← أحدث الأبحاث
🤖 machine learning

DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling

تقترح الورقة البحثية DSTFView، وهو إطار عمل متعدد الرؤى ثنائي المدخلات مكاني-زماني-ترددي، يوازن بفعالية بين نمذجة الميزات وكفاءة التنبؤ للتنبؤ بأعباء عمل السحابة والحافة التعاونية من خلال التقاط الاعتمادات المكانية والزمنية والترددية بشكل مشترك مع دمج الرؤى تكيفيًّا للتعامل مع التغيرات المفاجئة.

المؤلفون الأصليون: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

نُشر 2026-07-28
📖 2 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الإنترنت كمدينة ضخمة وصاخبة. في الأيام الخوالي، كانت كل المهام الشاقة — مثل معالجة صورك أو تشغيل الألعاب المعقدة — تتم في ناطحة سحاب ضخمة وبعيدة تسمى "السحابة". ولكن مع بدئنا في مطالبة أجهزتنا بالقيام بالمزيد من الأشياء فوراً، مثل السيارات ذاتية القيادة أو الواقع المعزز، أصبحت تلك الرحلة الطويلة إلى ناطحة السحاب بطيئة للغاية. لذا، قمنا ببناء محطات "طرفية" (Edge) أصغر ومحلية في الأحياء للتعامل مع الأمور السريعة. هذا هو عالم التعاون بين السحابة والحافة (Cloud-Edge Collaboration): وهو جهد جماعي حيث يعمل العقل الكبير (السحابة) والمساعدون المحليون (الحافة) معاً.

ومع ذلك، فإن هذه المحطات الطرفية فوضوية. إنها تشبه مقاهي مزدحمة يتغير فيها عدد الزبائن بشكل هائل من دقيقة إلى أخرى. أحياناً يكون يوماً هادئاً كأيام الثلاثاء، وأحياناً أخرى يحدث تدفق مفاجئ للطلبات. إذا لم يتوقع صاحب المتجر (نظام الكمبيوتر) هذا الازدحام بشكل صحيح، فإنه إما سينفد لديه القهوة (انهيار النظام) أو يهدر المال في إبقاء الكثير من الموظفين في وضع الاستعداد (هدر الطاقة). التحدي الكبير أمام العلماء هو معرفة كيفية التنبؤ بهذه الازدحامات الجنونية بدقة، خاصة عندما تكون الأنماط مختلفة لكل متجر وتتغير بمرور الوقت.

هنا يأتي دور DSTFView، وهي "كرة بلورية" جديدة صممها الباحثون لحل لغز التنبؤ هذا. فكر فيها كأنها خبير أرصاد جوية فائق الذكاء لحركة المرور الحاسوبية. فبدلاً من مجرد النظر إلى الدقائق القليلة الماضية، ينظر هذا النظام إلى ثلاث "عدسات" مختلفة في وقت واحد: الماضي القريب (القرب)، والعادات اليومية المتكررة (الدورية)، والإيقاعات الخفية في البيانات (التردد). كما أنه يعمل كشارع ذي اتجاهين بين المحطات المحلية وناطحة السحاب المركزية؛ حيث ترسل المحطات المحلية ملخصاً سريعاً لما يحدث إلى السحابة، والتي تقوم بدورها بفهم الصورة الكبيرة وترسل النصائح عائدة إلى الأسفل. ثم تقوم المحطات المحلية بخلط تلك النصيحة المستمدة من الصورة الكبيرة مع ملاحظاتها التفصيلية الخاصة لتقديم تخمين نهائي عالي الدقة حول ما سيحدث لاحقاً.

اختبر الباحثون هذه الفكرة على مجموعتي بيانات من العالم الحقيقي: إحداهما تتبع مدى قوة عمل المعالجات الحاسوبية (CPU) والأخرى تقيس سرعة حركة مرور الشبكة (TP). وقارنوا طريقتهم الجديدة بالعديد من أدوات التنبؤ الشهيرة الأخرى. أظهرت النتائج أن DSTFView كان أفضل باستمرار في تخمين عبء العمل المستقبلي مقارنة بالطرق الأخرى. لم يكتفِ النظام فقط بإصابة المتوسط الصحيح، بل كان بارعاً بشكل خاص في رصد الارتفاعات والانخفاضات المفاجئة في حركة المرور، وهي الأجزاء الأصعب في التنبؤ. ومن خلال الجمع بين الرؤية المحلية والرؤية العالمية، واستخدام هذه العدسات الثلاث لفهم الوقت والأنماط، يقترح DSTFView طريقة أكثر موثوقية للحفاظ على عمل مدننا الرقمية بسلاسة دون إهدار الموارد أو الانهيار تحت الضغط.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →