Assegnazione di attività ottimizzata per energia e makespan in applicazioni IoT abilitate al fog: un approccio ibrido

Perché nuvole più intelligenti contano per i dispositivi di tutti i giorni

Dai fitness tracker e termostati intelligenti alle auto connesse e ai monitor ospedalieri, miliardi di dispositivi inviano costantemente dati da elaborare da qualche parte su Internet. Quando quel “qualche parte” è un centro dati cloud distante, la distanza può introdurre ritardi e sprecare energia. Questo articolo esplora un nuovo modo di decidere dove devono essere svolti quei compiti digitali, in modo che i dispositivi connessi ricevano risposte rapidamente mentre il sistema nel suo complesso consuma meno energia.

Avvicinare il cloud al mondo reale

L’Internet delle cose (IoT) odierno si basa spesso su enormi centri dati cloud per memorizzare e analizzare le informazioni. Questo funziona bene per molti compiti, ma non per attività che richiedono risposte in frazioni di secondo—come la guida autonoma, il gioco online o il monitoraggio remoto della salute—dove anche piccoli ritardi possono essere dannosi o fastidiosi. Per affrontare questo problema, gli ingegneri utilizzano sempre più il “fog computing”, che colloca server più piccoli più vicino al punto in cui i dati vengono generati. Gli autori studiano una configurazione a tre livelli: dispositivi quotidiani in basso, nodi fog vicini nel mezzo e potenti server cloud in cima. Idealmente la maggior parte dei compiti dovrebbe essere gestita nel livello fog, inviando al cloud solo i carichi più pesanti.

La sfida della pianificazione dietro le quinte

Decidere quale server gestisce quale compito è sorprendentemente complesso. Ogni attività in arrivo ha una dimensione e un tempo di arrivo, mentre ogni macchina virtuale ha limiti su velocità di elaborazione, memoria e larghezza di banda di rete. Se le attività sono assegnate male, alcune macchine restano inattive mentre altre sono sovraccariche, provocando lunghi tempi di attesa e sprechi di elettricità. L’articolo si concentra contemporaneamente su tre obiettivi: completare tutte le attività il più rapidamente possibile (ridurre il makespan), consumare quanta meno energia possibile e distribuire il carico in modo uniforme così che nessuna singola macchina diventi un punto caldo. Invece di ottimizzare un solo obiettivo, gli autori lo trattano come un insieme combinato di obiettivi in competizione che devono essere bilanciati con attenzione.

Un modo ispirato agli sciami per distribuire il carico

Per risolvere questo equilibrio, i ricercatori si basano sull’ottimizzazione tramite sciame di particelle (PSO), una tecnica ispirata al modo in cui gli uccelli volano in stormo o i pesci nuotano in banco. In PSO, molte soluzioni candidate—qui, diversi modi di assegnare i compiti alle macchine—“volano” nello spazio delle possibili soluzioni, aggiornando le loro posizioni in base a ciò che ha funzionato meglio finora per loro stessi e per i vicini. Gli autori propongono una versione migliorata chiamata EMAPSO (Energy Makespan‑Aware PSO). Parte da una stima iniziale intelligente che favorisce le macchine con i tempi di completamento più brevi, quindi aggiorna continuamente le assegnazioni delle attività utilizzando una funzione di fitness che fonde consumo energetico e tempo totale di completamento. EMAPSO osserva anche quanto è occupata ogni macchina ed evita di inviare nuovo lavoro a qualsiasi server già fortemente caricato.

Come si comporta il nuovo metodo nella pratica

Il team ha testato EMAPSO in un ambiente simulato fog–cloud, confrontandolo con diversi approcci esistenti, inclusi PSO standard e altri algoritmi ispirati agli sciami basati su uccelli e api. Hanno variato sia il numero di attività sia il numero di macchine virtuali per imitare diverse condizioni del mondo reale. In tutti i test, EMAPSO ha completato lo stesso carico di lavoro in modo costantemente più rapido e con meno energia. In un insieme di esperimenti ha ridotto il consumo energetico di circa il 35 percento mantenendo i tempi di completamento dei lavori competitivi o migliori. I test statistici hanno mostrato che questi guadagni non erano dovuti al caso: i miglioramenti sia in velocità sia in energia risultavano significativi su esecuzioni ripetute.

Cosa significa questo per la tecnologia di tutti i giorni

Per i non specialisti, il messaggio chiave è che una pianificazione più intelligente all’interno della rete può rendere i dispositivi connessi più reattivi riducendo al contempo i consumi energetici e alleggerendo la pressione sui data center. EMAPSO offre un modo flessibile per bilanciare velocità e consumo: gli operatori di sistema possono tarare l’algoritmo per favorire risposte rapide nelle ore di punta o privilegiare il risparmio energetico quando il traffico è scarso. Sebbene il lavoro si basi su simulazioni, indica la direzione verso futuri sistemi fog–cloud che gestiscono automaticamente milioni di micro‑compiti digitali così che la tua auto, il tuo telefono o il tuo sensore medico possano reagire in tempo reale senza sprecare silenziosamente elettricità in background.

Citazione: 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

Parole chiave: fog computing, internet of things, pianificazione dei compiti, efficienza energetica, ottimizzazione tramite sciame di particelle