Résumé Technique : Métaheuristique Hybride à Décomposition Structurée pour l'Optimisation Multi-Objectifs des Ressources dans les Réseaux Edge de Santé

1. Énoncé du Problème

Les réseaux edge à haute densité (HDEN) axés sur la santé font face à des défis uniques, distincts des environnements classiques de l'informatique en périphie de réseau (MEC). Les charges de travail cliniques sont intrinsèquement non stationnaires, caractérisées par des augmentations soudaines lors d'urgences, d'épidémies ou d'heures de pointe opérationnelles. De plus, les dispositifs portables (wearables) et les nœuds edge opèrent sous des budgets énergétiques stricts, tandis que de nombreuses applications cliniques imposent des contraintes de latence rigides ; dépasser ces limites peut rendre les données physiologiques sans pertinence diagnostique.

Les stratégies d'allocation de ressources existantes échouent souvent à traiter simultanément ces complexités. Les approches à objectif unique optimisent généralement soit la gestion de la puissance, soit la migration de la charge de travail, ou le bien-être du système de manière isolée. En outre, les algorithmes métaheuristiques standards (par exemple, l'optimisation par essaim de particules ou les algorithmes génétiques autonomes) souffrent souvent d'une convergence prématurée dans les réseaux ultra-denses et hautement dynamiques, et peinent à équilibrer l'exploration globale avec une convergence précise dans les espaces mixtes de grande échelle. Les méthodes d'apprentissage par renforcement profond (DRL), bien qu'adaptatives, introduisent des surcoûts d'entraînement et des coûts de calcul importants qui peuvent être prohibitifs pour la prise de décision médicale en temps réel sur des dispositifs edge aux ressources limitées.

Le problème central traité est l'optimisation conjointe de la consommation d'énergie et du bien-être du système (une métrique composite de la performance de délai, de l'efficacité énergétique et de la priorité du patient) dans une architecture de santé à trois niveaux (dispositifs IoT, serveurs edge et centres de données cloud) sous interférence NOMA (Accès Multiples Non Orthogonaux) et des contraintes de Qualité de Service (QoS) strictes.

2. Méthodologie : Cadre HOA-PWM

Les auteurs proposent l'HOA-PWM (Hybrid Optimization Algorithm for Power allocation and Welfare Maximization), une métaheuristique hybride à décomposition structurée. Le cadre aborde la nature mixte-entière du problème en séparant les variables continues d'allocation de puissance des décisions discrètes de déchargement de tâches en trois phases d'optimisation séquentielles :

Phase I : Exploration Continue Globale (Recuit Simulé)

• Objectif : Explorer le domaine de puissance de transmission continu et échapper aux minima locaux causés par le paysage énergétique non convexe de l'interférence basée sur la NOMA.
• Mécanisme : Le recuit simulé (SA) utilise un critère d'acceptation probabiliste contrôlé par un programme de refroidissement. Cette phase privilégie l'exploration globale pour identifier des régions prometteuses dans l'espace des solutions, fournissant une configuration de puissance globalement compétitive comme point de départ pour le raffinement ultérieur.

Phase II : Raffinement Continu (PSO à Inertie Pondérée)

• Objectif : Affiner l'allocation de l'énergie de transmission identifiée lors de la Phase I.
• Mécanisme : Un algorithme d'optimisation par essaim de particules à inertie pondérée (IWPSO) est employé. En intégrant l'apprentissage cognitif et social avec un poids d'inertie décroissant, l'IWPSO accélère la convergence vers l'optimum tout en maintenant la stabilité. Cette phase réduit la variance des solutions et améliore la précision dans le sous-espace continu sans réintroduire de stagnation prématurée.

Phase III : Optimisation du Déchargement Discret (BPSO)

• Objectif : Déterminer les décisions de déchargement binaires (exécution locale vs serveur edge vs cloud) une fois la puissance de transmission stabilisée.
• Mécanisme : Le PSO binaire (BPSO) opère sur un vecteur binaire où chaque particule représente une décision de déchargage de tâche. En découplant l'optimisation discrète du réglage continu, l'algorithme évite l'interférence dimensionnelle croisée qui dégrade souvent la convergence dans les modèles hybrides unifiés. La fonction d'aptitude évalue ici la consommation d'énergie par rapport aux contraintes de puissance raffinées et aux niveaux de priorité des patients.

Modèle de Système et Contraintes

Le problème d'optimisation est formulé pour minimiser une somme pondérée de la consommation d'énergie totale et du bien-être négatif du système :
$$\min_{p,x} \alpha E_{total}(p) - \beta W(p, x)$$
Sous réserve de contraintes incluant :

• Limites de Puissance : $0 \le p_{un} \le p_{max}$.
• Budget Énergétique : L'énergie de transmission totale par dispositif ne doit pas dépasser $E_{budget}$.
• Contraintes de QoS : Le rapport signal sur interférence plus bruit (SINR) doit respecter des seuils minimaux, et le délai de bout en bout doit rester dans des limites cliniquement acceptables ($T_{target} = 0,5s$, $T_{max} = 0,65s$).
• Priorisation des Patients : Les tâches sont pondérées selon l'indice de gravité de l'urgence (ESI), garantissant que les données physiologiques critiques reçoivent la priorité lors des surcharges.

3. Contributions Clés

1. Décomposition Structurée : L'article introduit un nouveau cadre séquentiel à trois phases qui sépare explicitement l'optimisation de la puissance continue du partitionnement des tâches discrètes. Cette séparation structurelle améliore la stabilité de la convergence et l'évolutivité dans les environnements de santé denses par rapport aux méthodes de recherche uniformes.
2. Formulation Multi-Objectifs Sensible à la Santé : Contraên l'autres solutions MEC génériques, l'HOA-PWM intègre des contraintes cliniques spécifiques, incluant la priorisation des patients basée sur l'ESI et des seuils de latence stricts dérivés des exigences de surveillance cardiaque, directement dans la fonction objectif.
3. Conception de Métaheuristique Hybride : La combinaison du SA (pour l'exploration globale), de l'IWPSO (pour le raffinement continu) et du BPSO (pour la prise de décision discrète) répond aux limites des algorithmes à étape unique dans les espaces mixtes-entiers non convexes.
4. Efficacité de Calcul : Le cadre est conçu pour éviter les lourds processus d'entraînement et les besoins en données associés au DRL, offrant une alternative de calcul traitable pour le déploiement en temps réel sur des dispositifs edge à ressources limitées.

4. Résultats Expérimentaux

Le cadre a été évalué à l'aide de MATLAB R2023a sur une station de travail, simulant une architecture à trois niveaux avec des densités d'utilisateurs allant de 32 à 500 et des scénarios de surcharge allant jusqu'à 5 000 tâches.

• Gains de Performance : Comparé aux algorithmes de référence (SA, PSO standard, GA-PSO et DRL), l'HOA-PWM a démontré :
  • Jusqu'à 15 % de réduction de la consommation d'énergie.
  • Jusqu'à 12 % d'amélioration du bien-être du système.
  • Des taux de perte de tâches plus faibles (3,1 % contre 12,4 % pour le SA en conditions de surcharge).
• Évolutivité : L'algorithme présente une mise à l'échelle du temps d'exécution quasi linéaire par rapport au nombre d'utilisateurs, maintenant sa stabilité même lorsque la densité d'utilisateurs atteint 500 et que les charges de tâches augmentent brusquement.
• Robustesse : Le système a maintenu la conformité de la QoS (délai < 0,65s) et des niveaux de bien-être élevés (> 85 %) même sous des conditions de surcharge de type pandémie.
• Signification Statistique : Les résultats ont été validés sur 100 essais Monte Carlo indépendants, les différences de performance étant confirmées comme statistiquement significatives ($p < 0,05$).
• Comparaison avec le DRL : Bien que le DRL atteigne des niveaux de bien-être comparables, l'HOA-PWM atteint une qualité de service similaire avec des surcoûts de calcul et d'énergie nettement inférieurs, ce qui le rend plus adapté aux scénarios edge à ressources limitées.

5. Signification et Limites

Les auteurs affirment que l'HOA-PWM fournit un cadre d'optimisation multi-objectif cohérent, spécifiquement adapté à la nature haute densité, dynamique et critique pour la sécurité des réseaux edge de santé. En équilibrant l'efficacité énergétique avec la priorité clinique, la méthode comble une lacune critique dans la littérature existante où les solutions MEC génériques échouent souvent à répondre aux exigences de fiabilité et de sensibilisation aux priorités des déploiements médicaux.

Revendications Modestes et Limites :
L'article reconnaît explicitement ses limites :

• Basé sur la Simulation : La validation est actuellement limitée à la simulation. Des facteurs de déploiement en monde réel tels que la mobilité des utilisateurs, les variations dynamiques de canal et les contraintes matérielles spécifiques à la sécurité critique n'ont pas été pris en compte.
• Hypothèses Statiques : Le modèle suppose des conditions sans fil statiques et des modèles de tâches indépendantes, ce qui peut ne pas capturer pleinement la nature stochastique des scénarios d'urgence réels.
• Travaux Futurs : Les auteurs déclarent que les efforts futurs se concentreront sur la validation expérimentale à l'aide de bancs d'essai réels, l'incorporation de modèles sensibles à la mobilité et des extensions vers une optimisation distribuée et adaptative dans les réseaux de nouvelle génération.

En résumé, l'article présente une approche théoriquement fondée et validée par simulation pour optimiser les ressources edge de santé, en soulignant que sa décomposition structurée offre une alternative pratique et à faible surcharge aux méthodes complexes basées sur l'apprentissage, tout en surpassant les heuristiques traditionnelles en termes d'efficacité énergétique et de bien-être du système.