Energy and makespan optimised task mapping in fog enabled IoT application: a hybrid approach

Waarom slimme clouds belangrijk zijn voor alledaagse apparaten

Van fitness trackers en slimme thermostaten tot verbonden auto’s en ziekenhuismonitoren: miljarden apparaten sturen nu voortdurend data om ergens op het internet te worden verwerkt. Wanneer dat “ergens” een verafgelegen cloud datacenter is, kan de afstand vertragingen veroorzaken en energie verspillen. Dit artikel verkent een nieuwe manier om te bepalen waar die digitale taken moeten worden uitgevoerd, zodat verbonden apparaten snel antwoorden krijgen terwijl het totale systeem minder stroom verbruikt.

De cloud dichter bij de echte wereld brengen

De hedendaagse internet of things (IoT) leunt vaak op enorme cloud datacenters om informatie op te slaan en te analyseren. Dat werkt goed voor veel taken, maar niet voor activiteiten die een direct antwoord vereisen—zoals autonoom rijden, online gamen of afstandsgezondheidsbewaking—waar zelfs kleine vertragingen schadelijk of storend kunnen zijn. Om dit aan te pakken gebruiken ingenieurs steeds vaker “fog computing”, waarbij kleinere servers dichter bij de plaats waar data ontstaat worden geplaatst. De auteurs bestuderen een driedelige opzet: alledaagse apparaten onderaan, nabijgelegen fog-knooppunten in het midden en krachtige cloudservers bovenaan. De meeste taken zouden bij voorkeur in de fog-laag worden afgehandeld, waarbij alleen de zwaarste opdrachten naar de cloud worden gestuurd.

De planningsuitdaging achter de schermen

Beslissen welke server welke taak afhandelt is verrassend complex. Elke binnenkomende taak heeft een omvang en aankomsttijd, terwijl elke virtuele machine limieten heeft op verwerkingssnelheid, geheugen en netwerkbandbreedte. Als taken slecht worden geplaatst, staan sommige machines idle terwijl andere overbelast raken, wat leidt tot lange wachttijden en verspilde elektriciteit. Het artikel richt zich gelijktijdig op drie doelen: alle taken zo snel mogelijk afronden (korte makespan), zo weinig mogelijk energie verbruiken en de werklast gelijkmatig verdelen zodat geen enkele machine een knelpunt wordt. In plaats van slechts één van deze doelen te optimaliseren, behandelen de auteurs het als een gecombineerd, concurrerend stel doelstellingen dat zorgvuldig gebalanceerd moet worden.

Een zwermgeïnspireerde manier om de last te verdelen

Om deze afweging op te lossen bouwen de onderzoekers voort op particle swarm optimization (PSO), een techniek geïnspireerd op de manier waarop vogels in een zwerm vliegen of vissen in scholen zwemmen. In PSO ‘vliegen’ veel kandidaatoplossingen—hier verschillende manieren om taken aan machines toe te wijzen—door de zoekruimte en passen ze hun posities aan op basis van wat tot nu toe het beste heeft gewerkt voor henzelf en hun buren. De auteurs stellen een verbeterde versie voor, EMAPSO (Energy Makespan‑Aware PSO). Deze begint met een slimme initiële schatting die machines met de kortste voltooiingstijden bevoordeelt en werkt vervolgens continu taaktoewijzingen bij met een fitnessscore die zowel energiegebruik als totale voltooiingstijd combineert. EMAPSO houdt ook bij hoe druk elke machine is en vermijdt het toewijzen van nieuwe taken aan servers die al zwaar belast zijn.

Hoe de nieuwe methode zich in de praktijk gedraagt

Het team testte EMAPSO in een gesimuleerde fog–cloudomgeving en vergeleek het met meerdere bestaande benaderingen, waaronder standaard PSO en andere zwermgeïnspireerde algoritmen gebaseerd op vogels en bijen. Ze varieerden zowel het aantal taken als het aantal virtuele machines om verschillende realistische omstandigheden na te bootsen. In alle tests voltooide EMAPSO consequent dezelfde werklast sneller en met minder energie. In één reeks experimenten verminderde het het energieverbruik met ongeveer 35 procent, terwijl de taakvoltooiingstijden vergelijkbaar of beter bleven. Statistische tests toonden aan dat deze verbeteringen niet aan toeval te danken waren: de verbeteringen in zowel snelheid als energie waren significant over herhaalde runs.

Wat dit betekent voor alledaagse technologie

Voor niet‑specialisten is de kernboodschap dat slimmer plannen binnen het netwerk verbonden apparaten responsiever kan laten aanvoelen, terwijl het ook de energierekening verlaagt en de druk op datacenters vermindert. EMAPSO biedt een flexibele manier om snelheid af te wegen tegen energieverbruik—systeembeheerders kunnen het algoritme afstemmen om tijdens piekuren snelle reacties te bevoordelen of bij weinig verkeer energiezuinigheid voorrang te geven. Hoewel het werk is gebaseerd op simulaties, wijst het op toekomstige fog–cloudsystemen die automatisch miljoenen kleine digitale taken kunnen jongleren, zodat uw auto, telefoon of medische sensor in realtime kan reageren zonder stilletjes energie te verspillen op de achtergrond.

Bronvermelding: 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

Trefwoorden: fog computing, internet of things, task scheduling, energy efficiency, particle swarm optimization