Mapeamento de tarefas otimizado para energia e makespan em aplicações IoT com suporte a fog: uma abordagem híbrida

Por que nuvens mais inteligentes importam para dispositivos do dia a dia

De rastreadores de atividade e termostatos inteligentes a carros conectados e monitores hospitalares, bilhões de aparelhos agora enviam constantemente dados para serem processados em algum lugar da internet. Quando esse “algum lugar” é um centro de dados em nuvem distante, a distância pode introduzir atrasos e desperdiçar energia. Este artigo explora uma nova forma de decidir onde essas tarefas digitais devem ser executadas, de modo que os dispositivos conectados obtenham respostas rapidamente enquanto o sistema como um todo consome menos energia.

Trazendo a nuvem mais perto do mundo real

A internet das coisas (IoT) atual costuma depender de enormes centros de dados na nuvem para armazenar e analisar informações. Isso funciona bem para muitas tarefas, mas não para atividades que exigem respostas em frações de segundo — como direção autônoma, jogos online ou monitoramento remoto de saúde —, nas quais até pequenos atrasos podem ser prejudiciais ou incômodos. Para enfrentar isso, os engenheiros vêm adotando cada vez mais a “computação fog”, que posiciona servidores menores mais próximos de onde os dados são gerados. Os autores estudam uma configuração de três camadas: dispositivos cotidianos na base, nós fog próximos no meio e servidores poderosos na nuvem no topo. Idealmente, a maioria das tarefas deve ser tratada na camada fog, com apenas os trabalhos mais pesados sendo enviados para a nuvem.

O desafio do escalonamento nos bastidores

Decidir qual servidor deve executar qual tarefa é surpreendentemente complexo. Cada tarefa que chega tem um tamanho e um tempo de chegada, enquanto cada máquina virtual tem limites de velocidade de processamento, memória e largura de banda de rede. Se as tarefas forem alocadas de forma inadequada, algumas máquinas ficam ociosas enquanto outras ficam sobrecarregadas, levando a longos tempos de espera e desperdício de eletricidade. O artigo concentra‑se em três objetivos simultaneamente: finalizar todas as tarefas o mais rápido possível (reduzir o makespan), consumir o mínimo de energia e manter o trabalho distribuído de forma equilibrada para que nenhuma máquina se torne um ponto crítico. Em vez de otimizar apenas um desses objetivos, os autores tratam‑nos como um conjunto combinado de metas concorrentes que precisam ser cuidadosamente balanceadas.

Uma abordagem inspirada em enxames para distribuir a carga

Para resolver esse dilema de equilíbrio, os pesquisadores se baseiam na otimização por enxame de partículas (PSO), uma técnica inspirada no modo como pássaros em bandos ou peixes em cardumes se movem. Na PSO, muitas soluções candidatas — aqui, diferentes formas de atribuir tarefas a máquinas — “voam” pelo espaço de possibilidades, ajustando suas posições com base no que funcionou melhor até então para elas mesmas e para seus vizinhos. Os autores propõem uma versão aprimorada chamada EMAPSO (Energy Makespan‑Aware PSO). Ela parte de uma estimativa inicial inteligente que favorece máquinas com os menores tempos de conclusão e, em seguida, atualiza continuamente as atribuições de tarefas usando uma função de aptidão que combina consumo de energia e tempo total de conclusão. O EMAPSO também monitora a ocupação de cada máquina e evita enviar novo trabalho a qualquer servidor que já esteja fortemente carregado.

Como o novo método se comporta na prática

A equipe testou o EMAPSO em um ambiente simulado fog–cloud, comparando‑o com várias abordagens existentes, incluindo a PSO padrão e outros algoritmos inspirados por enxames de aves e abelhas. Eles variaram tanto o número de tarefas quanto o número de máquinas virtuais para imitar diferentes condições do mundo real. Em todos os testes, o EMAPSO concluiu a mesma carga de trabalho de forma consistente mais rápido e com menos energia. Em um conjunto de experimentos, reduziu o consumo de energia em cerca de 35% mantendo os tempos de conclusão de tarefas competitivos ou melhores. Testes estatísticos mostraram que esses ganhos não ocorreram por acaso: as melhorias tanto em velocidade quanto em energia foram significativas ao longo de execuções repetidas.

O que isso significa para a tecnologia do dia a dia

Para não especialistas, a mensagem principal é que um escalonamento mais inteligente dentro da rede pode fazer com que dispositivos conectados pareçam mais responsivos, além de reduzir contas de energia e aliviar a pressão sobre centros de dados. O EMAPSO oferece uma forma flexível de trocar velocidade por consumo de energia — os operadores do sistema podem ajustar o algoritmo para favorecer respostas rápidas durante horários de pico ou priorizar economia de energia quando o tráfego estiver baixo. Embora o trabalho seja baseado em simulações, ele aponta para futuros sistemas fog–cloud que automaticamente gerenciem milhões de pequenas tarefas digitais para que seu carro, telefone ou sensor médico possam reagir em tempo real sem desperdiçar eletricidade silenciosamente em segundo plano.

Citação: 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

Palavras-chave: computação fog, internet das coisas, agendamento de tarefas, eficiência energética, otimização por enxame de partículas