IntelliScheduler: מסגרת למידת עומק היברידית בסביבת חישוב קצה‑ענן לתזמון משימות מבוסס למידה

למה ההמתנה לענן עדיין חשובה

בכל פעם שמצלמה חכמה מזהה אדם זר בדלת שלך, או שמכונית מחוברת מגיבה לתנועה, היא שולחת עבודות קטנות—"משימות"—לעיבוד במקום כלשהו באינטרנט. אם אותן משימות תמיד נוסעות עד מרכזי נתונים מרוחקים, הסיבוב־חזרה עלול להיות איטי מדי לפעולות הקריטיות בזמן. מאמר זה מציג את IntelliScheduler, מערכת מבוססת למידה שמחליטה בזמן אמת אילו משימות כדאי לטפל בקרבת המשתמש בקצה הרשת ואילו ניתן לשלוח בבטחה לענן, במטרה לשמור על תגובות מהירות תוך הורדת עלויות.

משרתים רחוקים לסיוע מקומי

חישוב בענן מסור זמן רב כעוגן לשירותים מקוונים בגלל היכולת שלו להתרחב בזול למיליוני משתמשים. אבל עבור שימושי אינטרנט של הדברים (IoT) מודרניים—כגון חיישני מפעל, כלי רכב חכמים, או מכשירי בריאות נשאים—כל מילישנייה נוספת יכולה להיות משמעותית. כדי לצמצם את העיכוב הזה חברות מפעילות כיום שרתים קטנים יותר קרוב למשתמשים, המוכרים כשרתים בקצה. מכונות קצה אלה יכולות להגיב מהר יותר אך עם קיבולת מוגבלת. אם דוחפים יותר מדי משימות לקצה, הן מצטברות בתור; אם שולחים יותר מדי לענן, זמן הנסיעה הופך לצוואר הבקבוק. שיטות תזמון ישנות נשענו על כללים קבועים או היוריסטיקות מעשה־יד שהן שבירות כאשר העומס מזנק או תנאי הרשת משתנים במהירות.

מוח לומד להחליט לאן העבודה הולכת

המחברים מציעים את IntelliScheduler, מסגרת המתייחסת למיקום המשימות במערכת קצה–ענן כבעיה של למידה במקום ספר חוקים קבוע. בליבה יש סוג של למידת חיזוק עמוקה: סוכן מלאכותי מבחין במצב הנוכחי של המערכת—כמה עסוקים מכונות הקצה והענן, אורכי התורים שלהן, עד כמה המשימות הנכנסות דחופות—ואז בוחר פעולה, כגון לשלוח משימה לקצה, לענן, או לפצל את העבודה ביניהם. לאחר כל בחירה מקבל הסוכן משוב המבוסס בעיקר על משך ההמתנה והאם פגו אישורי שירות. אחרי סבבים רבים של ניסוי וטעייה, המערכת לומדת בהדרגה מדיניות שמטה את זמני ההמתנה ושומרת על עמידה ברמות השירות.

זיכרון שמכסה סוגי ימים עמוסים

חידוש מרכזי הוא האופן שבו IntelliScheduler לומד מניסיון. במקום לאחסן מצבים והחלטות קודמות ברשימה ארוכה אחת, הוא מתחזק מספר מאגרי זיכרון נפרדים. כל מאגר אוסף דוגמאות מתנאי תפעול שונים—כגון עומס קל, צפיפות כבדה, או שימוש לא מאוזן בקצה. במהלך האימון הסוכן מדגם מכל המאגרי זיכרון אלו, עם העדפה לחוויות שבהן תחזיותיו הקודמות היו הכי סטיות. תכנון רב‑המאגרי הזה מסייע ליציבות תהליך הלמידה גם כשסביבת העבודה משתנה, ומונע את התנודות שיכולות להתרחש כאשר מודל לומד שוב ושוב רק מהאירועים האחרונים. המודל המתמטי התומך בגישה הזו מתחשב באופן מפורש בשלוש דרכים בהן ניתן לטפל במשימה: לחלוטין בענן, לחלוטין בקצה, או באופן היברידי שבו העיבוד נודד מהקצה לענן אם המשאבים מתקצרים.

מבחן השגרה במעבדה

כדי לבחון את התנהגות IntelliScheduler, החוקרים בנו סימולטור מפורט של מערכת קצה–ענן שמריצה תרחישי עבודה של IoT. הם השוו את אלגוריתם Learning-based Optimal Task Scheduling (LbOTS) לשלושה מתזמני אופטימיזציה פופולריים שנלקחו מתוך בינה מושית ומטה‑היוריסטיקות. על פני עומסי עבודה סינתטיים קטנים, בינוניים וגדולים—עד מיליון עבודות—הגישה מבוססת‑הלמידה השיגה בעקביות תגמול כולל גבוה יותר, איתות שמשלב זמני המתנה קצרים יותר ועמידה טובה יותר בדרישות זמן. היא התאמנה באופן אמין יותר, עם ירידה באובדן הלמידה של עד שני שלישים, והשתמשה במשאבים ביעילות רבה יותר, מקטינה את עלויות התפעול המוערכות בכחצי או יותר. אולי הכי בולט, שיעור הדחיות של משימות בשל עומס פחת בכ־80–90 אחוזים, והחוויה התופסת למשתמש השתפרה בכ־15–75 אחוזים בהשוואה לשיטות המתחרות.

מה זה אומר למכשירים מחוברים ביום‑יום

מבחינה מעשית, המחקר מרמז שמכוון תעבורת אוויר אוטומטי ומתאים־למציאות למשימות דיגיטליות יכול להפוך מערכות קצה–ענן לרגישות יותר וכלכליות יותר ביחס לכללי תזמון סטטיים. IntelliScheduler מראה ש על‑ידי מעקב רציף אחרי עומס השרתים והרשתות ולמידה ממגוון רחב של תנאים עברו, סוכן אוטומטי יכול לשמור על יישומי IoT רגישי‑זמן פועלים חלק עם פחות בקשות שניזנחות. בעוד שהתוצאות הנוכחיות מגיעות מסימולציות מבוקרות ומתמקדות בעיקר בעיכוב ובעלות ולא בצריכת אנרגיה או אבטחה, המסגרת מעוצבת להתרחבות. כשהמערכות האלה יעברו מסימולציות לפריסה ממשית, הן עשויות לסייע לכך שהרשת הגדלה של מכשירים חכמים ירגישו מהירה יותר, אמינה פחות מבוזבזת מאחורי הקלעים.

ציטוט: 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

מילות מפתח: חישוב קצה, חישוב בענן, תזמון משימות, למידת חיזוק, אינטרנט של הדברים