הגירה אדפטיבית של שירותים עם מודעות לעיכוב ולצריכת אנרגיה בחישוב קצה נייד

מדוע חשוב להעביר אפליקציות קרוב אליך

בכל פעם שאתה משחק במשחק מקוון ברכב, משדר הוראות מציאות מועשרת בטלפון, או כי חיישן בעיר חכמה שולח נתונים, אותן משימות דיגיטליות צריכות להיות מחושבות במקום כלשהו. חישוב קצה נייד (MEC) מעביר את העבודה הזאת ממרכזי נתונים מרוחקים לשרתי שפה קטנים המוצבים בקרבת תחנות בסיס סלולריות, מקטין את העיכוב והופך את האפליקציות למהירות יותר בתחושת המשתמש. אבל לשמור על שירותים קרובים למשתמשים ניידים פירושו לעתים קרובות "להעביר" (להגריר) את היישום הרץ בין שרתי קצה קרובים. יותר מדי העברות מבזבז אנרגיה וכסף; מעט מדי יוצר השהיות ותסכול. המחקר הזה בוחן כיצד למצוא איזון חכם באמצעות למידה מתקדמת של מכונה.

לאזן בין מהירות לצריכת חשמל

רוב המחקרים הקודמים על הגירת שירותים ב‑MEC התמקדו בעיקר במטרה אחת: להחזיק את השהיית הנתפסת על ידי המשתמש כהנמוכה ביותר. זה בדרך כלל אומר לרדוף אחרי המשתמש בזמן שהוא נע ולהעביר שוב ושוב את האפליקציה לשרת הקרוב ביותר. עם זאת, כל הגירה צורכת אנרגיית תקשורת נוספת ומוסיפה השהיה משל עצמה. שיטות רבות גם הניחו קיבולת שרת גבוהה ותנאים יציבים, והתעלמו מהמציאות שבה שרתי קצה מוגבלים במשאבים, מתחרים על משתמשים רבים וחווים עומסים ושינויים באיכות הקישור האלחוטי. המחברים טוענים שיש לייחס לאנרגיית ההגירה חשיבות שוות ערך לעיכוב, וכי מדיניות ההגירה חייבת להתאים ברשת לזזת המשתמשים, לעומס השרתים ולתנודות הרשת.

מבעיה מתמטית לסוכן לומד

החוקרים בונים תחילה מודל מתמטי מפורט של מערכת MEC עם מספר תחנות בסיס, שרתי קצה משותפים ומשתמשים ניידים. כל משתמש מעביר משימות חישוב לשרתי הסביבה דרך קישורים אלחוטיים. השהיה כוללת של השירות מופרדת לשלושה חלקים: זמן שליחת המשימה לתחנת הבסיס, זמן חישוב על השרת, והזמן הנוסף אם השירות מועבר בין שרתים דרך התקשורת החוטית. צריכת האנרגיה של ההגירה ממודלת בעיקר לפי כמות הנתונים שיש להעתיק כאשר שירות עובר. המטרה הכוללת היא למזער הן את ההשהיה והן את אנרגיית ההגירה תוך שמירה על מגבלות קיבולת החישוב של כל שרת ולוחות זמנים (דד-ליינים) של כל שירות. פתרון מדויק של בעיה מעורבת של מספרים שלמים ואי‑לינארית כזה אינו ישים בזמן אמת, ולכן הצוות פונה ללמידת חיזוק עמוקה, שבה סוכן לומד החלטות טובות באמצעות אינטראקציה עם סביבה מדומה.

כיצד פועל המוח האדפטיבי של ההגירה

השיטה המוצעת, שנקראת NPER‑D3QN, היא וריאנט מתקדם של רשתות Q עמוקות (DQN). "המצב" שהסוכן מקבל מסכם היכן נמצאים המשתמשים, כמה הם רחוקים מתחנת הבסיס המשרתת אותם, כמה כל שרת קצה עמוס, הקיבולת החישובית הזמינה, שיעורי נתונים אלחוטיים, ומה גודל וכל דרישת החישוב של כל שירות. ה"פעולות" הן בחירות של איזה שרת קצה יארח את שירותו של כל משתמש בחלון הזמן הבא. פונקציית התגמול מעודדת השהיה נמוכה ביחס לדד‑ליין של כל שירות בעוד שהיא מטילה עונש על צריכת אנרגיה של ההגירה, דוחפת את הסוכן לשקול מה המסחר בין מהירות לצריכת חשמל. מבחינה טכנית המודל משלב שלוש רעיונות: רשת דו־שוכבת (dueling) שמעריכה בנפרד את ערך המצב ואת היתרון של כל פעולה, מבנה "דאבל" Q‑לרנינג שמצמצם הערכות אופטימיות מדי, ושני עזרים לחיפוש — רשתות רעש והשמעת חוויות מועדפת (prioritized experience replay) — שמאפשרים לו ללמוד מהר יותר ובאופן אמין בתנאים מורכבים ומשתנים.

בדיקת הגישה במבחן

כדי להעריך את NPER‑D3QN, המחברים מדמים רשת עירונית עם עשרות תחנות בסיס ועד למאות משתמשים ניידים הנעים אקראית ושולחים משימות בגדלים משתנים. לשרתי הקצה יש כוח חישוב מוגבל והם יכולים לארח רק מספר קבוע של מכונות וירטואליות, מה שיוצר תורים ותחרות מציאותיים. הם משווים את שיטתם עם שישה מתודולוגיות מתקדמות מהשורה, כולל DQN קלאסי, וריאנטים משופרים של double‑dueling, וסקימות שפורצות תמיד לשרת הקרוב ביותר או שמטרתן היחידה היא למזער השהיה. במגוון תרחישים NPER‑D3QN מתכנס לאסטרטגיות טובות מהר יותר ומשיג בעקביות השהיית שירות ממוצעת נמוכה יותר, צריכת אנרגיה הקשורה להגירה נמוכה יותר ופחות סירובי הגירות כאשר השרתים מלאים. במבחן בקנה מידה גדול עם 720 משתמשים ו‑96 שרתים, הוא מקטין את ההשהיה עד לכ‑שני שלישים ואת אנרגיית ההגירה ביותר מ‑90% בהשוואה לחלופות מסוימות, תוך שמירה על זמן חישוב להחלטה בתוך גבולות מעשיים.

מה משמעות הדבר עבור שירותים מחוברים בעתיד

ללא‑מומחים, המסקנה היא שפשוט לדחוף אפליקציות קרוב יותר למשתמשים אינו מספיק: צריך גם בקרה חכמה של מתי והיכן שירותים רצי־לריצה מוזזים. עבודה זו מראה שמבקר מבוסס למידה יכול "ללהטט" במטרות המתחרות של תגובתיות, חיסכון באנרגיה וקיבולת קצה מוגבלת ללא כללים מעשה ידי אדם. אם מערכות דומות יושמו ברשתות אמיתיות, הן יכולות לסייע למפעילים לספק חוויות חלקות יותר לאפליקציות כמו נהיגה אוטונומית, AR סוחף ו‑IoT תעשייתי תוך הורדת חשבונות חשמל ולחץ על התשתית. המחברים מציינים שמחקרם מתבסס על סימולציה ומוותר על כמה פרטים בעולם האמיתי כגון צריכת כוח מלאה של שרתים ומעקב לא מושלם, אך מדובר בצעד מבטיח לעבר חישוב קצה ירוק וגמיש יותר.

ציטוט: Li, L., Lv, J., Wang, S. et al. Latency and energy-aware adaptive service migration in mobile edge computing. Sci Rep 16, 6178 (2026). https://doi.org/10.1038/s41598-026-36711-y

מילות מפתח: חישוב קצה נייד, הגירת שירותים, למידת חיזוק עמוקה, אופטימיזציית השהיה, יעילות אנרגטית