IntelliScheduler: um framework híbrido de deep learning para agendamento de tarefas em ambiente de computação borda-nuvem baseado em aprendizado

Por que ainda importa esperar pela nuvem

Cada vez que uma câmera inteligente identifica um estranho na sua porta ou um carro conectado reage ao trânsito, ela envia pequenos trabalhos — “tarefas” — para serem processados em algum lugar na internet. Se essas tarefas sempre percorrem todo o caminho até centros de dados distantes, a ida e volta pode ser lenta demais para ações críticas no tempo. Este artigo apresenta o IntelliScheduler, um sistema baseado em aprendizado que decide em tempo real quais tarefas devem ser tratadas perto do usuário, na borda da rede, e quais podem ir com segurança para a nuvem, com o objetivo de manter respostas rápidas enquanto controla os custos.

De servidores distantes a ajudantes próximos

A computação em nuvem tradicional tem sido o pilar dos serviços online porque escala de forma econômica para milhões de usuários. Mas para muitos usos modernos da Internet das Coisas (IoT) — como sensores industriais, veículos inteligentes ou dispositivos vestíveis de saúde — cada milissegundo extra de atraso pode importar. Para reduzir esse atraso, empresas vêm implantando servidores menores próximos aos usuários, conhecidos como servidores de borda. Essas máquinas de borda podem responder mais rápido, mas têm capacidade limitada. Se muitas tarefas forem direcionadas à borda, elas ficam enfileiradas; se muitas forem enviadas para a nuvem, o tempo de viagem vira o gargalo. Métodos antigos de escalonamento baseavam-se em regras fixas ou heurísticas manuais que frequentemente falham quando a carga de trabalho dispara ou as condições de rede mudam rapidamente.

Um cérebro de aprendizado para onde o trabalho deve ir

Os autores propõem o IntelliScheduler, um framework que trata o posicionamento de tarefas em um sistema borda–nuvem como um problema de aprendizado em vez de um conjunto de regras fixas. No núcleo está uma forma de deep reinforcement learning: um agente artificial observa o estado atual do sistema — quão ocupados estão os servidores de borda e da nuvem, o comprimento de suas filas, quão urgentes parecem as tarefas que chegam — e então escolhe uma ação, como enviar uma tarefa para a borda, para a nuvem, ou dividir o trabalho entre ambas. Após cada decisão, o agente recebe feedback baseado principalmente em quanto tempo os dispositivos tiveram que esperar e se prazos de serviço foram perdidos. Ao longo de muitas iterações de tentativa e erro, o sistema aprende gradualmente uma política que tende a minimizar o tempo de espera e a manter acordos de nível de serviço.

Lembrando muitos tipos de dias ocupados

Uma inovação chave é como o IntelliScheduler aprende com a experiência. Em vez de armazenar situações e decisões passadas em uma única lista longa, ele mantém vários buffers de memória separados. Cada buffer coleta exemplos de diferentes condições de operação — como carga leve, congestionamento intenso ou uso de borda desequilibrado. Durante o treinamento, o agente amostra de todos esses buffers, com preferência por experiências em que suas previsões anteriores estavam mais imprecisas. Esse desenho de múltiplos buffers ajuda o processo de aprendizado a permanecer estável mesmo quando o ambiente muda, evitando as oscilações que podem ocorrer quando um modelo reaprende repetidamente apenas a partir dos eventos mais recentes. O modelo matemático que fundamenta essa abordagem considera explicitamente três maneiras de tratar uma tarefa: totalmente na nuvem, totalmente na borda ou em modo híbrido, no qual o processamento migra da borda para a nuvem se os recursos ficarem apertados.

Testando o framework

Para estudar o comportamento do IntelliScheduler, os pesquisadores construíram um simulador detalhado de um sistema borda–nuvem executando fluxos de trabalho de IoT. Eles compararam seu algoritmo Learning-based Optimal Task Scheduling (LbOTS) com três escalonadores populares baseados em otimização, provenientes de inteligência de enxame e metaheurísticas. Em cargas sintéticas pequenas, médias e grandes — chegando a até um milhão de tarefas — a abordagem baseada em aprendizado obteve consistentemente maior recompensa geral, um sinal que combina menores tempos de espera e melhor cumprimento de prazos. Treinou de forma mais confiável, com perda de aprendizado até dois terços menor, e usou recursos de maneira mais eficiente, reduzindo custos operacionais estimados em cerca de metade ou mais. Talvez mais notavelmente, a taxa de rejeição de tarefas por sobrecarga caiu em torno de 80–90%, e a qualidade de experiência percebida pelos usuários melhorou cerca de 15–75% em comparação com as abordagens concorrentes.

O que isso significa para dispositivos conectados do dia a dia

Na prática, o estudo sugere que um “controlador de tráfego aéreo” adaptativo e orientado por aprendizado para tarefas digitais pode tornar sistemas borda–nuvem mais responsivos e econômicos do que regras estáticas de escalonamento. O IntelliScheduler demonstra que, ao monitorar continuamente quão ocupados estão servidores e redes e ao aprender a partir de uma ampla variedade de condições passadas, um agente automatizado pode manter aplicações IoT sensíveis ao tempo funcionando sem problemas com menos solicitações perdidas. Embora os resultados atuais venham de simulações controladas e se concentrem principalmente em atraso e custo, em vez de consumo de energia ou segurança, o framework foi projetado para ser estendido. À medida que esses sistemas saem das simulações para implantações reais, eles podem ajudar a garantir que a crescente rede de dispositivos inteligentes cotidianos pareça mais rápida, mais confiável e menos desperdiçadora nos bastidores.

Citação: 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

Palavras-chave: computação de borda, computação em nuvem, agendamento de tarefas, aprendizado por reforço, Internet das Coisas