ملخص تقني: شبكة التوأم الرقمي المستوحاة من نموذج العالم ذو العقل المزدوج لجدولة الوصول

بيان المشكلة

تواجه الأنظمة الشبكية الناشئة، بما في ذلك إنترنت الأشياء الصناعي والبنى التحتية السيبرانية الفيزيائية في الوقت الفعلي، تحديات حرجة في جدولة الوصول إلى القنوات تحت ظروف حركة المرور الديناميكية، والمواعيد النهائية الصارمة لجودة الخدمة (QoS)، وقيود التداخل. تقدم خوارزميات الجدولة التقليدية ثنائية تتمثل في:

• الأسال विध (القائمة على القواعد): (مثل جدولة الوزن الأقصى Max-Weight أو أول ذي طابور أطول Longest-Queue-First) والتي غالباً ما تفتقر إلى القدرة على التكيف مع القيود الزمنية أو تتطلب افتراضات تقييدية (مثل حركة المرور القائمة على الإطارات، أو وصول البيانات المعروف مسبقاً).
• الأسال विध (المعتمدة على البيانات): (مثل التعلم التعزيزي Reinforcement Learning) والتي توفر القدرة على التكيف ولكنها تعاني غالباً من نقص القابلية للتفسير، والتعقيد العالي في عينات البيانات، وعدم القدرة على ضمان الجدوى تحت قيود محددة مثل التداخل أو المواعيد النهائية للحزم.

التحدي الجوهري هو تطوير استراتيجية جدولة توازن بين القدرة على التكيف مع حركة المرور المتفجرة وغير المتجانسة وبين القابلية للتفسير والامتثال للقيود (المواعيد النهائية وتجنب التداخل) دون الحاجة إلى إعادة تدريب مكثفة أو اتخاذ قرارات بنظام "الصندوق الأسود".

المنهجية

يقترح المؤلفون إطار عمل نموذج العالم ذو العقل المزدوج (DMWM)، الذي يتم تنفيذه ضمن توأم رقمي للشبكة (NDT) قابل للتهيئة. يحاكي هذا الهيكل عملية اتخاذ القرار ذات العمليتين المزدوجتين الموجودة في العلوم المعرفية، حيث يدمج وحدتين متمايزتين:

1. العقل السريع (الاستجابة الحدسية - Reactive Heuristic):

   • يعمل كآلية احتياطية خفيفة الوزن.
   • يستخدم قواعد حدسية بسيطة (مثل اختيار العقد ذات الطوابير الأطول) عندما تكون القيود بسيطة، أو عندما تفشل الوحدة التداولية في إيجاد خطة قابلة للتنفيذ ضمن الحدود الزمنية.
   • يضمن الاستجابة ذات زمن الانتقال المنخفض.

2. العقل البطيء (المخطط الرمزي - Symbolic Planner):

   • يعمل داخل التوأم الرقمي للشبكة لإجراء عمليات استشراف رمزي أمامي (Symbolic Forward Rollouts).
   • يولد مجموعة من الجداول المرشحة القابلة للتنفيذ بناءً على طبقة الملاحة المعلوماتية للقيود (ICN)، والتي تقوم بتصفية الإجراءات مقابل رسوم التداخل البيانية، وتوافر الطوابير، والمواعيد النهائية للحزم.
   • يحاكي أفقاً زمنياً محدوداً ($H$) من حالات الطوابير المستقبلية لكل جدول مرشح للتنبؤ بالمكافآت طويلة المدى (الإنتاجية وتخفيف الازدحام).
   • يختار الجدول الذي يعظم المكافأة التراكمية المتوقعة.

حلقة اتخاذ القرار:
يقوم المجدول بالتبديل ديناميكياً بين هذين الوضعين. إذا حدد "العقل البطيء" مجموعة من الجداول القابلة للتنفيذ ($F(t) \neq \emptyset$)، فإنه يختار الجدول الأمثل بناءً على الاستشراف الرمزي. وإذا لم يتم العثور على خطة قابلة للتنفيذ أو كانت الحوسبة مكلفة للغاية، فإنه يعود تلقائياً إلى النهج الحدسي لـ "العقل السريع". يتجنب هذا النهج الهجين طبيعة "الصندوق الأسود" للتعلم التعزيزي الصرف مع الحفاظ على بعد النظر الذي يوفره التخطيط القائم على النموذج.

المساهمات الرئيسية

يحدد البحث خمس مساهمات رئيسية:

1. نموذج معرفي هجين: إطار عمل للجدولة يدمج مخططاً رمزياً مع آلية احتياطية استجابية، مما يوازن بين القدرة على التكيف والتنفيذ منخفض زمن الانتقال.
2. انتقال الحالة الرمزي: دالة فعالة تسم تتيح للوكيل محاكاة حالات الطوابير المستقبلية واكتساب بصيرة طويلة المدى دون الاعتماد على نمذجة الديناميكيات العصبية.
3. تصفية القيود القائمة على المنطق: آلية (ICN) تفرض المواعيد النهائية لكل عقدة، وتجنب التداخل، والوعي بالطوابير قبل مرحلة التخطيط، مما يضمن الجدوى.
4. التوأم الرقمي المدفوع بالمحاكاة: بيئة مبنية تحاكي حركة المرور المتفجرة، والعقد غير المتجانسة، وقيود الجدولة لإجراء اختبارات مقارنة شاملة.
5. التقييم التجريبي: تقييم مقارن مقابل القواعد الحدسية الكلاسيكية (LQF، Round Robin) والنماذج القائمة على التعلم (Q-Learning) عبر أربعة سيناريوهات متميزة.

النتائج التجريبية

تم تقييم إطار العمل في محاكاة شبكة لاسلكية مقسمة زمنياً ($N=5$ عقد، $K=3$ عمليات إرسال متزامنة) تحت أربعة سيناريوهات: الوضع الافتراضي، حركة المرور المتفجرة، الحساسية للمواعيد النهائية، والقيود المفروضة بالتداخل.

• الإنتاجية (Throughput): حقق نظام DMWM باستمرار أعلى أو أقرب أعلى إنتاجية متوسطة عبر جميع السيناريوهات، متفوقاً على نماذج LQF ووكلاء التعلم التعزيزي (RL)، لا سيما تحت أحمال حركة المرور المتفجرة والحساسة للمواعيد النهائية.
• إدارة الطوابير: حافظ الإطار على أحجام طوابير متوسطة أقل مقارنة بالسياسات الاستجابية، مما يشير إلى قدرة فائقة على تخفيف الازدحام.
• المواعيد النهائية وزمن الانتقال: في السيناريوهات الحساسة للمواعيد النهائية، قلل DMWM بشكل كبير من متوسط التأخير وعدد انتهاكات المواعيد النهائية مقارنة بكل من القواعد الحدسية ووكيل التعلم التعزيزي. ويعزى ذلك إلى آلية الاستشراف الأمامي التي تقيم آثار التأخير بشكل صريح.
• المتانة: أظهر DMWM تبايناً أقل عبر تجارب المحاكاة، مما يشير إلى المتانة في ظروف الشبكة الديناميكية.
• دقة النموذج: أكدت التصورات المرئية أن تنبؤات نموذج العالم الرمزي لانتقالات حالة الطوابير تطابق بدقة ديناميكيات النظام الفعلية، مما يؤكد موثوقية وحدة "الخيال".

الأهمية والادعاءات

يدعي البحث أن إطار عمل DMWM يسد الفجوة بين الاستدلال على مستوى الشبكة والتعلم منخفض التكلفة. تكمن أهميته في:

• القابلية للتفسير: على عكس المخططات العصبية ذات "الصندوق الأسود"، فإن عملية اتخاذ القرار شفافة وتعتمد على المنطق الرمزي وفحص القيود الصريح.
• كفاءة العينات: لا يتطلب النظام بيانات تدريب واسعة أو إعادة تدريب للتكيف مع الظروف الجديدة، حيث يعتمد على المحاكاة الداخلية (الخيال) بدلاً من التعلم القائم على التجربة والخطأ.
• ضمان الجدوى: من خلال فرض القيود عبر طبقة ICN، يضمن المجدول امتثال القرارات للقيود الفيزيائية والبروتوكولية (التداخل، المواعيد النهائية) بحكم التصميم.
• القابلية للتوسع: يسمح التصميم النموذجي بالدمج المباشر في التوائم الرقمية للشبكة الحقيقية أو المحاكية، مما يمثل خطوة نحو تحسين الشبكات القابل للتوسع والتكيف للأنظمة الحرجة والمحدودة الموارد.

يضع المؤلفون هذا العمل كخطوة نحو تحسين الشبكات القائم على التوأم الرقمي للشبكة (NDT)، موضحين أن الجمع بين التخطيط الرمزي والقواعد الحدسية الاستجابية يمكن أن يؤدي إلى أداء متفوق في البيئات المعقدة والمقيدة دون عيوب النهج القائم على النماذج الخالية من النموذج (Model-free).