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

आधुनिक दुनिया में, हमारे उपकरण—स्मार्टफोन से लेकर फैक्ट्री सेंसर तक—लगातार डेटा का एक सैलाब उत्पन्न कर रहे हैं जिसे तत्काल प्रसंस्करण (processing) की आवश्यकता होती है। इस पूरी जानकारी को एक दूर स्थित क्लाउड सर्वर पर भेजना अक्सर बहुत धीमा होता है और इसमें बहुत अधिक ऊर्जा खर्च होती है, जिससे उन अनुप्रयोगों के लिए एक बाधा उत्पन्न हो जाती है जिन्हें तत्काल प्रतिक्रिया की आवश्यकता होती है, जैसे कि स्वायत्त ड्राइविंग (autonomous driving) या वास्तविक समय की औद्योगिक निगरानी। इसे हल करने के लिए, इंजीनियरों ने "मोबाइल एज कंप्यूटिंग" की ओर रुख किया है, जो एक ऐसी रणनीति है जो छोटे, शक्तिशाली कंप्यूटरों को उपकरणों के करीब, नेटवर्क के किनारे (edge) पर ही स्थापित करती है। यह निकटता डेटा के यात्रा करने के समय को कम करती है और तेज़ निर्णय लेने की अनुमति देती है। हालाँकि, ये एज सिस्टम एक अराजक वातावरण में काम करते हैं। कार्यों (tasks) की संख्या हर सेकंड बदलती रहती है, वायरलेस सिग्नल हस्तक्षेप या गति के कारण उतार-चढ़ाव वाले होते हैं, और उपलब्ध कंप्यूटिंग शक्ति बदलती रहती है क्योंकि अन्य उपकरण नेटवर्क में शामिल होते हैं या छोड़ देते हैं। इसके प्रबंधन के लिए एक निरंतर, पलक झपकते ही होने वाले संतुलन की आवश्यकता होती है: यह तय करना कि किन कार्यों को डिवाइस द्वारा स्वयं स्थानीय रूप से संभाला जाना चाहिए और किन्हें पास के सर्वर को भेजा जाना चाहिए, जबकि साथ ही यह भी तय करना कि प्रत्येक कार्य के लिए कितनी संचार बैंडविडविडक (bandwidth) और प्रसंस्करण शक्ति आवंटित की जानी चाहिए। यदि सिस्टम एक गलत निर्णय लेता है, तो कार्यों में देरी हो सकती है, या बैटरी समय से पहले खत्म हो सकती है।

चीन में नॉर्थईस्टर्न यूनिवर्सिटी के शोधकर्ताओं ने इन जटिल, परिवर्तनशील समस्याओं को हल करने के लिए एक नया तरीका विकसित करके इस समस्या का समाधान किया है। उन्होंने पहचाना कि पारंपरिक दृष्टिकोण अक्सर इन निर्णयों को एक स्थिर पहेली के रूप में देखते हैं, जो यह गणना करते हैं बिना इस बात पर ध्यान दिए कि सिस्टम कैसे विकसित होता है। वास्तव में, कार्य लहरों, या "बैच" (batches) में आते हैं, और अगली लहर के लिए स्थितियाँ इस बात से प्रभावित होती हैं कि पिछली लहर को कैसे संभाला गया था। एक क्षण से दूसरे क्षण तक अधूरे कार्य चलते रहते हैं, जो संसाधनों पर कब्जा कर लेते हैं और नए आगमन के लिए परिदृश्य को बदल देते हैं। इसे संबोधित करने के लिए, टीम ने LRC-DNSGA-II नामक एक परिष्कृत एल्गोरिदम बनाया। यह प्रणाली दो परस्पर विरोधी लक्ष्यों को एक साथ संभालने के लिए डिज़ाइन की गई है: कार्यों को पूरा करने में लगने वाले समय को कम करना और उपकरणों द्वारा खपत की जाने वाली ऊर्जा को कम करना। एक एकल "परफेक्ट" उत्तर खोजने के बजाय, एल्गोरिदम संतुलित समाधानों के एक सेट की खोज करता है, जिससे सिस्टम को वातावरण के बदलते साथ अनुकूलित होने की अनुमति मिलती है।

इस नई पद्धति की मुख्य नवीनता इस बात में निहित है कि यह इस बात को कैसे संभालती है कि एक कार्य कहाँ भेजा जाता है और उसे कितनी शक्ति मिलती है। कई मौजूदा प्रणालियों में, कार्य को कहाँ भेजा जाए (असाइनमेंट) और उसे कितने संसाधन दिए जाएं (एलोकेशन) के निर्णय को अलग-अलग माना जाता है। शोधकर्ताओं ने पाया कि ये दो विकल्प आपस में गहराई से जुड़े हुए हैं। यदि किसी कार्य को स्थानीय डिवाइस से दूरस्थ सर्वर पर स्थानांतरित किया जाता है, तो संसाधनों को साझा करने के नियम पूरी तरह से बदल जाते; इसके लिए आवश्यक बैंडविड्थ और कंप्यूटिंग शक्ति अब एक जैसी नहीं रहती। नया एल्गोरिदम इस संबंध का सम्मान करता है। जब यह किसी कार्य के स्थान को बदलने पर विचार करता है, तो यह तुरंत संबंधित संसाधन सेटिंग्स को नए वातावरण के अनुरूप रीसेट कर देता है, न कि पुरानी सेटिंग्स को नई स्थिति पर थोपने की कोशिश करता है। यह सुनिश्चित करता है कि सिस्टम असंभव या अक्षम संयोजनों को खोजने में समय बर्बाद न करे।

इसके अलावा, शोधकर्ताओं ने कार्यों के एक बैच से दूसरे बैच में जाने की चुनौती को भी संबोधित किया। एक गतिशील प्रणाली में, अगले क्षण आने वाले कार्य पिछले वाले से पूरी तरह से अलग हो सकते हैं, जिससे पिछले समाधानों को सीधे कॉपी करना कठिन हो जाता है। टीम ने एक ऐसा तंत्र पेश किया जो नए कार्यों की विशिष्ट विशेषताओं—जैसे कि उनका आकार और जटिलता—को देखता है और उन्हें सबसे प्रासंगिक ऐतिहासिक निर्णयों के साथ मिलाता है। यह सिस्टम को पिछले उपयोगी रणनीतियों को याद रखने की अनुमति देता है बिना उन्हें बिना सोचे-समझे असंबंधित नई समस्याओं पर लागू किए। इस स्मार्ट मेमोरी को लोकेशन-अवेयर एडजस्टमेंट्स के साथ जोड़कर, एल्गोरिदम सिस्टम की स्थिति बदलने पर (जैसे कि वायरलेस सिग्नल की ताकत में अचानक गिरावट या डेटा का बड़ा बैच आने पर) तेजी से अनुकूलित हो सकता है।

अपने दृष्टिकोण का परीक्षण करने के लिए, शोधकर्ताओं ने छह विशिष्ट समय स्लॉट की अवधि में पचास उपकरणों और पांच नजदीकी सर्वरों वाले मोबाइल एज कंप्यूटिंग वातावरण का अनुकरण (simulate) किया। उन्होंने वास्तविक बदलावों को पेश किया, जिसमें नेटवर्क स्थितियों में क्रमिक परिवर्तन और सिमुलेशन के बीच में कार्यभार और उपलब्ध संसाधनों में अचानक, महत्वपूर्ण बदलाव शामिल थे। उन्होंने अपने नए तरीके की तुलना समान समस्याओं के लिए उपयोग किए जाने वाले चार अन्य स्थापित एल्गोरिदम के साथ की। परिणामों ने दिखाया कि उनका दृष्टिकोण लगातार बेहतर परिणाम देता है। समाधानों की गुणवत्ता के मामले में, नए तरीके ने गति और ऊर्जा के बीच संभावित ट्रेड-ऑफ की सीमा को कवर करने में काफी उच्च स्कोर प्राप्त किया। इसने ऐसे समाधान भी खोजे जो अन्य तरीकों की तुलना में सैद्धांतिक रूप से सर्वोत्तम संभव प्रदर्शन के बहुत करीब थे।

अध्ययन ने यह भी जांचा कि परिस्थितियों में बड़े बदलाव के बाद सिस्टम कितनी जल्दी रिकवर (recover) कर सकता है। जब वातावरण में अचानक बदलाव आया, तो सभी एल्गोरिदम ने प्रदर्शन में अस्थायी गिरावट का अनुभव किया, लेकिन नया तरीका बहुत तेज़ी से रिकवर हुआ, और अपने प्रतिस्पर्धियों की तुलना में कम चरणों में अपने निर्णयों को स्थिर कर लिया। यह तीव्र अनुकूलन वास्तविक दुनिया के अनुप्रयोगों के लिए महत्वपूर्ण है जहाँ देरी के तत्काल परिणाम हो सकते हैं। शोधकर्ताओं ने विभिन्न संख्या में आने वाले कार्यों के साथ भी सिस्टम का परीक्षण किया, जिसमें छोटे बैचों से लेकर डेटा का बड़ा उछाल शामिल था। हर परिदृश्य में, नए तरीके ने अपना लाभ बनाए रखा, जो यह सुझाव देता है कि जैसे-जैसे नेटवर्क की जटिलता बढ़ती है, यह अच्छी तरह से स्केल (scale) कर सकता है।

एल्गोरिदम के घटकों के विस्तृत विश्लेषण से पता चला कि यह इतना अच्छा क्यों काम करता है। शोधकर्ताओं ने पाया कि स्थान संबंधी निर्णयों को संसाधन सेटिंग्स के साथ जोड़ने वाला हिस्सा उच्च-गुणवत्ता वाले अंतिम परिणामों का प्राथमिक चालक था। इस घटक ने यह सुनिश्चित किया कि खोजे गए समाधान मजबूत और कुशल हों। वह हिस्सा जो पिछले निर्णयों को याद रखने और पुन: उपयोग करने के लिए जिम्मेदार था, उसने एक अधिक विशिष्ट भूमिका निभाई: इसने सिस्टम को नए कार्यों का बैच आने पर शुरुआत में बढ़त दिलाने में मदद की, जिससे प्रारंभिक अनुकूलन चरण तेज हो गया। इस मेमोरी के बिना, सिस्टम बदलाव के बाद अच्छे समाधान खोजने में अधिक समय लेता, लेकिन लोकेशन-रिसोर्स लिंक के बिना, अंतिम समाधान काफी खराब होते।

निष्कर्ष बताते हैं कि मोबाइल एज कंप्यूटिंग को गतिशील, वास्तविक दुनिया की सेटिंग्स में वास्तव में प्रभावी होने के लिए, अनुकूलन रणनीतियों को कार्य असाइनमेंट और संसाधन आवंटन को अलग-अलग चरणों के बजाय एक एकल, जुड़े हुए (coupled) समस्या के रूप में मानना चाहिए। यह स्वीकार करके कि किसी कार्य के स्थान को बदलना मौलिक रूप से उन संसाधनों को बदल देता जिनकी उसे आवश्यकता है, और पिछले अनुभव को प्रासंगिक रूप से आगे बढ़ाकर, सिस्टम उच्च प्रदर्शन बनाए रख सकता है। शोधकर्ता निष्कर्ष निकालते हैं कि यह दृष्टिकोण जुड़े हुए उपकरणों की बढ़ती जटिलता को प्रबंधित करने के लिए एक आशाजनक मार्ग प्रदान करता है, यह सुनिश्चित करते हुए कि भविष्य के एज कंप्यूटिंग नेटवर्क आधुनिक अनुप्रयोगों की अप्रत्याशित मांगों को गति और दक्षता के साथ संभाल सकें।