QRGEC: квантовое обучение с подкреплением с оптимизацией по образцу золотого шакала для устойчивой координации облачного периферийного вычисления в интернет‑вычислениях

Более умные регулировщики интернет‑трафика

Приложения, которые мы используем ежедневно — навигация, видеозвонки, умные камеры, промышленные датчики — зависят от тысяч крошечных компьютеров на периферии сети, работающих в связке с огромными облачными центрами обработки данных. Когда эта невидимая система маршрутизации перегружается или отдельные её части дают сбой, мы ощущаем это как задержки, ухудшение качества видео или даже отключения сервисов. В этой статье предложен новый подход к координации периферийных и облачных машин, который помогает им сохранять скорость, энергоэффективность и устойчивость, заимствуя идеи как из квантовой физики, так и из поведения животных.

Почему современные сети испытывают трудности

Современные интернет‑сервисы работают не только в удалённых центрах данных. Они также опираются на близкие «периферийные» устройства, размещённые в базовых станциях, дорожных пунктах или локальных узлах, которые обрабатывают задачи с жёсткими временными требованиями — например, автономное вождение или промышленное управление. Эти среды хаотичны и непредсказуемы: устройства подключаются и отключаются, рабочие нагрузки приходят всплесками, а каналы связи замедляются или выходят из строя. Традиционные методы оптимизации и машинного обучения хорошо работают в небольших или стабильных условиях, но они часто реагируют слишком медленно, исследуют пространство решений слишком узко и становятся хрупкими при постоянных изменениях в сети.

Сочетание квантовых идей с животным инстинктом

Авторы предлагают фреймворк под названием QRGEC, который объединяет два нетривиальных источника вдохновения. Во‑первых, используется квантоподобное обучение, где «состояние» системы представлено как суперпозиция — множество возможных вариантов одновременно — внутри имитируемой квантовой схемы. Это позволяет агенту изучать множество вариантов планирования параллельно, прежде чем выбрать способ маршрутизации задач между периферией и облаком. Во‑вторых, применяется био‑вдохновлённый метод поиска, моделируемый по охотничьим стратегиям золотых шакалов. В природе эти животные чередуют широкое исследование территории и скоординированные атаки. В QRGEC эта идея превращена в математическую процедуру, которая автоматически настраивает скорость обучения и другие параметры, чтобы алгоритм мог и широко искать решения, и быстро сходиться к хорошим вариантам.

Баланс скорости, энергопотребления и восстановления

QRGEC не ориентирован на одну единственную цель. Он стремится поддерживать низкое время отклика, умеренное энергопотребление и высокую способность системы к восстановлению после сбоев. Для этого фреймворк строит детальную модель времени ожидания в очередях, энергопотребления процессоров и каналов связи, а также вероятностей отказа и восстановления узлов. Эти компоненты объединяются в единый показатель, который поощряет быстрое, «зелёное» и надёжное поведение, и одновременно штрафует нарушения соглашений об уровне обслуживания, дорогостоящие миграции задач и сетевые перегрузки. Квантоподобный обучающий агент многократно моделирует сеть, пробует действия по планированию и получает награды, сформированные этим показателем, а компонент, вдохновлённый шакалом, постоянно подстраивает внутренние регуляторы для лучшей стабильности и сходимости.

Насколько хорошо работает новый подход

Для оценки QRGEC авторы провели обширные симуляции с реалистичными трассами от датчиков Интернета вещей, журналов центров данных Google и измерений магистральных сетей. Их метод сравнивали с несколькими современными базовыми подходами, включая планировщики на основе глубокого обучения с подкреплением, био‑вдохновлённые оптимизаторы, квантоподобные алгоритмы и схему отказоустойчивой координации. Во множестве сценариев — сбалансированных, с перекосом, всплесками и чрезвычайно плотной загрузкой — QRGEC стабильно показывал меньшие задержки, большую экономию энергии и более эффективное использование доступного оборудования. Он поддерживал около 94% периферийных и облачных ресурсов в продуктивной работе, сокращал задержки примерно на треть‑половину и заметно повышал способность системы восстанавливаться после перегрузок и сбоев.

Ограничения сегодня и надежды на завтра

Хотя QRGEC опирается на концепции квантовых вычислений, текущая работа выполняется полностью на программных симуляторах, а не на реальном квантовом оборудовании. Это означает, что результаты следует рассматривать как доказательство того, что квантоподобные стратегии обучения могут быть мощными, а не как демонстрацию квантового преимущества на уровне аппаратуры. Тем не менее исследование указывает на многообещающее направление: будущие сети могут координироваться с помощью сочетания квантовой параллельности и природного адаптивного поведения, что приведёт к интернет‑сервисам, сохраняющим скорость, эффективность и самовосстановление даже по мере роста их сложности и распространённости.

Цитирование: Lella, K.K., Krishna, M.S.R. QRGEC: quantum reinforcement learning with golden jackal optimization for resilient edge cloud coordination in internet computing. Sci Rep 16, 12766 (2026). https://doi.org/10.1038/s41598-026-42859-4

Ключевые слова: периферийные облачные вычисления, квантовое обучение с подкреплением, интеллектуальное планирование, энергоэффективные сети, устойчивые интернет‑системы