Optymalizacja mapowania zadań pod kątem energii i makespan w aplikacjach IoT z wykorzystaniem fog: podejście hybrydowe

Dlaczego „inteligentniejsze” chmury mają znaczenie dla codziennych urządzeń

Od opasek fitness i inteligentnych termostatów po samochody podłączone do sieci i monitory szpitalne — miliardy urządzeń nieustannie wysyłają dane do przetworzenia gdzieś w internecie. Gdy to „gdzieś” to odległe centrum danych w chmurze, dystans może wprowadzać opóźnienia i marnować energię. Artykuł bada nowe podejście do decydowania, gdzie powinny być wykonywane te cyfrowe zadania, tak aby urządzenia otrzymywały odpowiedzi szybko, a cały system zużywał mniej energii.

Przybliżenie chmury do świata rzeczywistego

Dzisiejszy internet rzeczy (IoT) często polega na dużych centrach danych w chmurze do przechowywania i analizy informacji. To działa dobrze w wielu zastosowaniach, ale nie sprawdza się tam, gdzie potrzebne są natychmiastowe reakcje — jak w autonomicznej jeździe, grach online czy zdalnym monitoringu zdrowia — gdzie nawet drobne opóźnienia mogą być szkodliwe lub uciążliwe. Aby sprostać tym wymaganiom, inżynierowie coraz częściej stosują „obliczenia fog”, czyli umieszczanie mniejszych serwerów bliżej miejsca powstawania danych. Autorzy badają trójwarstwową architekturę: na dole codzienne urządzenia, w środku pobliskie węzły fog, a na górze wydajne serwery chmurowe. Większość zadań powinna być wykonywana w warstwie fog, a do chmury przesyłane tylko najcięższe obciążenia.

Wyzwaniem za kulisami jest harmonogramowanie

Decydowanie, który serwer ma obsłużyć konkretne zadanie, jest zaskakująco skomplikowane. Każde napływające zadanie ma rozmiar i czas przybycia, a każda maszyna wirtualna ma ograniczenia dotyczące szybkości przetwarzania, pamięci i przepustowości sieci. Jeśli zadania są przypisane niewłaściwie, niektóre maszyny mogą stać bezczynnie, podczas gdy inne będą przeciążone, co prowadzi do długich czasów oczekiwania i zbędnego zużycia energii. Artykuł koncentruje się jednocześnie na trzech celach: jak najszybszym zakończeniu wszystkich zadań (krótkim makespan), minimalnym zużyciu energii oraz równomiernym rozłożeniu obciążenia, aby żaden pojedynczy węzeł nie stał się wąskim gardłem. Zamiast optymalizować tylko jeden z tych celów, autorzy traktują problem jako zestaw konkurujących ze sobą celów, które trzeba starannie wyważyć.

Metoda inspirowana rojem do równomiernego rozdziału pracy

Aby rozwiązać ten problem równowagi, badacze sięgają po optymalizację rojem cząstek (PSO), technikę inspirowaną zachowaniem stad ptaków czy ławic ryb. W PSO wiele kandydatów rozwiązań — tu: różnych sposobów przypisania zadań do maszyn — „przemieszcza się” w przestrzeni rozwiązań, dostosowując pozycje na podstawie tego, co najlepiej zadziałało dla nich samych i ich sąsiadów. Autorzy proponują ulepszoną wersję nazwaną EMAPSO (Energy Makespan‑Aware PSO). Zaczyna ona od inteligentnego początkowego przybliżenia, które faworyzuje maszyny o najkrótszych czasach zakończenia, a następnie nieustannie aktualizuje przypisania zadań, używając funkcji dopasowania łączącej zużycie energii i całkowity czas ukończenia. EMAPSO dodatkowo monitoruje obciążenie poszczególnych maszyn i unika kierowania nowych zadań do serwerów już silnie obciążonych.

Jak nowa metoda sprawdza się w praktyce

Zespół przetestował EMAPSO w symulowanym środowisku fog–cloud, porównując ją z kilkoma istniejącymi metodami, w tym standardowym PSO oraz innymi algorytmami inspirowanymi zachowaniami stadnymi i owadami. Zmieniano zarówno liczbę zadań, jak i liczbę maszyn wirtualnych, aby odzwierciedlić różne warunki rzeczywiste. We wszystkich testach EMAPSO konsekwentnie wykonywała ten sam zestaw zadań szybciej i przy mniejszym zużyciu energii. W jednym z eksperymentów zmniejszyła zużycie energii o około 35% przy zachowaniu konkurencyjnych lub lepszych czasów zakończenia zadań. Testy statystyczne wykazały, że te zyski nie były dziełem przypadku: poprawy zarówno w szybkości, jak i energooszczędności były istotne w powtarzalnych uruchomieniach.

Co to oznacza dla codziennej technologii

Dla użytkowników niebędących specjalistami kluczowy wniosek jest taki, że inteligentniejsze harmonogramowanie w sieci może sprawić, że urządzenia podłączone będą działać szybciej, jednocześnie obniżając rachunki za energię i zmniejszając obciążenie centrów danych. EMAPSO daje elastyczny sposób wymiany priorytetów między szybkością a zużyciem energii — operatorzy systemów mogą dostroić algorytm, aby faworyzował szybkie reakcje w godzinach szczytu lub priorytetowo traktował oszczędność energii przy niskim ruchu. Chociaż praca opiera się na symulacjach, wskazuje na przyszłe systemy fog–cloud, które będą automatycznie żonglować milionami drobnych zadań cyfrowych, aby twój samochód, telefon czy czujnik medyczny mogły reagować w czasie rzeczywistym, nie marnując przy tym energii w tle.

Cytowanie: 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

Słowa kluczowe: obliczenia fog, internet rzeczy, harmonogramowanie zadań, efektywność energetyczna, optymalizacja rojem cząstek