一种用于雾-云环境中物联网动态任务调度的新方法

为何你的智能设备需要更聪明的助手

从健身追踪器和家用摄像头到无人驾驶汽车和工厂机器人，现代设备不断产生需要在几分之一秒内处理的数据。把所有数据都发到远端云数据中心往往太慢且浪费。本文提出了一种新的方法，能在每时每刻决定这些微小数字任务应运行在哪里，从而让系统保持快速、节能并且经济实惠——即便数千台设备同时争抢资源时亦然。

从云端到近旁的雾

传统的云计算适合存储照片或执行大数据分析，但在关乎生死或需千钧一发响应的场景中（如远程手术、智能红绿灯或自主无人机）却力不从心。通过互联网发送数据并在队列中等待造成的延迟可能无法接受。为了解决这一问题，工程师引入了额外的中间层，称为“雾”计算：将小型服务器和网关部署到接近数据生成位置的地方。在由设备、雾与云组成的三层架构中，轻量且紧急的任务应留在边缘，而更重、更不紧急的工作可以转移到云端。问题在于，这些层包含了性能、内存、网络连接、能耗和价格各异并随时间变化的混合设备。高效地决定谁在何时做什么，成为一项艰难的难题。

为数字任务设立交通管制员

作者提出了一种新的“交通管制员”来解决该难题，称为量子启发偏置动态调度器（QBDS）。把来自传感器或应用的每条消息看作必须分配到某个雾或云节点的任务。QBDS 首先根据任务的紧急性和资源需求对所有待处理任务进行排序——考虑到截止时间、运行时长、内存需求以及需传输的数据量。这样可以防止小而紧急的任务被大而不那么关键的任务埋没。对于每个可能的任务与机器匹配，QBDS 估算任务的完成时间、机器消耗的能量，以及运营商在使用费用或错过截止时需承担的惩罚。所有这些要素被组合成一个可调的评分，系统运营者可以根据更看重速度、成本或节能来调整权重。

借用的是波的技巧，而非量子硬件

QBDS 的独到之处在于一种细微的“量子启发”手法。它并不使用真实的量子计算机，而是借鉴波状行为的理念来改进对良好任务-机器配对的搜索。对于每个配对，调度器构建若干简单指标：任务规模与机器处理器和内存的匹配度、网络链路的适配性、机器的费用以及通信延迟的长短。这些指标通过平滑的正弦波进行变换，然后以随机权重混合。由此产生的偏置会略微调整总体成本评分，使调度器被引导远离过载的机器，转向能力强但使用率较低的节点。关键在于，这种调制被谨慎限制，以免压倒按时完成任务和控制预算的基本目标。该方法完全属于经典范畴——它仅以受控的、类波的方式重塑“成本景观”，以避免陷入平庸的选择。

把新调度器付诸测试

为了验证该方法的实际效果，研究人员进行了大量计算机实验，模拟了从数千到数万条任务到达混合雾-云系统的情形。他们首先将启用了量子启发偏置的 QBDS 与不带该偏置的版本进行比较。启用偏置后，系统完成所有任务的速度约提升四分之一，能耗降低近五分之一，总费用更少，且任务在机器间分布更均匀。接着，他们将 QBDS 与一系列先进的优化方案对比，包括现代元启发式算法、基于机器学习的调度器以及“先到先服务”或“最短作业优先”等经典规则。在小规模和大规模设置中，QBDS 一贯展现出更短的完成时间、更高的吞吐量、更少的超时以及更好的负载平衡——而且通常运行速度远快于那些需多次迭代的基于群体的搜索方法。

这对日常技术意味着什么

对非专业人士而言，核心信息是更聪明、更灵活的调度能让互联系统既更灵敏又更环保。通过智能地为任务排序并对未充分利用的机器施以温和的、受波启发的推动，QBDS 将数据保持在更接近需求方的位置、减少能量浪费并降低危险延迟的风险。尽管目前该工作主要在仿真环境中验证，而非实时硬件上部署，但它指向了未来的雾-云平台，这些平台能够在不依赖于特殊量子计算机或大量额外计算资源的情况下，调度成千上万的实时任务——从医疗监测到智慧城市应用等。

引用: Mindil, A., Hamed, A.Y., Hassan, M.R. et al. A novel approach for dynamic task scheduling for IOT in fog-cloud environment. Sci Rep 16, 5501 (2026). https://doi.org/10.1038/s41598-026-35156-7

关键词: 雾计算, 物联网任务调度, 边缘与云, 节能计算, 实时系统