Dynamic Multi-Objective Optimization for Batch-wise Task Assignment and Resource Allocation in Mobile Edge Computing

في العالم الحديث، تُنتج أجهزتنا — من الهواتف الذكية إلى مستشعرات المصانع — تدفقاً مستمراً من البيانات التي تحتاج إلى معالجة فورية. إن إرسال كل هذه المعلومات إلى خادم سحابي بعيد غالباً ما يكون بطيئاً للغاية ويستهلك الكثير من الطاقة، مما يخلق عائقاً أمام التطبيقات التي تتطلب استجابات فورية، مثل القيادة الذاتية أو المراقبة الصناعية في الوقت الفعلي. ولحل هذه المشكلة، اتجه المهندسون إلى "حوسبة الحافة المتنقلة" (mobile edge computing)، وهي استراتيجية تضع حواسيب صغيرة وقوية بالقرب من الأجهزة، مباشرة عند حافة الشبكة. هذا القرب يقلل من الوقت الذي تستغرقه البيانات للسفر ويسمح باتخاذ قرارات أسرع. ومع ذلك، تعمل أنظمة الحافة هذه في بيئة فوضوية؛ إذ يتغير عدد المهام الواصلة في كل ثانية، وتتقلب الإشارات اللاسلكية بسبب التداخل أو الحركة، وتتغير قدرة الحوسبة المتاحة مع انضمام أجهزة أخرى إلى الشبكة أو مغادرتها. تتطلب إدارة هذا الأمر عملية توازن مستمرة وسريعة جداً: تقرير أي المهام يجب أن يتم التعامل معها محلياً بواسطة الجهاز نفسه وأيها يجب إرسالها إلى خادم قريب، مع تحديد مقدار عرض النطاق الترددي للاتصالات وقدرة المعالجة لكل مهمة في الوقت ذاته. وإذا اتخذ النظام قراراً سيئاً، فستتأخر المهام أو تُستنزف البطاريات قبل أوانها.

لقد عالج الباحثون في جامعة نورث إيسترن في الصين هذه المشكلة المعقدة والمتغيرة من خلال تطوير طريقة جديدة لتحسين هذه القرارات في الوقت الفعلي. فقد أدركوا أن الأساليب التقليدية غالباً ما تعامل هذه القرارات كأحجية ثابتة، حيث تحل لمجرد لحظة زمنية واحدة دون مراعاة كيفية تطور النظام. وفي الواقع، تصل المهام في موجات، أو "دفعات"، وتتأثر ظروف الموجة التالية بشدة بكيفية التعامل مع الموجة السابقة. فالمهام غير المكتملة من لحظة ما تنتقل إلى اللحظة التالية، وتستحوذ على الموارد وتغير المشهد للمهام الجديدة الواصلة. ولمعالجة ذلك، ابتكر الفريق خوارزمية متطورة تسمى LRC-DNSGA-II. صُمم هذا النظام للتعامل مع هدفين متضاربين في آن واحد: تقليل الوقت المستغرق لإكمال المهام وتقليل الطاقة التي تستهلكها الأجهزة. وبدلاً من محاولة إيجاد إجابة واحدة "مثالية"، تبحث الخوارزمية عن مجموعة من الحلول المتوازنة، مما يسمح للنظام بالتكيف مع تغير البيئة.

يكمن الابتكار الجوهري لهذه الطريقة الجديدة في كيفية التعامل مع العلاقة بين مكان إرسال المهمة وكمية الطاقة التي تحصل عليها. في العديد من الأنظمة القائمة، يتم التعامل مع قرار إرسال المهمة (التعيين) وقرار تخصيص الموارد (التخصيص) كأمرين منفصلين نوعاً ما. لكن الباحثين وجدوا أن هذين الخيارين مترابطان بعمق؛ فإذا نُقلت مهمة من جهاز محلي إلى خادم بعيد، فإن قواعد كيفية مشاركتها للموارد تتغير تماماً؛ حيث لن يعود عرض النطاق الترددي وقدرة الحوسبة اللذان تحتاجهما هي نفسها. وتحترم الخوارزمية الجديدة هذا الاتصال؛ فعندما تفكر في تغيير موقع مهمة ما، فإنها تقوم فوراً بإعادة ضبط إعدادات الموارد المرتبطة بها لتتلاءم مع البيئة الجديدة، بدلاً من محاولة فرض الإعدادات القديمة على وضع جديد. وهذا يضمن أن النظام لن يضيع وقته أبداً في استكشاف تركيبات مستحيلة أو غير فعالة.

علاوة على ذلك، عالج الباحثون تحدي الانتقال من دفعة مهام إلى أخرى. ففي نظام ديناميكي، قد تكون المهام التي تصل في اللحظة التالية مختلفة تماماً عن تلك التي تمت معالجتها للتو، مما يجعل من الصعب ببساطة نسخ الحلول السابقة. لذا، قدم الفريق آلية تنظر في الخصائص المحددة للمهام الجديدة — مثل حجمها وتعقيدها — وتطابقها مع أكثر القرارات التاريخية صلة بها. وهذا يسمح للنظام بـ "تذكر" الاستراتيجيات المفيدة من الماضي دون تطبيقها بشكل أعمى على مشكلات جديدة غير ذات صلة. ومن خلال الجمع بين هذه الذاكرة الذكية وتعديلات الموقع، يمكن للخوارزمية التكيف بسرعة عندما تتغير ظروف النظام، مثل حدوث انخفاض مفاجئ في قوة الإشارة اللاسلكية أو وصول دفعة كبيرة من البيانات الجديدة.

لاختبار نهجهم، قام الباحثون بمحاكاة بيئة حوسبة حافة متنقلة تضم خمسين جهازاً وخمسة خوادم قريبة على مدار ست فترات زمنية متميزة. وقد أدخلوا متغيرات واقعية، بما في ذلك التغيرات التدريجية في ظروف الشبكة وتحولاً مفاجئاً وكبيراً في حجم العمل والموارد المتاحة في منتصف المحاكاة. وقارنوا طريقتهم الجديدة بأربع خوارزميات راسخة أخرى تُستخدم لمشكلات مماثلة. وأظهرت النتائج أن نهجهم حقق باستمرار نتائج أفضل؛ فمن حيث جودة الحلول التي تم العثور عليها، حققت الطريقة الجديدة درجة أعلى بكثير في تغطية نطاق المقايضات الممكنة بين السرعة والطاقة. كما وجدت حلولاً أقرب بكثير إلى الأداء الأمثل النظري مقارنة بالطرق الأخرى.

كما بحثت الدراسة في مدى سرعة استعادة النظام لأدائه بعد حدوث تغيير كبير في الظروف. فعندما تغيرت البيئة بشكل مفاجئ، شهدت جميع الخوارزميات انخفاضاً مؤقتاً في الأداء، لكن الطريقة الجديدة تعافت بشكل أسرع، واستقرت قراراتها في خطوات أقل من منافسيها. هذا التكيف السريع أمر بالغ الأهمية للتطبيقات في العالم الحقيقي حيث يمكن أن تؤدي التأخيرات إلى عواقب فورية. كما اختبر الباحثون النظام مع أعداد مختلفة من المهام الواردة، بدءاً من الدفعات الصغيرة وصولاً إلى طفرات كبيرة من البيانات. وفي كل سيناريو، حافظت الطريقة الجديدة على تفوقها، مما يشير إلى أنها تتوسع بشكل جيد مع زيادة تعقيد الشبكة.

كشف تحليل مفصل لمكونات الخوارزمية عن سبب نجاحها الكبير. فقد وجد الباحثون أن الجزء المسؤول عن ربط قرارات الموقع بإعدادات الموارد كان المحرك الأساسي للنتائج النهائية عالية الجودة؛ حيث ضمن هذا المكون أن تكون الحلول التي يتم العثور عليها قوية وفعالة. أما الجزء المسؤول عن تذكر وإعادة استخدام القرارات السابقة فقد لعب دوراً أكثر تحديداً: فقد ساعد النظام على الحصول على بداية قوية عند وصول دفعة مهام جديدة، مما سرع مرحة التكيف الأولية. وبدون هذه الذاكرة، كان النظام يستغرق وقتاً أطول لإيجاد حلول جيدة بعد حدوث تغيير، ولكن بدون الرابط بين الموقع والمورد، كانت الحلول النهائية أسوأ بكثير.

تشير النتائج إلى أنه لكي تكون حوسبة الحافة المتنقلة فعالة حقاً في البيئات الديناميكية في العالم الحقيقي، يجب أن تعامل استراتيجيات التحسين تعيين المهام وتخصيص الموارد كمسألة واحدة مترابطة بدلاً من خطوات منفصلة. ومن خلال الإقرار بأن تغيير مكان ذهاب المهمة يغير جوهرياً الموارد التي تحتاجها، ومن خلال استخدام المطابقة الذكية لنقل الخبرة ذات الصلة، يمكن للنظام الحفاظ على أداء عالٍ حتى مع تقلب الظروف. ويخلص الباحثون إلى أن هذا النهج يقدم مساراً واعداً لإدارة التعقيد المتزايد للأجهزة المتصلة، مما يضمن أن شبكات حوسبة الحافة في المستقبل يمكنها التعامل مع المتطلبات غير المتوقعة للتطبيقات الحديثة بكل سرعة وكفاءة.