Новый подход к динамическому планированию задач для IoT в среде тумана и облака

Почему вашим умным устройствам нужны более умные помощники

От фитнес‑трекеров и домашних камер до автономных автомобилей и промышленных роботов — современные гаджеты постоянно передают поток данных, которые нужно обрабатывать за доли секунды. Отправлять всё в отдалённые облачные дата‑центры часто слишком медленно и неэкономично. В статье предложен новый способ определять в каждый момент, где должны выполняться эти мелкие цифровые задания, чтобы системы оставались быстрыми, энергоэффективными и доступными — даже когда за ресурсы борются тысячи устройств.

От облака к ближайшему туману

Традиционные облачные вычисления годятся для хранения фотографий или крупных аналитических задач, но испытывают трудности в критических или миллисекундных сценариях, например при удалённой хирургии, умных светофорах или автономных дронах. Задержки при передаче данных по интернету и ожидание в очередях могут быть недопустимы. Чтобы решить эту проблему, инженеры ввели дополнительный промежуточный уровень — «туманные» вычисления: небольшие серверы и шлюзы, расположенные ближе к месту генерации данных. В трёхуровневой архитектуре — устройства, туман и облако — лёгкие и срочные задачи следует оставлять ближе к краю сети, тогда как более тяжёлые и менее чувствительные ко времени задачи можно отправлять в облако. Загвоздка в том, что на этих уровнях стоят разные машины с различной скоростью, объёмом памяти, сетевыми каналами, энергопотреблением и стоимостью, причём все эти характеристики меняются со временем. Эффективно решать, кто что выполняет и когда — нелёгкая головоломка.

Регулятор трафика для цифровых задач

Авторы предлагают новый «регулятор трафика» для этой задачи, названный Quantum‑inspired Biased Dynamic Scheduler (QBDS). Представьте, что каждое сообщение от датчика или приложения — это задача, которую нужно назначить на какой‑то узел тумана или облака. QBDS сначала ранжирует все ожидающие задачи по степени срочности и требовательности — учитывая сроки, время выполнения, требования к памяти и объёмы передаваемых данных. Это не даёт мелким, но срочным заданиям затеряться под большими, но менее критичными. Для каждой возможной пары «задача — машина» QBDS затем оценивает, сколько времени займёт задача, сколько энергии потратит машина и какие расходы или штрафы понесёт оператор за пропуск дедлайна. Все эти составляющие объединяются в гибкий балл, который операторы системы могут настраивать в зависимости от того, важнее ли им скорость, стоимость или экономия энергии.

Заимствование приёма у волн, а не у квантового оборудования

Особенность QBDS — тонкий «квантово‑вдохновлённый» поворот. Метод не использует настоящие квантовые компьютеры — он заимствует идею волнообразного поведения, чтобы улучшить поиск удачных соответствий задач и машин. Для каждой пары планировщик формирует несколько простых показателей: насколько размер задачи соответствует процессору и памяти машины, насколько пригоден сетевой канал, насколько недорога машина и какова её коммуникационная задержка. Эти показатели преобразуются с помощью плавных синусоидальных функций и затем смешиваются с случайными весами. Получившийся сдвиг слегка искажает общую оценку стоимости так, что планировщик отталкивается от перегруженных машин и тяготеет к способным, но недоиспользуемым. Важно, что такая модуляция ограничена и никогда не перевешивает базовые цели — выполнить задачи вовремя и в рамках бюджета. Подход остаётся полностью классическим — он лишь контролируемо перестраивает «ландшафт стоимости» в волнообразной манере, чтобы не застревать на посредственных вариантах.

Испытание нового планировщика

Чтобы проверить работоспособность идеи на практике, исследователи запустили обширные компьютерные эксперименты, моделирующие поступление от тысяч до десятков тысяч задач в смешанные тумано‑облачные системы. Сначала они сравнили QBDS с версией без квантово‑вдохновлённого смещения. С включённым смещением система завершала все задачи примерно на четверть быстрее, потребляла почти на пятую меньше энергии, тратила в целом меньше средств и распределяла нагрузку гораздо равномернее по машинам. Затем QBDS сравнили с рядом современных оптимизационных схем, включая современные метаэвристики, планировщики на основе машинного обучения и классические правила вроде «первым пришёл — первым обслужен» или «сначала самая короткая задача». В небольших и крупных конфигурациях QBDS стабильно давал более короткое время выполнения, лучшую пропускную способность, меньше пропущенных дедлайнов и лучшее балансирование нагрузки — зачастую при этом работая значительно быстрее, чем популяционные методы поиска, требующие множества итераций.

Что это значит для повседневных технологий

Для неспециалиста главный вывод таков: более интеллектуальное и гибкое планирование делает связные системы и отзывчивее, и экологичнее. Ранжируя задачи разумно и добавляя деликатный «волнообразный» толчок в сторону недоиспользуемых машин, QBDS удерживает данные ближе к месту их необходимости, сокращает потери энергии и снижает риск опасных задержек. Хотя работа пока продемонстрирована в симуляциях, а не на реальном оборудовании, она указывает путь к будущим тумано‑облачным платформам, способным обрабатывать тысячи задач в реальном времени — от медицинского мониторинга до умных городов — без необходимости в экзотических квантовых компьютерах или огромных дополнительных мощностях.

Цитирование: Mindil, A., Hamed, A.Y., Hassan, M.R. et al. A novel approach for dynamic task scheduling for IOT in fog-cloud environment. Sci Rep 16, 5501 (2026). https://doi.org/10.1038/s41598-026-35156-7

Ключевые слова: туманные вычисления, планирование задач IoT, edge и облако, энергоэффективные вычисления, системы реального времени