IntelliScheduler: öğrenmeye dayalı görev zamanlaması için kenar-bulut hesaplama ortamı hibrit derin öğrenme çerçevesi

Buluta hâlâ neden beklemek gerekebiliyor

Akıllı bir kamera kapınızdaki yabancıyı işaretlediğinde veya bağlı bir araç trafiğe tepki verdiğinde, internette bir yerde işlenmek üzere küçük işler—"görevler"—gönderir. Bu işler her zaman uzak veri merkezlerine kadar giderse, gidiş‑dönüş süresi zaman açısından kritik eylemler için çok yavaş olabilir. Bu makale, hangi görevlerin ağın kenarında kullanıcıya yakın yerde işlenmesi gerektiğine ve hangilerinin güvenle buluta gönderilebileceğine gerçek zamanlı karar veren, yanıtları canlı tutmayı ve maliyetleri düşük tutmayı hedefleyen öğrenmeye dayalı bir sistem olan IntelliScheduler’ı tanıtıyor.

Uzak sunuculardan yakın yardımcılarına

Geleneksel bulut bilişim, milyonlarca kullanıcıya ucuz ölçeklenebilirlik sunduğu için çevrimiçi hizmetlerin bel kemiği oldu. Ancak fabrika sensörleri, akıllı araçlar veya sağlık giyilebilirleri gibi modern Nesnelerin İnterneti (IoT) uygulamalarının birçoğu için her ekstra milisaniye gecikme önem taşıyabilir. Bu gecikmeyi azaltmak için şirketler artık kullanıcıların yakınında, kenar sunucuları olarak bilinen daha küçük sunucular konuşlandırıyor. Bu kenar makineler daha hızlı yanıt verebiliyor ama sınırlı kapasiteye sahip. Çok fazla görev kenara gönderilirse kuyrukta sıkışırlar; çok fazlası buluta gönderilirse yol süresi darboğaz olur. Eski zamanlama yöntemleri sabit kurallara veya elle hazırlanmış sezgilere dayanıyordu ve iş yükleri patladığında veya ağ koşulları hızla değiştiğinde genellikle başarısız oluyordu.

İşin nereye gitmesi gerektiğine dair öğrenen bir beyin

Yazarlar, görev yerleştirmeyi sabit bir kural kitabı yerine öğrenme problemi olarak ele alan IntelliScheduler çerçevesini öneriyor. Çekirdeğinde derin pekiştirmeli öğrenmenin bir biçimi var: yapay bir ajan sistemin o anki durumunu—kenar ve bulut makinelerinin ne kadar meşgul olduğu, kuyruklarının uzunluğu, gelen görevlerin ne kadar acil göründüğü—gözlemler ve ardından bir eylem seçer; örneğin bir görevi kenara göndermek, buluta göndermek veya işleri aralarında bölmek. Her seçimden sonra ajan ağırlıklı olarak cihazların ne kadar süre beklediği ve hizmet sürelerinin kaçırılıp kaçırılmadığı temelinde geri bildirim alır. Birçok deneme‑yanılma turu boyunca sistem, bekleme süresini en aza indirgemeye ve hizmet düzeyi anlaşmalarını korumaya eğilimli bir politika öğrenir.

Birçok tür yoğun günü hatırlamak

Önemli bir yenilik, IntelliScheduler’ın deneyimden nasıl öğrendiğidir. Geçmiş durumları ve kararları tek uzun bir listede saklamak yerine, birkaç ayrı bellek tamponu tutar. Her tampon farklı işletim koşullarından—hafif yük, yoğun tıkanıklık veya dengesiz kenar kullanımı gibi—örnekler toplar. Eğitim sırasında ajan, geçmişteki tahminlerinin en çok sapma gösterdiği deneyimlere ayrıcalık vererek bu tamponların tümünden örnekler alır. Bu çoklu‑tampon tasarım, ortam değiştikçe öğrenme sürecinin istikrarlı kalmasına yardımcı olur ve modelin yalnızca en yakın olaylardan tekrar tekrar öğrenirken meydana gelebilecek dalgalanmaları önler. Bu yaklaşımı destekleyen matematiksel model, bir görevin üç şekilde ele alınabileceğini açıkça hesaba katar: tamamen bulutta, tamamen kenarda veya kaynaklar sıkışırsa işlemenin kenardan buluta taşındığı hibrit bir biçimde.

Çerçeveyi teste koymak

IntelliScheduler’ın davranışını incelemek için araştırmacılar IoT iş akışları çalıştıran bir kenar‑bulut sisteminin ayrıntılı bir simülatörünü kurdular. Öğrenmeye dayalı Optimum Görev Zamanlaması (LbOTS) algoritmalarını sürü zekâsı ve meta‑sezgilerden alınmış üç popüler optimizasyon tabanlı zamanlayıcı ile karşılaştırdılar. Bir milyona kadar işi kapsayan küçük, orta ve büyük sentetik iş yükleri boyunca öğrenmeye dayalı yaklaşım, daha kısa beklemeler ve daha iyi zamanında teslimat birleşimini gösteren daha yüksek toplam ödül elde etti. Eğitimi daha güvenilir oldu; öğrenme kaybı iki‑üçte bir oranında daha düşük ve kaynakları daha verimli kullandı, tahmini işletme maliyetlerini kabaca yarı yarıya veya daha fazla azalttı. Belki en çarpıcı olanı, aşırı yük nedeniyle reddedilen görev oranının yaklaşık %80–90 oranında düşmesi ve kullanıcı algısına dayalı deneyim kalitesinin rakip yaklaşımlara kıyasla yaklaşık %15–75 oranında iyileşmesiydi.

Günlük bağlı cihazlar için anlamı

Uygulamada çalışma, uyarlanabilir, öğrenme odaklı dijital görev "hava trafik kontrolörü"nün kenar‑bulut sistemlerini statik zamanlama kurallarından daha duyarlı ve ekonomik hale getirebileceğini öneriyor. IntelliScheduler, sunucuların ve ağların ne kadar meşgul olduğunu sürekli izleyerek ve çok çeşitli geçmiş koşullardan öğrenerek, zaman açısından hassas IoT uygulamalarının daha az düşen istekle sorunsuz çalışmasını sağlayan otomatik bir ajanın mümkün olduğunu gösteriyor. Mevcut sonuçlar kontrollü simülasyonlardan geliyor ve ağırlıklı olarak gecikme ve maliyete odaklanıyor; enerji kullanımı veya güvenlik gibi konular daha az ele alınmış olsa da çerçeve genişletilmeye uygun şekilde tasarlandı. Bu tür sistemler simülasyonlardan gerçek dağıtıma geçtikçe, günlük akıllı cihaz ağının arka planda daha hızlı, daha güvenilir ve daha az israfla çalışmasına yardımcı olabilirler.

Atıf: Raju, L.R., Reddy, M.V.K., Surukanti, S.R. et al. IntelliScheduler: an edge-cloud computing environment hybrid deep learning framework for task scheduling based on learning. Sci Rep 16, 11219 (2026). https://doi.org/10.1038/s41598-026-41330-8

Anahtar kelimeler: kenar hesaplama, bulut bilişim, görev zamanlaması, pekiştirmeli öğrenme, Nesnelerin İnterneti