Оптимизация отображения задач по энергопотреблению и времени выполнения в IoT‑приложениях с поддержкой fog: гибридный подход

Почему более «умные» облака важны для повседневных устройств

От фитнес‑трекеров и умных термостатов до подключённых автомобилей и больничных мониторов — миллиарды гаджетов постоянно отправляют данные для обработки в сеть. Когда «местом» обработки является удалённый облачный дата‑центр, расстояние может вносить задержки и тратить энергию. В статье рассматривается новый способ решения о том, где должны выполняться эти цифровые задачи, чтобы подключённые устройства получали ответы быстро, а вся система при этом потребляла меньше энергии.

Приближение облака к реальному миру

Современный интернет вещей (IoT) часто опирается на крупные облачные дата‑центры для хранения и анализа информации. Это хорошо работает для многих задач, но не подходит для сценариев, требующих мгновенных откликов — например, автономного вождения, онлайн‑игр или дистанционного мониторинга здоровья — где даже небольшие задержки могут быть опасны или раздражать. Чтобы решить эту проблему, инженеры всё чаще используют «fog computing», размещая более мелкие серверы ближе к месту возникновения данных. Авторы изучают трёхуровневую архитектуру: повседневные устройства внизу, ближайшие fog‑узлы посередине и мощные облачные серверы наверху. Большинство задач предпочтительно обрабатывать на уровне fog, отправляя в облако только самые тяжёлые работы.

Задача планирования за кулисами

Решение о том, какой сервер обрабатывать какую задачу, оказывается удивительно сложным. Каждая входящая задача имеет объём и время поступления, а каждая виртуальная машина ограничена по скорости обработки, памяти и сетевой пропускной способности. При неудачном размещении некоторые машины простаивают, в то время как другие перегружены, что приводит к длительным ожиданиям и потере электроэнергии. В работе одновременно рассматриваются три цели: завершить все задачи как можно быстрее (минимизировать makespan), потреблять как можно меньше энергии и равномерно распределять нагрузку, чтобы ни одна машина не становилась «горячей точкой». Вместо оптимизации лишь одной цели авторы рассматривают их как совокупность конкурирующих задач, требующих тщательного баланса.

Способ распределения нагрузки, вдохновлённый роями

Для решения этой задачи балансировки исследователи опираются на particle swarm optimization (PSO) — метод, вдохновлённый стаями птиц или косяками рыб. В PSO множество кандидатов — здесь разные варианты назначения задач на машины — «летают» по пространству возможных решений, корректируя положения на основе того, что лучше сработало для них самих и для соседей. Авторы предлагают усовершенствованную версию под названием EMAPSO (Energy Makespan‑Aware PSO). Она начинается с удачной начальной оценки, отдающей предпочтение машинам с наименьшим ожидаемым временем завершения, а затем постоянно обновляет назначения задач с помощью функции приспособленности, объединяющей энергопотребление и общее время выполнения. EMAPSO также отслеживает степень загрузки каждой машины и избегает отправки новой работы на уже сильно загруженные серверы.

Как новый метод ведёт себя на практике

Команда протестировала EMAPSO в имитируемой среде fog–cloud, сравнивая его с несколькими существующими подходами, включая стандартный PSO и другие алгоритмы, вдохновлённые поведением птиц и пчёл. Они варьировали как число задач, так и число виртуальных машин, чтобы смоделировать разные реальные условия. Во всех тестах EMAPSO последовательно выполнял ту же нагрузку быстрее и с меньшим энергопотреблением. В одном наборе экспериментов энергопотребление снизилось примерно на 35% при сохранении конкурентного или лучшего времени завершения задач. Статистические проверки показали, что эти улучшения не случайны: приросты в скорости и экономии энергии были статистически значимыми при повторных запусках.

Что это значит для повседневных технологий

Для неспециалистов главный вывод в том, что более «умное» планирование внутри сети может сделать подключённые устройства более отзывчивыми, одновременно сокращая потребление энергии и снижая нагрузку на дата‑центры. EMAPSO предлагает гибкий способ балансировать скорость и энергопотребление — операторы систем могут настраивать алгоритм так, чтобы отдавать приоритет быстрой реакции в часы пик или экономии энергии при низкой нагрузке. Хотя исследование основано на моделировании, оно указывает путь к будущим fog–cloud системам, которые автоматически будут перераспределять миллионы мелких цифровых задач, чтобы ваш автомобиль, телефон или медицинский датчик могли реагировать в реальном времени, не расходуя лишнюю электроэнергию в фоновом режиме.

Цитирование: 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

Ключевые слова: fog computing, интернет вещей, планирование задач, энергетическая эффективность, речной рой частиц (particle swarm optimization)