Gerçek zamanlı Nesnelerin İnterneti ağları için uyarlanabilir dinamik pufferfish optimizasyonu ile dinamik fog düğümü yerleştirme optimizasyonu

Neden daha akıllı ağlar günlük yaşam için önemli

Otonom araçlardan uzaktan sağlık izlemeye kadar birçok modern cihaz, uzak bilgisayarlardan anında alınan kararlara dayanır. Bağlantı yavaşsa veya koparsa, bir araba geç tepki verebilir veya bir sağlık uyarısı zamanında ulaşmayabilir. Bu makale, verinin üretildiği yere daha yakın küçük bilgisayarlar —fog düğümleri— yerleştirip taşımaya yönelik yeni bir yaklaşımı inceliyor; böylece bağlı cihazlar, ağ sürekli değişse bile daha hızlı ve daha güvenilir yanıtlar alır.

Hesaplama gücünü eyleme daha yakın getirmek

Yazarlar, milyarlarca Nesnelerin İnterneti (IoT) cihazı ile uzak bulut veri merkezleri arasındaki büyüyen boşluğu anlatarak başlıyor. Bulut güçlü olsa da her veriyi oraya göndermek ve geri almak zaman alır. Fog bilişim, sensörler, kameralar, araçlar ve fabrika makinelerinin yakınlarına daha küçük bilgisayarlar yerleştirerek bu boşluğu doldurur. Bu fog düğümleri bilgiyi yerel olarak işleyebilir, gecikmeleri azaltır ve uzun mesafe bağlantılar üzerindeki yükü hafifletir. Ancak bu düğümlerin nerelere konulacağı ve cihazlar ortaya çıktıkça, kayboldukça veya hareket ettikçe ne zaman taşınacak veya ekleneceğine karar vermek, gecikmeleri düşük tutma, mümkün olduğunca çok cihazı kapsama, enerji tasarrufu yapma ve sürekli yeniden düzenlemeyi önleme gibi birbirine rakip pek çok hedefi olan zor bir bulmacadır.

Canlı, değişen bir ağ haritası

Bu gerçeği yakalamak için makale ağı zaman içindeki değişimleri olan canlı bir sistem olarak modelliyor. Fog düğümleri sabit olabilir veya araçlar ve dronlara monte edilebilir; geçici veya kalıcı arızalar yaşayabilir; ve IoT cihazlarının yoğunluğu günlük desenlere göre artıp azalabilir. Model, her düğümün ve cihazın nerede olduğunu, ne kadar uzaktan iletişim kurabileceklerini, arızaların ne sıklıkla meydana geldiğini ve ekipmanı taşımak için ne kadar "maliyet" gerektiğini izliyor. Performans, ağın ne kadar iyi bağlı kaldığı, kaç cihazın en az bir fog düğümünün erişiminde olduğu ve işlerin sorunsuz gitmesini sağlamak için gereken fiziksel hareket miktarıyla ölçülüyor. Zorluk sadece bir kerelik iyi bir düzen bulmak değil; kapsama düştüğünde, bağlantılar zayıfladığında veya ekipman değiştiğinde düzeni sürekli güncellemek.

Pufferfish davranışından öğrenmek

Çalışmanın özünde Dinamik Pufferfish Optimizasyon Algoritması (D-POA) adlı yeni bir yöntem var. Tehdit altındaki pufferfish’in davranışından esinlenen algoritma iki strateji arasında geçiş yapar. Bir “küresel arama” modunda, avcılardan kaçan bir balığın hızla pozisyon değiştirmesine benzer şekilde, çözüm uzayının umut verici bölgelerini bulmak için çok farklı fog düğümü düzenlerini keşfeder. Bir “savunma” modunda ise, balığın şiştiğinde yaptığı ince ayarlara benzer biçimde, iyi bir düzeni iyileştirmek için daha küçük, yerel değişiklikler yapar. Önceki sürümlerin aksine D-POA geçmişte işe yarayan düzenleri de hatırlar ve yeni ayarlama döngülerine bu önceki iyi düzenlerden başlar; sıkışıp kalmayı önlemek için de yeterli rastgelelik ekler.

Yeterince, tam zamanında değişim

Ana yenilik, D-POA’nın sürekli tam kapasite çalışmıyor oluşudur. Algoritma ağı sürekli izler ve yalnızca bağlantı veya kapsama gibi önemli ölçütler seçilen eşiklerin altına düştüğünde ya da düğümler arızalandığında ya da eklendiğinde yeniden yapılandırmayı tetikler. Koşullar sadece hafifçe değiştiğinde hesaplamadan tasarruf etmek için daha az ayarlama adımı kullanır; büyük bir bozulma olduğunda ise güçlü bir yeni düzen aramak için daha fazla çaba ayırır. Bu uyarlanabilir kontrol aracılığıyla sistem iki ihtiyacı dengeler: hizmet kalitesini yüksek tutmak ve gereksiz hareketten veya hesaplama kaynaklarının aşırı kullanımından kaçınmak. Yazarlar ayrıca algoritmanın ağ büyüdükçe nasıl ölçeklendiğini analiz eder; çalışma süresi ve bellek kullanımının kabaca düğüm ve cihaz sayısıyla orantılı olarak arttığını gösterirler.

Deneyler pratikte ne gösteriyor

Ekip D-POA’yı 1000’e kadar fog düğümüne ve birçok değişen IoT cihazına sahip simüle edilmiş ağlar üzerinde test eder ve onu üç yerleşik algoritmayla karşılaştırır. Genel dinamikler, hareketli fog düğümleri, rastgele ekipman arızaları, dalgalanan trafik ve kademeli ağ genişlemesi olmak üzere beş zorlu senaryonun tamamında yeni yöntem yaklaşık %97–98 bağlantı ve yaklaşık %98 kapsama sağlar ve hareket maliyetlerini rakiplere göre yaklaşık %38–57 oranında azaltır. Ayrıca arızalardan sonra hizmeti daha hızlı geri getirir ve gün içinde talep artışlarına ve azalışlarına rağmen kararlı performans korur. Kesin matematiksel çözücülere karşı en iyi mümkün düzenlere çok yakın sonuçlar elde ederken bunu çok daha kısa sürede yapar ve hızlı tepki veren ama enerji harcayan ve kapsama boşlukları bırakan basit açgözlü kuralları açıkça geride bırakır.

Gelecekteki bağlı sistemler için anlamı

Günlük anlatımla çalışma, akıllı şehirlerin, fabrikaların ve hastanelerin “yerel beyinlerini” koşullar dakika dakika değişirken doğru yerlerde tutmanın bir yolunu gösteriyor. Ağı izleyerek, yalnızca gerektiğinde tepki vererek ve fog düğümü konumlarını kontrollü, verimli bir şekilde ayarlayarak D-POA daha fazla cihazı daha kısa gecikmeyle ve daha az gereksiz hareketle bağlı tutar. Gerçek dünya testleri ve ayrıntılı enerji ile güvenlik modelleri gibi ek özellikler hâlâ gerekse de çalışma, sürekli insan ayarı gerektirmeyen, güvenilir ve düşük gecikmeli ağlara doğru pratik bir yol haritası çiziyor.

Atıf: 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

Anahtar kelimeler: fog bilişim, IoT ağları, uç bilişim, meta-üstüsel optimizasyon, gerçek zamanlı sistemler