Cartographie des tâches optimisée pour l’énergie et le makespan dans les applications IoT compatibles fog : une approche hybride

Pourquoi des clouds plus intelligents comptent pour les objets du quotidien

Des bracelets d’activité et thermostats intelligents aux voitures connectées et moniteurs hospitaliers, des milliards d’appareils envoient désormais en permanence des données à traiter quelque part sur Internet. Lorsque ce « quelque part » est un centre de données cloud lointain, la distance peut introduire des délais et gaspiller de l’énergie. Cet article explore une nouvelle façon de décider où ces tâches numériques doivent être effectuées afin que les appareils connectés obtiennent des réponses rapidement tout en réduisant la consommation d’énergie du système global.

Rapprocher le cloud du monde réel

L’internet des objets (IoT) actuel s’appuie souvent sur d’immenses centres de données cloud pour stocker et analyser l’information. Cela fonctionne bien pour beaucoup de tâches, mais pas pour des activités nécessitant des réponses en une fraction de seconde — comme la conduite autonome, les jeux en ligne ou la télésurveillance médicale — où même de petits délais peuvent être nuisibles ou ennuyeux. Pour y remédier, les ingénieurs utilisent de plus en plus le « fog computing », qui place des serveurs plus petits plus près du lieu de création des données. Les auteurs étudient une architecture à trois couches : les appareils du quotidien en bas, des nœuds fog à proximité au milieu, et des serveurs cloud puissants en haut. Idéalement, la plupart des tâches doivent être traitées dans la couche fog, seuls les travaux les plus lourds étant envoyés vers le cloud.

Le défi d’ordonnancement en coulisse

Décider quel serveur traite quelle tâche est étonnamment complexe. Chaque tâche entrante a une taille et un instant d’arrivée, tandis que chaque machine virtuelle possède des limites de vitesse de traitement, de mémoire et de bande passante réseau. Si les tâches sont mal réparties, certaines machines restent inactives tandis que d’autres sont surchargées, entraînant de longs temps d’attente et du gaspillage d’électricité. L’article se concentre sur trois objectifs simultanément : terminer toutes les tâches le plus rapidement possible (makespan réduit), consommer le moins d’énergie possible, et répartir la charge de manière équilibrée pour qu’aucune machine ne devienne un point chaud. Plutôt que d’optimiser un seul de ces objectifs, les auteurs les traitent comme un ensemble d’objectifs concurrents à équilibrer soigneusement.

Une méthode inspirée des essaims pour répartir la charge

Pour résoudre cet exercice d’équilibrage, les chercheurs s’appuient sur l’optimisation par essaim particulaire (PSO), une technique inspirée des mouvements de vol d’oiseaux ou d’écoles de poissons. En PSO, de nombreuses solutions candidates — ici, différentes façons d’affecter des tâches aux machines — « volent » à travers l’espace des possibilités, ajustant leurs positions en fonction de ce qui a le mieux fonctionné pour elles-mêmes et pour leurs voisines. Les auteurs proposent une version améliorée nommée EMAPSO (Energy Makespan‑Aware PSO). Elle part d’une estimation initiale intelligente qui favorise les machines aux temps d’achèvement les plus courts, puis met à jour en continu les affectations de tâches en utilisant une fonction d’aptitude qui combine consommation d’énergie et temps total d’achèvement. EMAPSO surveille aussi l’occupation de chaque machine et évite d’envoyer du travail à tout serveur déjà fortement chargé.

Comportement de la nouvelle méthode en pratique

L’équipe a testé EMAPSO dans un environnement simulé fog–cloud, en le comparant à plusieurs approches existantes, y compris le PSO standard et d’autres algorithmes inspirés des essaims basés sur les oiseaux et les abeilles. Ils ont varié à la fois le nombre de tâches et le nombre de machines virtuelles pour reproduire différentes conditions réelles. Dans tous les tests, EMAPSO a systématiquement terminé la même charge de travail plus rapidement et avec moins d’énergie. Dans un ensemble d’expériences, il a réduit la consommation énergétique d’environ 35 % tout en maintenant des temps d’exécution des tâches aussi bons voire meilleurs. Des tests statistiques ont montré que ces gains n’étaient pas dus au hasard : les améliorations de vitesse et d’énergie étaient significatives sur des répétitions.

Ce que cela signifie pour la technologie de tous les jours

Pour les non‑spécialistes, le message clé est que des stratégies d’ordonnancement plus intelligentes dans le réseau peuvent rendre les appareils connectés plus réactifs tout en réduisant la facture énergétique et la pression sur les centres de données. EMAPSO offre un moyen flexible d’arbitrer vitesse et consommation — les opérateurs peuvent régler l’algorithme pour privilégier des réponses rapides en période de forte activité ou favoriser les économies d’énergie lorsque le trafic est léger. Bien que le travail repose sur des simulations, il ouvre la voie à des systèmes fog–cloud futurs qui jonglent automatiquement avec des millions de petites tâches numériques afin que votre voiture, votre téléphone ou votre capteur médical puisse réagir en temps réel sans gaspiller silencieusement de l’électricité en arrière‑plan.

Citation: 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

Mots-clés: fog computing, internet des objets, ordonnancement des tâches, efficacité énergétique, optimisation par essaim particulaire