A Double-Sided Walrasian Auction Mechanism for Decentralized Resource Allocation in Collaborative Multi-Access Edge Computing

हमारे स्मार्टफोन और क्लाउड में स्थित विशाल डेटा केंद्रों के बीच मौजूद तकनीक की अदृश्य परत में, एक शांत क्रांति हो रही है। यह परत, जिसे 'एज कंप्यूटिंग' (edge computing) के रूप में जाना जाता है, प्रसंस्करण शक्ति (processing power) को उस स्थान के करीब लाती है जहाँ डेटा उत्पन्न होता है, जैसे कि एक कार के भीतर या एक स्मार्ट सिटी सेंसर में। इसका लक्ष्य उन कार्यों को संभालना है जो एक सेकंड के एक अंश का भी विलंब सहन नहीं कर सकते, जैसे कि किसी पैदल यात्री के लिए ब्रेक लगाने वाली एक स्वायत्त वाहन (autonomous vehicle) या मीलों दूर से रोबोटिक हाथ को नियंत्रित करने वाला एक सर्जन। हालाँकि, जैसे-जैसे इन उपकरणों की संख्या विस्फोट की तरह बढ़ रही है, एज पर मौजूद छोटे कंप्यूटरों को एक संकट का सामना करना पड़ रहा है। उनसे बहुत कम शक्ति के साथ बहुत अधिक काम करने की अपेक्षा की जा रही है, और यह तय करने के लिए उपयोग की जाने वाली वर्तमान विधियाँ कि किस उपकरण को कौन सा कंप्यूटिंग संसाधन मिलेगा, बहुत धीमी और बहुत जटिल होती जा रही हैं।

वर्षों से, शोधकर्ता कृत्रिम बुद्धिमत्ता (AI) का उपयोग करके इस संसाधन की कमी को हल करने का प्रयास कर रहे हैं। ये प्रणालियाँ 'ट्रायल एंड एरर' (trial and error) के माध्यम से सीखती हैं, और कंप्यूटिंग शक्ति को साझा करने के सर्वोत्तम तरीके को खोजने के लिए अपने निर्णयों को लगातार समायोजित करती हैं। लेकिन यह सीखने की प्रक्रिया बहुत भारी है। इसके लिए AI को प्रशिक्षित करने में बहुत अधिक समय लगता है, यह काफी ऊर्जा की खपत करता है, और अक्सर तब विफल हो जाता है जब वातावरण बहुत तेज़ी से बदलता है। एक ऐसी दुनिया में जहाँ एक पल का निर्णय सुरक्षा और आपदा के बीच का अंतर हो सकता है, कंप्यूटर के "सीखने" के सही उत्तर का इंतज़ार करना अब एक व्यवहार्य विकल्प नहीं रह गया है। चुनौती फिर यह है कि इन दुर्लभ कंप्यूटिंग संसाधनों को तुरंत, निष्पक्ष रूप से और जटिल मशीन लर्निंग के भारी बोझ के बिना कैसे आवंटित किया जाए।

शोधकर्ताओं की एक टीम ने एक अलग रास्ता प्रस्तावित किया है, जो आधुनिक कृत्रिम बुद्धिमत्ता पर निर्भर रहने के बजाय सदियों पुराने आर्थिक विचार से उधार लेता है। वे एज सर्वरों और IoT उपकरणों के नेटवर्क को एक तकनीकी समस्या के रूप में नहीं, बल्कि एक बाजार (marketplace) के रूप में देखने का सुझाव देते हैं। इस दृष्टिकोण में, कंप्यूटिंग शक्ति की आवश्यकता वाले उपकरण 'खरीदार' हैं, और शक्ति प्रदान करने वाले सर्वर 'विक्रेता' हैं। जिस तरह एक किसान बाजार (farmer's market) सेबों की उपलब्धता और लोगों की मांग के आधार पर कीमतों को समायोजित करता है, यह नई प्रणाली आपूर्ति और मांग को संतुलित करने के लिए वास्तविक समय में कंप्यूटिंग शक्ति की लागत को समायोजित करती है।

शोधकर्ताओं ने एक तंत्र विकसित किया जिसे 'डबल-साइडेड वॉलरसियन ऑक्शन' (double-sided Walrasian auction) कहा जाता है। इस प्रणाली में, एक आभासी नीलामीकर्ता (virtual auctioneer) निरंतर कंप्यूटिंग संसाधनों के लिए एक कीमत प्रसारित करता है। उपकरण, तर्कसंगत खरीदारों के रूप में कार्य करते हुए, यह निर्णय लेते हैं कि वे उस कीमत पर कितनी शक्ति खरीदना चाहते हैं, जो उनके कार्य की तात्कालिकता पर आधारित होता है। तुरंत रुकने की आवश्यकता वाली एक गाड़ी उच्च कीमत देने को तैयार होगी, जबकि एक पृष्ठभूमि अपडेट (background update) भेजने वाला उपकरण तब तक प्रतीक्षा करेगा यदि कीमत बहुत अधिक हो। साथ मिलकर, सर्वर विक्रेताओं के रूप में कार्य करते हैं, और यह निर्णय लेते हैं कि उन्हें प्राप्त होने वाली कीमत और अपने हार्डवेयर को चलाने की ऊर्जा लागत के आधार पर कितनी शक्ति पेश करनी है। यदि कीमत कम है, तो एक सर्वर कम शक्ति देकर ऊर्जा बचा सकता है; यदि कीमत अधिक है, तो वह लाभ कमाने के लिए अधिक मेहनत करेगा।

तेजी से मूल्य समायोजन की प्रक्रिया के माध्यम से, प्रणाली स्वाभाविक रूप से एक ऐसे बिंदु को खोज लेती है जहाँ शक्ति की कुल मात्रा जिसे उपकरण खरीदना चाहते हैं, ठीक उतनी ही होती है जितनी सर्वर बेचने के लिए तैयार हैं। इस स्थिति को 'मार्केट इक्विलिब्रियम' (market equilibrium) या बाजार संतुलन कहा जाता है। शोधकर्ताओं ने गणितीय रूप से सिद्ध किया कि यह दृष्टिकोण संसाधनों का सबसे कुशल संभव वितरण सुनिश्चित करता है, जिससे यह सुनिश्चित होता है कि सबसे महत्वपूर्ण कार्यों को आवश्यक शक्ति मिले जबकि कम महत्वपूर्ण कार्य प्रतीक्षा करें। कृत्रिम बुद्धिमत्ता मॉडल के विपरीत, जो अचानक परिवर्तनों के अनुकूल होने में संघर्ष करते हैं, यह आर्थिक मॉडल तुरंत प्रतिक्रिया देता है क्योंकि यह जटिल शिक्षण पैटर्न के बजाय सरल, प्रत्यक्ष गणनाओं पर निर्भर करता है।

यह जांचने के लिए कि क्या यह विचार वास्तविक दुनिया में काम करता है, टीम ने वास्तविक वाहन नेटवर्क का उपयोग करके सिमुलेशन चलाया, जिसमें हजारों उपकरण और विविध प्रकार के सर्वर शामिल थे। उन्होंने अपने नए ऑक्शन (नीलाम) पद्धति की तुलना अग्रणी कृत्रिम बुद्धिमत्ता दृष्टिकोण से की, जो 'मल्टी-एजेंट डीप रीइन्फोर्समेंट लर्निंग' नामक तकनीक का उपयोग करता है। परिणाम चौंकाने वाले थे। जब नेटवर्क बड़ा हो जाता था, तो कृत्रिम बुद्धिमत्ता मॉडल एक एकल निर्णय लेने में कई सेकंड का समय लेता था, जो एक स्वायत्त कार के लिए घातक देरी हो सकती थी। इसके विपरीत, ऑक्शन तंत्र ने दस हजार उपकरणों को संभालने के बावजूद, तीस मिलीसेकंड से भी कम समय में बाजार को स्पष्ट किया और संसाधनों को आवंटित किया। यह AI पद्धति की तुलना में एक हजार गुना अधिक गति सुधार है।

इसके अलावा, अध्ययन ने दिखाया कि यह आर्थिक दृष्टिकोण न केवल समय बचाता है, बल्कि सिस्टम के समग्र लाभ को भी अधिकतम करता है। जब नेटवर्क ओवरलोड हो जाता है, तो ऑक्शन स्वाभाविक रूप से कम तत्काल कार्यों को बाजार से बाहर कर देता है (कीमत बढ़ाकर), जिससे यह सुनिश्चित होता है कि सीमित कंप्यूटिंग शक्ति सबसे महत्वपूर्ण कार्यों को मिले। यह सर्वरों की ऊर्जा खपत को बढ़ाए बिना होता है, जो अपनी भौतिक सीमाओं के भीतर रहते हैं। शोधकर्ताओं ने पाया कि यह प्रणाली अत्यधिक तनाव के तहत भी स्थिर और कुशल बनी रहती है, एक ऐसी स्थिति जिसमें अन्य कई विधियाँ विफल हो जाती हैं।

यह कार्य सुझाव देता है कि एज नेटवर्क के प्रबंधन के भविष्य के लिए अधिक शक्तिशाली कृत्रिम बुद्धिमत्ता की आवश्यकता नहीं हो सकती है, बल्कि मौलिक आर्थिक सिद्धांतों की ओर वापसी की आवश्यकता है। वास्तविक समय में कंप्यूटिंग शक्ति का मूल्य निर्धारित करने के लिए बाजार को काम करने देकर, यह प्रणाली उस स्तर की गति और विश्वसनीयता प्राप्त करती है जिसे जटिल शिक्षण मॉडल टक्कर नहीं दे सकते। यह दृष्टिकोण अगली पीढ़ी के स्मार्ट शहरों और स्वायत्त वाहनों के लिए आवश्यक अत्यंत विश्वसनीय, कम विलंबता वाले संचार के लिए एक व्यावहारिक समाधान प्रदान करता है, जो यह सिद्ध करता है कि कभी-कभी तकनीकी समस्या को हल करने का सबसे तेज़ तरीका बाजार को निर्णय लेने देना होता है।