توزيع الموارد اللامركزي المستند إلى الحركة في بيئة الحوسبة من الحافة إلى السحابة

1. المقدمة

يشهد قطاع التنقل الذكي تحولاً غير مسبوق، حيث تخلق المركبات المتصلة ذاتية القيادة والمشتركة والكهربائية أنماط مرور جديدة ومتطلبات للحوسبة الفورية على نطاق واسع. لا يستطيع نموذج الحوسبة السحابية تلبية متطلبات الكمون المنخفض ولا يمكنه تكييف توزيع الموارد مع طلبات الخدمات الديناميكية المكانية الزمانية. تقدم هذه الورقة إطار عمل جديداً لتحسين توزيع الموارد اللامركزي المستند إلى الحركة في بيئة الحوسبة من الحافة إلى السحابة، مما يمكن من تحقيق قدرة "الحوسبة تتبع المركبات".

2. المنهجية

3. التنفيذ التقني

class MobilityAwareAllocator:
    def __init__(self, node_id, neighbors):
        self.node_id = node_id
        self.neighbors = neighbors
        self.resource_state = {}
        
    def predict_demand(self, vehicle_trajectories):
        # التنبؤ بالطلب الحسابي بناءً على حركة المركبات
        demand_map = {}
        for vehicle in vehicle_trajectories:
            expected_nodes = self.route_prediction(vehicle.position)
            for node in expected_nodes:
                demand_map[node] += vehicle.compute_requirement
        return demand_map
    
    def coordinate_allocation(self, local_demand):
        # التنسيق مع العقد المجاورة للتخصيص الأمثل
        neighbor_states = self.exchange_state()
        allocation_plan = self.consensus_optimization(local_demand, neighbor_states)
        return allocation_plan

4. النتائج التجريبية

تم تقييم الإطار باستخدام مجموعات بيانات مرور حقيقية من شبكات النقل في المملكة المتحدة. تضمنت مقاييس الأداء الرئيسية:

• خفض التباين في الاستخدام: تحسن بأكثر من 40 مرة مقارنة بالنهج المركزية
• انتهاكات مواعيد الخدمة: انخفاض بنسبة 14%-34% في المواعيد النهائية الفائتة
• كفاءة الطاقة: توفير في الطاقة بنسبة 14% إلى أكثر من 80% مقارنة بالهياكل السحابية فقط

5. التحليل والمناقشة

يمثل نموذج "الحوسبة تتبع المركبات" المقترح تقدماً كبيراً في أبحاث بيئة الحوسبة الممتدة من الحافة إلى السحابة. على عكس طرق تخصيص الموارد الثابتة التقليدية، يتكيف هذا الإطار ديناميكياً مع أنماط حركة المركبات، معالجة التحدي الأساسي لتغير الطلب على الخدمات المكاني الزماني. يستمد نهج التحسين اللامركزي الإلهام من خوارزميات الإجماع الموزعة المشابهة لتلك المستخدمة في أنظمة سلسلة الكتل، ولكن تم تكييفها لإدارة الموارد الفورية في البيئات المتنقلة.

مقارنة بمناهج الحوسبة السحابية المركزية، يقلل التخصيص المستند إلى الحركة من زمن الوصول من خلال التموضع المسبق للموارد الحسابية على طول مسارات المركبات المتوقعة. يتوافق هذا المفهوم مع الاتجاهات الناشئة في الحوسبة الاستباقية، حيث تتنبأ الأنظمة بالمتطلبات المستقبلية بدلاً من التفاعل مع المتطلبات الحالية. تتضمن الصياغة الرياضية كلاً من تكاليف الاتصال وأهداف موازنة الحمل، مما يخلق تحسيناً متعدد الأهداف يعكس القيود التشغيلية في العالم الحقيقي.

تظهر النتائج التجريبية تحسينات كبيرة في المقاييس الرئيسية. يشير انخفاض التباين في الاستخدام بمقدار 40 مرة إلى توزيع حمل متفوق عبر بنية الحافة، مما يمنع كل من الإفراط في التخصيص وقلة الاستخدام. هذا الكسب في الكفاءة مهم بشكل خاص نظراً لمخاوف استهلاك الطاقة في تكنولوجيا المعلومات والاتصالات، والتي تتجاوز بالفعل 10% من استهلاك الطاقة العالمي وفقاً لوكالة الطاقة الدولية. تعالج قدرة الإطار على تقليل انتهاكات المواعيد النهائية للخدمة بنسبة 14%-34% متطلبات جودة الخدمة الحرجة للتطبيقات الحساسة للسلامة مثل الملاحة الذاتية للمركبات وإدارة المرور الفوري.

يساهم هذا البحث في المجال الأوسع لتحسين النظم الموزعة، مبنيًا على الأسس التي وضعتها أعمال رائدة مثل ورقة CycleGAN (Zhu et al., 2017) التي أظهرت قوة التعلم غير الخاضع للإشراف للتكيف مع المجال. وبالمثل، يتكيف هذا الإطار مع الموارد الحسابية للمجال الديناميكي لحركة المركبات دون الحاجة إلى إشراف صريح. يتوافق النهج أيضاً مع أهداف المفوضية الأوروبية للتنقل المستدام وأهداف صافي الصفر في المملكة المتحدة من خلال تحسين استخدام الموارد وتقليل استهلاك الطاقة عبر التوزيع الذكي للحمل.

6. التطبيقات المستقبلية

يتمتع إطار تخصيص الموارد المستند إلى الحركة بتطبيقات واسعة تتجاوز السياق المباشر لشبكات المركبات:

• بنية المدينة الذكية: التخصيص الديناميكي لأجهزة إنترنت الأشياء في البيئات الحضرية
• أنظمة الاستجابة للطوارئ: إدارة الموارد الفورية لسيناريوهات الكوارث
• شبكات 5G/6G: التكامل مع تخصيص موارد الشبكة المتنقلة
• شبكات الطائرات بدون طيار الذاتية: الحوسبة المنسقة لأسراب الطائرات بدون طيار
• إنترنت الأشياء الصناعي: إدارة الموارد التكيفية في المصانع الذكية

تشمل اتجاهات البحث المستقبلية دمج التعلم الآلي لتحسين التنبؤ بالمسارات، وتوسيع الإطار لدعم التعلم الموحد عبر عقد الحافة، وتطوير واجهات برمجة تطبيقات قياسية للقدرة على التشغيل البيني بين منصات الحوسبة الطرفية المختلفة.

7. المراجع

1. Z. Nezami, E. Chaniotakis, and E. Pournaras, "When Computing follows Vehicles: Decentralized Mobility-Aware Resource Allocation for Edge-to-Cloud Continuum"
2. J. Zhu et al., "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," ICCV, 2017.
3. M. Satyanarayanan, "The Emergence of Edge Computing," Computer, 2017.
4. International Energy Agency, "Digitalisation and Energy," 2017.
5. European Commission, "Sustainable and Smart Mobility Strategy," 2020.
6. UK Department for Transport, "Transport and Environment Statistics 2021"
7. Y. Mao et al., "A Survey on Mobile Edge Computing," IEEE Communications Surveys & Tutorials, 2017.