Mobil kenar bilişimde gecikme ve enerji farkındalıklı uyarlanabilir hizmet geçişi

Uygulamaların size daha da yakınlaşmasının önemi

Arabada çevrimiçi oyun oynadığınızda, telefonda AR yönlendirmeleri akıttığınızda ya da bir akıllı şehir sensörü veri gönderdiğinde bu dijital işler bir yerde hesaplanmak zorundadır. Mobil Kenar Bilişim (MEC), bu işi uzak veri merkezlerinden hücresel baz istasyonlarının yanına yerleştirilmiş küçük sunuculara kaydırarak gecikmeyi azaltır ve uygulamaların daha duyarlı hissetmesini sağlar. Ancak hareket halindeki kullanıcılara hizmetleri yakın tutmak, çalışan uygulamaların sık sık yakın kenar sunucuları arasında “taşınması” (göç ettirilmesi) gerektiği anlamına gelir. Çok fazla göç enerji ve para israfına yol açar; çok azı ise gecikme ve hayal kırıklığı yaratır. Bu çalışma, gelişmiş makine öğrenmesi kullanarak akıllı bir denge kurmanın yollarını araştırıyor.

Hız ile elektrik kullanımı arasında denge kurmak

MEC hizmet geçişi üzerine önceki çalışmaların çoğu ağırlıklı olarak tek bir hedefe odaklandı: kullanıcıların algıladığı gecikmeyi olabildiğince düşük tutmak. Bu tipik olarak kullanıcının hareketini takip edip uygulamayı en yakın sunucuya tekrar tekrar taşımayı gerektirir. Oysa her göç ek iletişim enerjisi tüketir ve kendi gecikmesini ekler. Birçok önceki yöntem ayrıca bol sunucu kapasitesi ve sabit koşullar varsaydı; oysa kenar sunucuları kaynak kısıtlıdır, birçok kullanıcıyla rekabet eder ve hızla değişen yükler ile kablosuz kaliteye maruz kalır. Yazarlar, göç enerjisinin gecikme ile eşit önemde bir hedef olarak ele alınması gerektiğini ve göç politikalarının kullanıcı hareketine, sunucu yüküne ve ağ dalgalanmalarına çevrim içi uyum sağlaması gerektiğini savunuyor.

Matematik probleminden öğrenen bir ajana

Araştırmacılar önce birden fazla baz istasyonu, aynı yerde konumlanmış kenar sunucuları ve hareketli kullanıcıları içeren ayrıntılı bir MEC sistemi için matematiksel bir model kuruyor. Her kullanıcı kablosuz bağlantılar üzerinden yakın sunuculara hesaplama görevlerini offload ediyor. Toplam hizmet gecikmesi üç parçaya ayrılıyor: görevin baz istasyonuna gönderilme süresi, sunucuda hesaplanma süresi ve hizmet sunucular arasında kablolu backhaul üzerinden taşındığında harcanan süre. Geçiş enerjisi, hizmet taşınırken aktarılması gereken veri miktarından türetilerek modelleniyor. Genel amaç, her sunucunun hesaplama kapasitesi ve her hizmetin son teslim süresi sınırlarına uyarak hem gecikmeyi hem de göç enerjisini minimize etmek. Bu karışık-tamsayılı, doğrusal olmayan problemi tam olarak çözmek gerçek zamanlı olarak hesaplama açısından mümkün olmadığından ekip, bir ajanın simüle edilmiş bir ortamla etkileşime girerek iyi kararlar öğrenmesini sağlayan derin pekiştirmeli öğrenmeye yöneliyor.

Uyarlanabilir göç beyninin çalışma şekli

Önerilen yöntem NPER‑D3QN adını taşıyan, Derin Q‑Ağlarının (DQN) gelişmiş bir çeşididir. Ajanın giriş “durumu”, kullanıcıların nerede olduğunu, hizmeti veren baz istasyonuna uzaklıklarını, her kenar sunucunun ne kadar yüklü olduğunu, kullanılabilir hesaplama kapasitesini, kablosuz veri hızlarını ve her hizmetin ne kadar büyük ve hesaplama ağırlıklı olduğunu özetler. “Eylemleri” ise bir sonraki zaman aralığında hangi kenar sunucunun her kullanıcının hizmetine ev sahipliği yapacağı seçimleridir. Ödül fonksiyonu, her hizmetin son teslim süresine göre gecikmeyi düşük tutmayı teşvik ederken göç enerjisini cezalandırır; bu sayede ajan hız ile elektrik kullanımı arasında ödünleşmeyi öğrenir. Teknik olarak model üç fikri birleştirir: durumda olmanın değerini ve her eylemin faydasını ayrı ayrı tahmin eden düellolu bir ağ, aşırı iyimser tahminleri azaltan “çift” Q‑öğrenme yapısı ve karmaşık, değişen koşullarda daha hızlı ve daha güvenilir öğrenmeyi sağlayan gürültülü ağlar ile öncelikli deneyim yeniden oynatma gibi iki keşif yardımcısı.

Yaklaşımı teste koymak

NPER‑D3QN’in ne kadar iyi çalıştığını görmek için yazarlar, düzinelerce baz istasyonu ve rastgele hareket eden, değişen boyutlarda görevler gönderen yüzlerce mobil kullanıcıyla şehir benzeri bir ağ simüle ediyor. Kenar sunucular sınırlı hesaplama gücüne sahip ve yalnızca sabit sayıda sanal makine barındırabiliyor; bu da gerçekçi kuyruklanma ve rekabet yaratıyor. Yöntemlerini klasik DQN, geliştirilmiş çift‑düellolu varyantlar ve yaimaç en yakın sunucuyu daima takip eden ya da yalnızca gecikmeyi minimize etmeye odaklanan şemalar da dahil olmak üzere altı güncel karşılaştırma yöntemiyle değerlendiriyorlar. Çeşitli senaryolarda NPER‑D3QN daha hızlı iyi stratejilere yakınsıyor ve ortalama hizmet gecikmesini, göçle ilişkili enerji tüketimini daha düşük tutuyor ve sunucular dolduğunda reddedilen göç sayısını azaltıyor. 720 kullanıcı ve 96 sunuculu büyük ölçekli bir testte, bazı alternatiflerle karşılaştırıldığında gecikmeyi yaklaşık üçte ikiye kadar, göç enerjisini ise %90’dan fazla oranlarda azaltıyor ve karar başına hesaplama süresini pratik sınırlar içinde tutuyor.

Geleceğin bağlantılı hizmetleri için anlamı

Uzman olmayanlar için çıkarım şudur: uygulamaları kullanıcılara daha yakın konumlandırmak tek başına yeterli değildir; çalışan hizmetlerin ne zaman ve nerede taşınacağı konusunda akıllı kontrol de gereklidir. Bu çalışma, öğrenme tabanlı bir denetleyicinin el yapımı kurallara ihtiyaç duymadan yanıt verme hızı, enerji tasarrufu ve sınırlı kenar kapasitesi gibi çelişen hedefleri “toplayabileceğini” gösteriyor. Benzer sistemler gerçek ağlara konuşlandırılırsa, operatörlerin otonom sürüş, etkileyici AR ve endüstriyel IoT gibi uygulamalarda daha düzgün deneyimler sunmasına yardımcı olurken elektrik faturalarını ve altyapı yükünü azaltabilir. Yazarlar çalışmalarının simülasyon tabanlı olduğunu ve tam sunucu güç tüketimi ile eksik izleme gibi bazı gerçek dünya ayrıntılarını dışarıda bıraktığını not ediyorlar; yine de bu, daha yeşil ve daha uyarlanabilir kenar bilişimine doğru umut verici bir adım olarak değerlendiriliyor.

Atıf: Li, L., Lv, J., Wang, S. et al. Latency and energy-aware adaptive service migration in mobile edge computing. Sci Rep 16, 6178 (2026). https://doi.org/10.1038/s41598-026-36711-y

Anahtar kelimeler: mobil kenar bilişim, hizmet geçişi, derin pekiştirmeli öğrenme, gecikme optimizasyonu, enerji verimliliği