Pressure Guided Hierarchical Offloading and Heterogeneous Resource Selection for UAV-assisted Vehicular Edge Computing Networks: An Perspective of Future Task Prediction
تقترح هذه الورقة البحثية إطار "التفريغ الهرمي الموجه بالضغط" (PGHO)، وهو إطار اتخاذ قرار ثنائي المستويات للحوسبة الحافية للمركبات المدعومة بالطائرات بدون طيار، والذي يدمج تنبؤات ضغط المهام المستقبلية مع ظروف الموارد الحالية لتقليل متوسط التأخير بشكل كبير وتحسين معدلات نجاح المهام مقارنة بنماذج التعلم المعزز متعدد الوكلاء الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم النقل الحديث الصاخب، لم تعد السيارات مجرد آلات تنقل الناس من مكان إلى آخر؛ بل أصبحت تتحول إلى حواسيب تسير على عجلات. ومع اكتساب المركبات القدرة على التعرف على الأشياء، وفهم البيئات المعقدة، واتخاذ قرارات سلامة في أجزاء من الثانية، فإنها تولد كمية هائلة من البيانات التي تحتاج إلى معالجة فورية. ومع ذلك، فإن الحواسيب داخل هذه السيارات لها حدود؛ فهي لا تستطيع التعامل مع كل الحسابات الثقيلة دون أن تتباطأ أو تستهلك البطارية. ولحل هذه المشكلة، طور المهندسون نظامًا يسمى "حوسبة الحافة للمركبات". فبدلاً من محاولة القيام بكل شيء داخل السيارة، تقوم المركبة بإرسال مهامها الثقيلة إلى مساعدين قريبين. يمكن أن يكون هؤلاء المساعدون سيارات أخرى، أو محطات ثابتة على جانب الطريق، أو حتى طائرات بدون طيار (درونز). والهدف هو إيجاد أفضل مساعد لكل مهمة بحيث تحصل السيارة على إجابتها بسرعة وأمان.
يكمن التحدي في فوضى الطريق؛ فالحركة المرورية تتغير، والطقس يتبدل، واحتياجات السائقين تتقلب بشكل جامح. فالمساعد الذي يبدو مثاليًا في هذه اللحظة قد يغرق فجأة بفيض من المهام العاجلة بعد لحظة واحدة فقط. إذا أرسلت السيارة مهمة إلى مساعد أوشك أن يصبح مشغولاً للغاية، فستتعطل المهمة، وتنتظر السيارة، وقد تتعرض السلامة للخطر. لقد حاول الباحثون لفترة طويلة التنبؤ بهذه التغييرات، لكن معظم الأنظمة تكتفي بالنظر إلى ما يحدث الآن؛ فهي تقرر أين ترسل المهمة بناءً على طول الطابور الحالي أو قوة الإشارة، متجاهلة حقيقة أن دفعة من المهام الجديدة والعاجلة قد تصل في الثواني القليلة القادمة. هذه الفجوة بين اللحظة الراهنة والمستقبل القريب هي المكان الذي تبدأ منه التأخيرات والإخفاقات غالبًا.
اقترح فريق من الباحثين نهجًا جديدًا لهذه المشكلة، مصممًا خصيصًا للشبكات التي تضم طائرات بدون طيار للمساعدة في دعم المركبات الأرضية. وقد أطلقوا على طريقتهم اسم "التفريغ الهرمي الموجه بالضغط" (Pressure Guided Hierarchical Offloading). وبدلاً من اتخاذ قرار واحد معقد دفعة واحدة، يقوم نظامهم بتقسيم المشكلة إلى خطوتين واضضحتين. أولاً، ينظر النظام إلى الأمام؛ حيث يجمع معلومات حول نوع المهام التي يُحتمل وصولها، ومدى استعجالها، وحجم العمل الذي ستتطلبه في المستقبل القريب جدًا. ويقوم بدمج كل هذه التنبؤات في مقياس واحد لـ "ضغط المهام المستقبلي". وهذا يسمح للنظام برؤية ليس فقط الحمل الحالي، بل أيضًا ثقل ما هو قادم في المسار.
بمجرد فهم هذا الضغط المستقبلي، يتخذ النظام قرارًا رفيع المستوى: أي مساعد يجب أن يتولى المهمة؟ قد تكون السيارة نفسها، أو مركبة قريبة، أو محطة جانب الطريق، أو طائرة بدون طس. وقد وجد الباحثون أنه من خلال مراعاة الضغط المتوقع قبل اتخاذ هذا القرار، يمكن للنظام تجنب اختيار مساعد يبدو متاحًا الآن ولكنه سيغرق في العمل خلال ثوانٍ. وبعد اختيار المساعد، ينتقل النظام إلى الخطوة الثانية؛ حيث يقوم بضبط موقع الطائرة بدون طيار ويقرر بالضبط مقدار المهمة التي سيتم إرسالها مقابل المقدار الذي سيحتفظ به محليًا. ولأن المساعد قد تم اختياره بالفعل، يمكن للنظام التركيز تمامًا على تحسين الاتصال بذلك المساعد المحدد، بدلاً من محاولة التوفيق بين جميع الخيارات الممكنة في وقت واحد.
اختبر الباحثون هذه الطريقة في بيئة محاكاة تحاكي ثلاث ظروف قيادة مختلفة تمامًا: حركة المرور العادية، والازدحام الشديد، والحالات التي تكون فيها المهام ذات مواعيد نهائية ضيقة للغاية. في الظروف العادية، قللت الطريقة الجديدة متوسط الوقت اللازم لإكمال المهمة إلى حوالي 0.398 ثانية، مع إتمام ما يقرب من 99.7 بالمائة من جميع المهام بنجاح. وعندما أصبح المرور كثيفًا وزادت المنافسة على قدرة الحوسبة، حافظ النظام على معدل نجاح عالٍ، حيث أتم 99.5 بالمائة من المهام بمتوسط تأخير قدره 0.483 ثانية فقط. وفي السيناريو الأكثر صعوبة، حيث كان يجب إنهاء المهام فورًا تقريبًا، حقق النظام معدل نجاح بلغ 99.85 بالمائة بمتوسط تأخير قدره 0.409 ثانية.
كشفت الدراسة أيضًا عن سبب نجاح هذا النهج المكون من خطوتين؛ فعندما أزال الباحثون القدرة على التنبؤ بالمهام المستقبلية، زاد متوسط التأخير بشكل كبير، مما أظهر أن النظر إلى الأمام أمر بالغ الأهمية للتوقيت. وعندما أزالوا الهيكل المكون من خطوتين وحاولوا اتخاذ جميع القرارات دفعة واحدة، زادت التأخيرات بشكل أكبر، مما أثبت أن فصل اختيار المساعد عن ضبط الاتصال يجعل النظام أكثر كفاءة. ولعل الأهم من ذلك، أن النظام تضمن فحصًا للسلامة منع اختيار المساعدين الذين كانوا بعيدين جدًا أو ذوي اتصالات ضعيفة. كان هذا المرشح البسيط حيويًا عندما كانت المواعيد النهائية ضيقة، مما منع النظام من إضاعة الوقت في خيارات مستحيلة.
لم يدّعِ الباحثون أن هذا النظام مثالي أو أنه يعمل في كل حالات العالم الحقيقي دون اختبار. نتائجهم تأتي من عمليات محاكاة حاسوبية تستخدم نماذج محددة لكيفية تواصل الطائرات بدون طيار والسيارات. وقد أشاروا إلى أن النظام يستهلك طاقة أكثر من النهج البسيط "الجشع" الذي يختار فقط الأقرب؛ ولكن هذه الطاقة الإضافية هي الثمن المدفوع مقابل الموثوقية والسرعة الأعلى بكثير. تشير الدراسة إلى أنه من خلال الجمع بين النظرة في المستقبل القريب وبين طريقة منظمة لاتخاذ القرارات، يمكننا بناء شبكات مركبات ليست أسرع فحسب، بل أكثر موثوقية أيضًا عندما تزداد الزحمة وتشتد الضغوط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.