एज-टू-क्लाउड कंटीन्यूम के लिए विकेंद्रीकृत गतिशीलता-जागरूक संसाधन आवंटन

1. परिचय

स्मार्ट मोबिलिटी का परिवर्तन अभूतपूर्व है, जहां स्वायत्त, साझा और इलेक्ट्रिक कनेक्टेड वाहन नए ट्रैफिक पैटर्न और बड़े पैमाने पर रीयल-टाइम कम्प्यूटेशन की आवश्यकताएं पैदा कर रहे हैं। क्लाउड कंप्यूटिंग पैराडाइम न तो कम विलंबता वाली आवश्यकताओं का जवाब दे सकती है और न ही गतिशील स्थानिक-अस्थायी सेवा अनुरोधों के अनुसार संसाधन आवंटन को अनुकूलित कर सकती है। यह शोध पत्र गतिशीलता-जागरूक एज-टू-क्लाउड संसाधन आवंटन के लिए एक नवीन विकेंद्रीकृत ऑप्टिमाइजेशन फ्रेमवर्क प्रस्तुत करता है जो 'कंप्यूटिंग वाहनों का अनुसरण करती है' क्षमता को सक्षम बनाता है।

2. कार्यप्रणाली

3. तकनीकी कार्यान्वयन

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):
        # वाहन गतिशीलता के आधार पर कम्प्यूटेशनल मांग का पूर्वानुमान
        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):
        # इष्टतम आवंटन के लिए पड़ोसियों के साथ समन्वय
        neighbor_states = self.exchange_state()
        allocation_plan = self.consensus_optimization(local_demand, neighbor_states)
        return allocation_plan

4. प्रायोगिक परिणाम

फ्रेमवर्क का मूल्यांकन यूके परिवहन नेटवर्क से वास्तविक दुनिया के ट्रैफिक डेटासेट का उपयोग करके किया गया। प्रमुख प्रदर्शन मेट्रिक्स शामिल थे:

• उपयोग विचरण में कमी: केंद्रीकृत दृष्टिकोणों की तुलना में 40 गुना से अधिक सुधार
• सेवा समय सीमा उल्लंघन: छूटी हुई समय सीमा में 14%-34% कमी
• ऊर्जा दक्षता: केवल-क्लाउड आर्किटेक्चर की तुलना में 14% से 80% से अधिक ऊर्जा बचत

5. विश्लेषण और चर्चा

प्रस्तावित 'कंप्यूटिंग वाहनों का अनुसरण करती है' पैराडाइम एज-टू-क्लाउड कंटीन्यूम शोध में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। पारंपरिक स्थिर संसाधन आवंटन विधियों के विपरीत, यह फ्रेमवर्क वाहन गतिशीलता पैटर्न के लिए गतिशील रूप से अनुकूल होता है, जो स्थानिक-अस्थायी सेवा मांग परिवर्तनशीलता की मौलिक चुनौती का समाधान करता है। विकेंद्रीकृत ऑप्टिमाइजेशन दृष्टिकोण वितरित सहमति एल्गोरिदम से प्रेरणा लेता है जो ब्लॉकचेन सिस्टम में उपयोग किए जाने वाले एल्गोरिदम के समान हैं, लेकिन मोबाइल वातावरण में रीयल-टाइम संसाधन प्रबंधन के लिए अनुकूलित हैं।

केंद्रीकृत क्लाउड कंप्यूटिंग दृष्टिकोणों की तुलना में, गतिशीलता-जागरूक आवंटन पूर्वानुमानित वाहन प्रक्षेपवक्रों के साथ कम्प्यूटेशनल संसाधनों को पूर्व-स्थित करके विलंबता को कम करता है। यह अवधारणा पूर्वानुमानित कंप्यूटिंग में उभरते रुझानों के साथ संरेखित होती है, जहां सिस्टम वर्तमान मांगों पर प्रतिक्रिया देने के बजाय भविष्य की मांगों का पूर्वानुमान लगाते हैं। गणितीय सूत्रीकरण में संचार लागत और लोड बैलेंसिंग उद्देश्य दोनों शामिल हैं, जो एक बहु-उद्देश्यीय ऑप्टिमाइजेशन बनाते हैं जो वास्तविक दुनिया की परिचालन बाधाओं को दर्शाता है।

प्रायोगिक परिणाम प्रमुख मेट्रिक्स में पर्याप्त सुधार प्रदर्शित करते हैं। उपयोग विचरण में 40 गुना कमी एज इंफ्रास्ट्रक्चर में श्रेष्ठ लोड वितरण का संकेत देती है, जो अति-प्रावधान और कम उपयोग दोनों को रोकती है। आईसीटी में ऊर्जा खपत की चिंताओं को देखते हुए यह दक्षता लाभ विशेष रूप से महत्वपूर्ण है, जो अंतर्राष्ट्रीय ऊर्जा एजेंसी के अनुसार पहले से ही वैश्विक ऊर्जा खपत का 10% से अधिक है। स्वायत्त वाहन नेविगेशन और रीयल-टाइम ट्रैफिक प्रबंधन जैसे सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए समय-संवेदनशील आवश्यकताओं को संबोधित करते हुए सेवा समय सीमा उल्लंघनों को 14%-34% तक कम करने की फ्रेमवर्क की क्षमता है।

यह शोध वितरित सिस्टम ऑप्टिमाइजेशन के व्यापक क्षेत्र में योगदान देता है, जो साइकलजैन पेपर (झू एट अल., 2017) जैसे मौलिक कार्यों में स्थापित नींव पर निर्मित है, जिसने डोमेन अनुकूलन के लिए अनसुपरवाइज्ड लर्निंग की शक्ति प्रदर्शित की थी। इसी तरह, यह फ्रेमवर्क स्पष्ट पर्यवेक्षण की आवश्यकता के बिना वाहन गतिशीलता के गतिशील डोमेन के लिए कम्प्यूटेशनल संसाधनों को अनुकूलित करता है। यह दृष्टिकोण बुद्धिमान लोड वितरण के माध्यम से संसाधन उपयोग को अनुकूलित करके और ऊर्जा खपत को कम करके यूरोपीय आयोग के सतत गतिशीलता के लक्ष्यों और यूके के शुद्ध-शून्य लक्ष्यों के साथ भी संरेखित होता है।

6. भविष्य के अनुप्रयोग

गतिशीलता-जागरूक संसाधन आवंटन फ्रेमवर्क के वाहन नेटवर्क के तत्काल संदर्भ से परे व्यापक अनुप्रयोग हैं:

• स्मार्ट सिटी इंफ्रास्ट्रक्चर: शहरी वातावरण में IoT उपकरणों के लिए गतिशील आवंटन
• आपातकालीन प्रतिक्रिया प्रणाली: आपदा परिदृश्यों के लिए रीयल-टाइम संसाधन प्रबंधन
• 5G/6G नेटवर्क: मोबाइल नेटवर्क संसाधन आवंटन के साथ एकीकरण
• स्वायत्त ड्रोन नेटवर्क: यूएवी झुंड के लिए समन्वित कम्प्यूटेशन
• औद्योगिक IoT: स्मार्ट फैक्ट्रियों में अनुकूली संसाधन प्रबंधन

भविष्य के शोध दिशाओं में बेहतर प्रक्षेपवक्र पूर्वानुमान के लिए मशीन लर्निंग को शामिल करना, एज नोड्स में फेडरेटेड लर्निंग का समर्थन करने के लिए फ्रेमवर्क का विस्तार करना, और विभिन्न एज कंप्यूटिंग प्लेटफॉर्म के बीच अंतरसंचालनीयता के लिए मानकीकृत एपीआई विकसित करना शामिल है।

7. संदर्भ

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.