面向雾计算支持的物联网应用的能耗与完成时间优化任务映射：一种混合方法

为什么更智能的云对日常设备至关重要

从健身追踪器和智能恒温器到联网汽车和医院监护仪，数十亿设备现在不断将数据发送到互联网上的某处进行处理。当“某处”是位于远端的云数据中心时，距离会引入延迟并浪费能量。本文探讨了一种新的决策方法，用于确定这些数字任务应在哪里执行，以便让连接设备更快得到响应，同时降低整个系统的能耗。

将云计算更接近现实世界

当今的物联网（IoT）常依赖大型云数据中心来存储和分析信息。这对许多任务有效，但对于那些需要瞬时响应的场景——如自动驾驶、在线游戏或远程健康监测——即便是很小的延迟也可能有害或令人恼火。为了解决这一问题，工程师们越来越多地采用“雾计算”，将较小的服务器部署在数据产生地点附近。作者研究了一个三层结构：底层是日常设备，中间是附近的雾节点，顶部是强大的云服务器。大多数任务理想情况下应在雾层处理，只有最重的工作才上送到云端。

幕后调度挑战

决定哪个服务器处理哪个任务出乎意料地复杂。每个到达的任务都有大小和到达时间，而每个虚拟机在处理速度、内存和网络带宽上都有限制。如果任务分配不当，部分机器会空闲而其他机器过载，导致长时间等待和电力浪费。论文同时关注三项目标：尽可能快地完成所有任务（最短完成时间）、尽量减少能耗，以及保持负载均衡以避免单一机器成为热点。作者并非只优化其中一个目标，而是将其视为一组相互竞争且需要精心平衡的联合目标。

受群体行为启发的负载共享方法

为了解决这种平衡问题，研究者基于粒子群优化（PSO）构建方案，该技术受鸟群或鱼群行为的启发。在PSO中，许多候选解——在此情形下为不同的任务到机器的分配方式——在解空间中“飞行”，根据自身和邻居迄今为止表现最好的经验调整位置。作者提出了名为EMAPSO（能耗-完成时间感知粒子群优化）的增强版本。它从一个有利于最短完成时间的智能初始猜测开始，然后使用融合能耗和总体完成时间的适应度评分不断更新任务分配。EMAPSO还监控每台机器的负载情况，避免将新任务分配给已经高度繁忙的服务器。

新方法的实际表现

团队在模拟的雾–云环境中测试了EMAPSO，并将其与几种现有方法比较，包括标准PSO以及基于鸟群和蜂群等其他群体启发算法。他们改变任务数量和虚拟机数量以模拟不同的真实条件。在所有测试中，EMAPSO始终以更少的能耗更快地完成相同的工作量。在一组实验中，它将能耗降低了约35%，同时保持作业完成时间具有竞争力或更好。统计检验表明这些改进并非偶然：速度和能耗方面的提升在多次运行中具有显著性。

这对日常技术意味着什么

对非专业读者来说，关键是：网络内部更智能的调度可以让连接设备感觉更灵敏，同时削减能源开支并减轻数据中心的压力。EMAPSO提供了一种灵活的方式在速度与功耗之间进行权衡——系统运营者可以在繁忙时段调整算法以优先响应速度，或在流量低时优先节能。尽管该工作基于模拟，但它指向了未来的雾–云系统，这些系统将自动调度数以百万计的小型数字任务，使你的汽车、手机或医疗传感器能够实时反应，同时不会在后台静默地浪费电力。

引用: 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

关键词: 雾计算, 物联网, 任务调度, 能效, 粒子群优化