas a máquinas—“vuelan” por el espacio de posibilidades, ajustando sus posiciones según lo que ha funcionado mejor hasta ahora para ellas mismas y para sus vecinas. Los autores proponen una versión mejorada llamada EMAPSO (PSO consciente de energía y makespan). Parte de una conjetura inicial inteligente que favorece las máquinas con los tiempos de finalización más cortos, y luego actualiza continuamente las asignaciones de tareas usando una puntuación de aptitud que combina tanto el uso de energía como el tiempo total de finalización. EMAPSO también vigila la carga de cada máquina y evita enviar nuevo trabajo a cualquier servidor que ya esté muy ocupado.

Cómo se comporta el nuevo método en la práctica

El equipo probó EMAPSO en un entorno simulado fog–cloud, comparándolo con varios enfoques existentes, incluida la PSO estándar y otros algoritmos inspirados en enjambres basados en aves y abejas. Variaron tanto el número de tareas como el de máquinas virtuales para imitar diferentes condiciones del mundo real. En todas las pruebas, EMAPSO completó la misma carga de trabajo de forma más rápida y con menos energía. En un conjunto de experimentos, redujo el consumo energético en aproximadamente un 35% mientras mantenía los tiempos de finalización de los trabajos competitivos o mejores. Pruebas estadísticas mostraron que estas ganancias no se debieron al azar: las mejoras en velocidad y energía fueron significativas a lo largo de ejecuciones repetidas.

Qué significa esto para la tecnología de uso diario

Para los no especialistas, el mensaje clave es que una programación más inteligente dentro de la red puede hacer que los dispositivos conectados parezcan más rápidos al tiempo que reduce la factura energética y alivia la presión sobre los centros de datos. EMAPSO ofrece una forma flexible de equilibrar velocidad y consumo: los operadores del sistema pueden ajustar el algoritmo para favorecer respuestas rápidas durante las horas punta o priorizar el ahorro energético cuando el tráfico es ligero. Aunque el trabajo se basa en simulaciones, apunta hacia futuros sistemas fog–cloud que gestionen automáticamente millones de pequeñas tareas digitales para que tu coche, teléfono o sensor médico pueda reaccionar en tiempo real sin desperdiciar silenciosamente electricidad en segundo plano.

Cita: Tripathy, N., Sahoo, S., Alghamdi, N.S. et al. Energy and makespan optimised task mapping in fog enabled IoT application: a hybrid approach. Sci Rep 16, 5210 (2026). https://doi.org/10.1038/s41598-026-35065-9

Palabras clave: computación en la niebla, internet de las cosas, planificación de tareas, eficiencia energética, optimización por enjambre de partículas