تخصیص منابع غیرمتمرکز مبتنی بر تحرک برای پیوستار لبه-به-ابر

1. مقدمه

دگرگونی تحرک هوشمند بی‌سابقه است، با خودروهای خودران، اشتراکی و متصل الکتریکی که الگوهای ترافیکی جدید و نیازمندی‌های محاسباتی بلادرنگ در مقیاس بزرگ ایجاد می‌کنند. پارادایم رایانش ابری نمی‌تواند به نیازمندی‌های تأخیر کم پاسخ دهد و نه قادر است تخصیص منابع را با درخواست‌های سرویس پویای مکانی-زمانی تطبیق دهد. این مقاله یک چارچوب بهینه‌سازی غیرمتمرکز نوآورانه برای تخصیص منابع مبتنی بر تحرک در پیوستار لبه-به-ابر معرفی می‌کند که قابلیت «پیروی رایانش از خودروها» را فراهم می‌سازد.

2. روش‌شناسی

3. پیاده‌سازی فنی

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):
        # پیش‌بینی تقاضای محاسباتی بر اساس تحرک خودروها
        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):
        # هماهنگی با همسایگان برای تخصیص بهینه
        neighbor_states = self.exchange_state()
        allocation_plan = self.consensus_optimization(local_demand, neighbor_states)
        return allocation_plan

4. نتایج تجربی

چارچوب با استفاده از مجموعه داده‌های ترافیکی دنیای واقعی از شبکه‌های حمل‌ونقل بریتانیا ارزیابی شد. معیارهای عملکرد کلیدی شامل موارد زیر بودند:

• کاهش واریانس بهره‌وری: بهبود بیش از 40 برابر در مقایسه با رویکردهای متمرکز
• تخلفات مهلت سرویس: کاهش 14%-34% در مهلت‌های از دست رفته
• بهره‌وری انرژی: صرفه‌جویی انرژی 14% تا بیش از 80% در مقایسه با معماری‌های صرفاً ابری

5. تحلیل و بحث

پارادایم پیشنهادی «پیروی رایانش از خودروها» نشان‌دهنده پیشرفت قابل توجهی در تحقیقات پیوستار لبه-به-ابر است. برخلاف روش‌های سنتی تخصیص منابع ایستا، این چارچوب به صورت پویا با الگوهای تحرک خودروها سازگار می‌شود و چالش اساسی تغییرپذیری تقاضای سرویس مکانی-زمانی را مورد توجه قرار می‌دهد. رویکرد بهینه‌سازی غیرمتمرکز الهام گرفته از الگوریتم‌های اجماع توزیع‌شده مشابه آن‌هایی است که در سیستم‌های بلاک‌چین استفاده می‌شوند، اما برای مدیریت منابع بلادرنگ در محیط‌های متحرک تطبیق یافته‌اند.

در مقایسه با رویکردهای متمرکز رایانش ابری، تخصیص مبتنی بر تحرک با پیش‌مکانیابی منابع محاسباتی در طول مسیرهای پیش‌بینی شده خودروها، تأخیر را کاهش می‌دهد. این مفهوم با روندهای نوظهور در رایانش پیش‌بینانه همسو است، جایی که سیستم‌ها به جای واکنش به تقاضاهای جاری، تقاضاهای آینده را پیش‌بینی می‌کنند. فرمول‌بندی ریاضی هم هزینه‌های ارتباطی و هم اهداف تعادل بار را در بر می‌گیرد و یک بهینه‌سازی چندهدفه ایجاد می‌کند که محدودیت‌های عملیاتی دنیای واقعی را منعکس می‌کند.

نتایج تجربی بهبودهای قابل توجهی در معیارهای کلیدی نشان می‌دهند. کاهش 40 برابری واریانس بهره‌وری نشان‌دهنده توزیع بار برتر در زیرساخت لبه است که از تأمین بیش از حد و استفاده ناکافی جلوگیری می‌کند. این دستاورد بهره‌وری با توجه به نگرانی‌های مصرف انرژی در فناوری اطلاعات و ارتباطات که طبق آژانس بین‌المللی انرژی از 10% مصرف انرژی جهانی فراتر رفته است، به ویژه مهم است. توانایی چارچوب در کاهش تخلفات مهلت سرویس به میزان 14%-34%، نیازمندی‌های حیاتی کیفیت سرویس برای برنامه‌های حساس به ایمنی مانند ناوبری خودروهای خودران و مدیریت ترافیک بلادرنگ را مورد توجه قرار می‌دهد.

این تحقیق به حوزه گسترده‌تر بهینه‌سازی سیستم‌های توزیع‌شده کمک می‌کند و بر پایه‌های بنیادین ایجاد شده در آثار مهمی مانند مقاله CycleGAN (Zhu و همکاران، 2017) که قدرت یادگیری بدون نظارت برای تطبیق دامنه را نشان داد، بنا شده است. به طور مشابه، این چارچوب منابع محاسباتی را با دامنه پویای تحرک خودروها بدون نیاز به نظارت صریح تطبیق می‌دهد. این رویکرد همچنین با اهداف کمیسیون اروپا برای تحرک پایدار و اهداف خالص صفر بریتانیا از طریق بهینه‌سازی استفاده از منابع و کاهش مصرف انرژی از طریق توزیع هوشمند بار همسو است.

6. کاربردهای آینده

چارچوب تخصیص منابع مبتنی بر تحرک کاربردهای گسترده‌ای فراتر از زمینه فوری شبکه‌های خودرویی دارد:

• زیرساخت شهر هوشمند: تخصیص پویا برای دستگاه‌های اینترنت اشیاء در محیط‌های شهری
• سیستم‌های پاسخ اضطراری: مدیریت منابع بلادرنگ برای سناریوهای فاجعه
• شبکه‌های 5G/6G: یکپارچه‌سازی با تخصیص منابع شبکه موبایل
• شبکه‌های پهپادهای خودران: رایانش هماهنگ برای دسته‌های پهپاد
• اینترنت اشیاء صنعتی: مدیریت منابع تطبیقی در کارخانه‌های هوشمند

جهت‌های تحقیقاتی آینده شامل ادغام یادگیری ماشین برای بهبود پیش‌بینی مسیر، گسترش چارچوب برای پشتیبانی از یادگیری فدرال در بین گره‌های لبه، و توسعه رابط‌های برنامه‌نویسی کاربردی استاندارد برای قابلیت همکاری بین پلتفرم‌های مختلف رایانش لبه است.

7. مراجع

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.