Оптимизация размещения динамических fog-узлов с использованием адаптивного динамического алгоритма пуфферфиш для реального времени в IoT-сетях

Почему умные сети важны в повседневной жизни

От автономных автомобилей до дистанционного мониторинга здоровья — многие современные устройства зависят от мгновенных решений, принимаемых удалёнными компьютерами. Если соединение медленное или прерывается, автомобиль может среагировать с запозданием, а сигнал тревоги о состоянии здоровья может прийти слишком поздно. В этой статье исследуется новый подход к размещению и перемещению небольших вычислительных узлов, называемых fog-узлами, ближе к месту генерации данных, чтобы подключённые устройства получали более быстрые и надёжные ответы, даже когда сеть вокруг них постоянно меняется.

Приближение вычислительной мощности к месту событий

Авторы начинают с описания растущего разрыва между миллиардами устройств Интернета вещей (IoT) и удалёнными облачными центрами обработки данных. Хотя облако мощное, отправка каждого фрагмента данных туда и обратно занимает время. Fog-вычисления заполняют этот разрыв, распределяя небольшие вычислительные узлы рядом с датчиками, камерами, автомобилями и промышленным оборудованием. Эти fog-узлы могут обрабатывать информацию локально, сокращая задержки и снижая нагрузку на магистральные каналы связи. Но решение о том, где размещать такие узлы и когда перемещать или добавлять их по мере появления, исчезновения или перемещения устройств, представляет собой сложную задачу с множеством конкурирующих целей: удерживать задержки на низком уровне, покрывать как можно больше устройств, экономить энергию и избегать постоянных перестановок оборудования.

Живящая, меняющаяся карта сети

Чтобы отразить эту реальность, в работе сеть моделируется как живой организм, меняющийся со временем. Fog-узлы могут быть стационарными или установлены на транспортных средствах и дронах; они могут выходить из строя временно или навсегда; плотность IoT-устройств меняется по суточным шаблонам. Модель отслеживает положение каждого узла и устройства, дальность их связи, частоту отказов и «стоимость» перемещения оборудования. Оценка производительности основана на том, насколько сеть остаётся связанной, сколько устройств находятся в зоне покрытия хотя бы одного fog-узла и какой объём физического перемещения требуется для поддержания работоспособности. Задача состоит не только в том, чтобы найти хорошую конфигурацию один раз, но и в том, чтобы постоянно обновлять её, когда покрытие падает, связи ослабевают или меняется состав оборудования.

Обучение по повадкам пуфферфиш

Ядро исследования — новый метод под названием Dynamic Pufferfish Optimization Algorithm (D-POA). Вдохновлённый поведением иглобрюхих при угрозе, алгоритм чередует две стратегии. В режиме «глобального поиска», как рыба, быстро меняющая положение, чтобы избежать хищников, он исследует существенно разные расстановки fog-узлов в поисках перспективных областей пространства решений. В режиме «защиты», напоминающем тонкие регулировки рыбы при надувании, он выполняет мелкие локальные корректировки для уточнения хорошей конфигурации. В отличие от предыдущих версий, D-POA также запоминает удачные решения прошлого и начинает новые циклы настройки от этих прошлых конфигураций, добавляя лишь достаточную долю случайности, чтобы не застрять в плохом локальном решении.

Менять как надо, в нужное время

Ключевое новшество в том, что D-POA не работает на полную мощность постоянно. Алгоритм непрерывно отслеживает состояние сети и запускает реконфигурацию только тогда, когда важные метрики, такие как связность или покрытие, опускаются ниже заданных порогов, либо при отказе или добавлении узлов. При незначительных изменениях он использует меньше шагов настройки, экономя вычислительные ресурсы; при крупном нарушении выделяет больше усилий на поиск новой устойчивой расстановки. Благодаря этой адаптивной стратегии система уравновешивает две потребности: поддерживать высокое качество обслуживания и избегать излишних перемещений или чрезмерного использования вычислительных ресурсов. Авторы также анализируют, как алгоритм масштабируется при росте сети, показывая, что время работы и использование памяти увеличиваются примерно пропорционально числу узлов и устройств.

Что показывают эксперименты на практике

Команда тестирует D-POA в моделируемых сетях с до 1000 fog-узлов и многочисленными меняющимися IoT-устройствами и сравнивает его с тремя устоявшимися алгоритмами. В пяти требовательных сценариях — общая динамика, подвижные fog-узлы, случайные отказы оборудования, колебания трафика и постепенное расширение сети — новый метод обеспечивает более высокую связность (порядка 97–98%) и покрытие (порядка 98%), сокращая при этом затраты на перемещение примерно на 38–57% по сравнению с конкурентами. Он также быстрее восстанавливает обслуживание после сбоев и сохраняет стабильные показатели при колебаниях нагрузки в течение дня. По сравнению с точными математическими решателями D-POA приближается к оптимальным расстановкам, но за долю времени, и явно превосходит простые жадные стратегии, которые реагируют быстро, но тратят энергию и оставляют пробелы в покрытии.

Что это значит для будущих подключённых систем

В повседневных терминах исследование показывает способ удерживать «локальные мозги» умных городов, фабрик и больниц в нужных местах при постоянно меняющихся условиях. Наблюдая за сетью, реагируя только при необходимости и регулируя позиции fog-узлов контролируемо и эффективно, D-POA обеспечивает более широкое покрытие устройств с меньшими задержками и меньшим количеством лишних перемещений. Хотя требуются полевые испытания и расширение модели с учётом детального энергопотребления и безопасности, работа намечает практический путь к более надёжным низколатентным сетям, способным поддерживать критичные для безопасности приложения без постоянного ручного вмешательства.

Цитирование: Abu-Ein, A.A., Al-Hazaimeh, O.M., Tawfik, M. et al. Dynamic fog node placement optimization using adaptive dynamic pufferfish optimization for real-time IoT networks. Sci Rep 16, 11624 (2026). https://doi.org/10.1038/s41598-026-41740-8

Ключевые слова: fog-вычисления, IoT-сети, edge-вычисления, метаэвристическая оптимизация, системы реального времени