Energi- och makespan-optimerad uppgiftskartläggning i fog‑aktiverade IoT‑applikationer: en hybridmetod

Varför smartare moln spelar roll för vardagliga enheter

Från aktivitetsarmband och smarta termostater till uppkopplade bilar och sjukhusmonitorer skickar miljarder prylar nu ständigt data som måste bearbetas någonstans på internet. När det “någonstans” är ett avlägset molndatacenter kan avståndet skapa fördröjningar och slöseri med energi. Denna artikel undersöker en ny metod för att avgöra var dessa digitala uppgifter bör utföras så att uppkopplade enheter får snabba svar samtidigt som det övergripande systemet använder mindre ström.

Att föra molnet närmare den verkliga världen

Dagens sakernas internet (IoT) förlitar sig ofta på stora molndatacenter för att lagra och analysera information. Det fungerar bra för många uppgifter, men inte för aktiviteter som kräver split‑second‑svar—såsom autonom körning, onlinespel eller fjärrövervakning av hälsa—där även små fördröjningar kan vara skadliga eller irriterande. För att hantera detta använder ingenjörer i allt större utsträckning ”fog‑datoranvändning”, som placerar mindre servrar närmare där data skapas. Författarna studerar en trelagersuppställning: vardagliga enheter i botten, närliggande fog‑noder i mitten och kraftfulla molnservrar i toppen. De flesta uppgifter bör idealiskt hanteras i fog‑lagret, medan endast de tyngsta jobben skickas upp till molnet.

Schemaläggningsutmaningen bakom kulisserna

Att avgöra vilken server som hanterar vilken uppgift är förvånansvärt komplext. Varje inkommande uppgift har en storlek och ankomsttid, medan varje virtuell maskin har begränsningar i bearbetningshastighet, minne och nätverksbandbredd. Om uppgifter placeras dåligt står vissa maskiner inaktiva medan andra överbelastas, vilket leder till långa väntetider och slöseri med elektricitet. Artikeln fokuserar på tre mål samtidigt: att slutföra alla uppgifter så snabbt som möjligt (kort makespan), att förbruka så lite energi som möjligt och att hålla arbetsbelastningen jämnt fördelad så att ingen enskild maskin blir en het punkt. Istället för att optimera bara ett av dessa mål behandlar författarna det som en kombinerad, konkurrerande uppsättning mål som måste balanseras noggrant.

En svärmsinspirerad metod för att dela lasten

För att lösa denna balansakt bygger forskarna vidare på partikelsvärmsoptimering (PSO), en teknik inspirerad av hur fåglar flockas eller fiskar simmar i stim. I PSO ”flyger” många kandidatlösningar—här olika sätt att tilldela uppgifter till maskiner—genom möjligheternas rum och justerar sina positioner baserat på vad som hittills fungerat bäst för dem själva och deras grannar. Författarna föreslår en förbättrad version kallad EMAPSO (Energy Makespan‑Aware PSO). Den börjar från en smart initialgissning som föredrar maskiner med de kortaste slutförandetiderna och uppdaterar sedan kontinuerligt uppgiftsfördelningen med en fitness‑poäng som blandar både energianvändning och total slutförandetid. EMAPSO övervakar också hur upptagen varje maskin är och undviker att skicka nya uppgifter till servrar som redan är tungt belastade.

Hur den nya metoden beter sig i praktiken

Teamet testade EMAPSO i en simulerad fog–moln‑miljö och jämförde den med flera befintliga metoder, inklusive standard‑PSO och andra svärmsinspirerade algoritmer baserade på fåglar och bin. De varierade både antalet uppgifter och antalet virtuella maskiner för att efterlikna olika verkliga förhållanden. I samtliga tester slutförde EMAPSO konsekvent samma arbetsbelastning snabbare och med mindre energi. I en uppsättning experiment minskade den energianvändningen med cirka 35 procent samtidigt som jobbtiderna förblev konkurrenskraftiga eller bättre. Statistiska tester visade att dessa vinster inte berodde på slumpen: förbättringarna i både hastighet och energi var signifikanta över upprepade körningar.

Vad detta betyder för vardaglig teknik

För icke‑specialister är huvudbudskapet att smartare schemaläggning i nätverket kan få uppkopplade enheter att upplevas som mer responsiva samtidigt som energikostnaderna minskar och belastningen på datacenter lättas. EMAPSO erbjuder ett flexibelt sätt att väga hastighet mot energianvändning—systemoperatörer kan ställa in algoritmen för att prioritera snabba svar under hektiska perioder eller för att spara energi när trafiken är låg. Även om arbetet bygger på simuleringar pekar det mot framtida fog–moln‑system som automatiskt jonglerar miljontals små digitala uppgifter så att din bil, telefon eller medicinska sensor kan reagera i realtid utan att i tysthet slösa elektricitet i bakgrunden.

Citering: 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

Nyckelord: fog‑datoranvändning, sakernas internet, uppgiftsschemaläggning, energieffektivitet, partikelsvärmsoptimering