Sintesi Tecnica: Metaeuristica Ibrida Basata sulla Decomposizione Strutturata per l'Ottimizzazione Multi-Obiettivo delle Risorse in Reti Edge per l'Assistenza Sanitaria

1. Definizione del Problema

Le reti edge ad alta densità (HDEN) focalizzate sull'assistenza sanitaria affrontano sfide uniche, distinte dagli ambienti tradizionali di Mobile Edge Computing (MEC). I carichi di lavoro clinici sono intrinsecamente non stazionari, caratterizzati da improvvisi picchi durante emergenze, epidemie o ore di punta operativa. Inoltre, i dispositivi indossabili e i nodi edge operano sotto rigidi budget energetici, mentre molte applicazioni cliniche impongono vincoli di latenza severi; superare tali limiti può rendere i dati fisiologici diagnosticamente irrilevanti.

Le strategie di allocazione delle risorse esistenti spesso non riescono ad affrontare simultaneamente tali complessità. Gli approcci a obiettivo singolo ottimizzano tipicamente o la gestione della potenza, o la migrazione del carico di lavoro, o il benessere del sistema in isolamento. Inoltre, gli algoritmi metaeuristici standard (ad esempio, Particle Swarm Optimization o Genetic Algorithms indipendenti) soffrono spesso di convergenza prematura in reti ultra-dense e altamente dinamiche e faticano a bilanciare l'esplorazione globale con una convergenza accurata in spazi misti di grandi dimensioni. I metodi basati sul Deep Reinforcement Learning (DRL), pur essendo adattivi, introducono carichi di addestramento significativi e costi computazionali che possono essere proibitivi per il decision-making medico in tempo reale su dispositivi edge con risorse limitate.

Il problema centrale affrontato è l'ottimizzazione congiunta del consumo energetico e del benessere del sistema (una metrica composita di prestazioni di ritardo, efficienza energetica e priorità del paziente) in un'architettura sanitaria a tre livelli (dispositivi IoT, server edge e data center cloud) sotto interferenza NOMA (Non-Orthogonal Multiple Access) e rigorosi vincoli di Qualità del Servizio (QoS).

2. Metodologia: Framework HOA-PWM

Gli autori propongono HOA-PWM (Hybrid Optimization Algorithm for Power allocation and Welfare Maximization), una metaeuristica ibrida basata sulla decomposizione strutturata. Il framework affronta la natura mixed-integer del problema separando le variabili continue di allocazione della potenza dalle decisioni discrete di offloading dei task in tre fasi di ottimizzazione sequenziali:

Fase I: Esplorazione Continua Globale (Simulated Annealing)

• Obiettivo: Esplorare il dominio continuo della potenza di trasmissione ed evitare minimi locali causati dal panorama energetico non convesso dell'interferenza basata su NOMA.
• Meccanismo: L'algoritmo Simulated Annealing (SA) utilizza un criterio di accettazione probabilistico controllato da un programma di raffreddamento. Questa fase privilegia l'esplorazione globale per identificare regioni promettenti nello spazio delle soluzioni, fornendo una configurazione di potenza globalmente competitiva come punto di partenza per il successivo raffinamento.

Fase II: Raffinamento Continuo (Inertia-Weighted PSO)

• Obiettivo: Per raffinare l'allocazione dell'energia di trasmissione identificata nella Fase I.
• Meccanismo: Viene impiegato un algoritmo di Inertia-Weighted Particle Swarm Optimization (IWPSO). Incorporando l'apprendimento cognitivo e sociale con un peso d'inerzia decrescente, l'IWPSO accelera la convergenza verso l'ottimo mantenendo la stabilità. Questa fase riduce la varianza della soluzione e migliora l'accuratezza nel sottospazio continuo senza reintrodurre una stagnazione prematura.

Fase III: Ottimizzazione dell'Offloading Discreto (Binary PSO)

• Obiettivo: Determinare le decisioni di offloading binario (esecuzione locale vs server edge vs cloud) una volta che la potenza di trasmissione è stata stabilizzata.
• Meccanismo: Il Binary PSO (BPSO) opera su un vettore binario dove ogni particella rappresenta una decisione di offloading del task. Decoupling l'ottimizzazione discreta dal tuning continuo, l'algoritmo evita l'interferenza cross-dimensionale che spesso degrada la convergenza nei modelli ibridi unificati. La funzione di fitness qui valuta il consumo energetico rispetto ai vincoli di potenza raffinati e ai livelli di priorità del paziente.

Modello di Sistema e Vincoli

Il problema di ottimizzazione è formulato per minimizzare una somma pesata del consumo energetico totale e del benessere del sistema negativo:
$$\min_{p,x} \alpha E_{total}(p) - \beta W(p, x)$$
Soggetto a vincoli che includono:

• Limiti di Potenza: $0 \le p_{un} \le p_{max}$.
• Budget Energetico: L'energia totale di trasmissione per dispositivo non deve superare $E_{budget}$.
• Vincoli QoS: Il rapporto segnale-interferenza più rumore (SINR) deve soddisfare le soglie minime e il ritardo end-to-end deve rimanere entro i limiti clinicamente accettabili ($T_{target} = 0.5s$, $T_{max} = 0.65s$).
• Prioritizzazione del Paziente: I task sono pesati in base all'Emergency Severity Index (ESI), garantendo che i dati fisiologici critici ricevano la priorità durante i sovraccarichi.

3. Contributi Chiave

1. Decomposizione Strutturata: Il documento introduce un nuovo framework sequenziale a tre fasi che separa esplicitamente l'ottimizzazione della potenza continua dallo scheduling dei task discreti. Questa separazione strutturale migliora la stabilità della convergenza e la scalabilità in ambienti sanitari densi rispetto ai metodi di ricerca uniformi.
2. Formulazione Multi-Obiettivo Consapevole dell'Assistenza Sanitaria: A differenza delle soluzioni MEC generiche, HOA-PWM integra vincoli clinici specifici, inclusi la prioritizzazione del paziente basata su ESI e i rigorosi vincoli di latenza derivati dai requisiti di monitoraggio cardiaco, direttamente nella funzione obiettivo.
3. Design Metaeuristico Ibrido: La combinazione di SA (per l'esplorazione globale), IWPSO (per il raffinamento continuo) e BPSO (per il decision-making discreto) affronta i limiti degli algoritmi a singolo step negli spazi mixed-integer non convessi.
4. Efficienza Computazionale: Il framework è progettato per evitare gli elevati carichi di addestramento e i requisiti di dati associati al DRL, offrendo un'alternativa computazionalmente trattabile per l'implementazione edge in tempo reale.

4. Risultati Sperimentali

Il framework è stato valutato utilizzando MATLAB R2023a su una workstation, simulando un'architettura a tre livelli con densità di utenti che vanno da 32 a 500 e scenari di picco fino a 5.000 task.

• Guadagni di Prestazione: Rispetto agli algoritmi di base (SA, standard PSO, GA-PSO e DRL), HOA-PWM ha dimostrato:
  • Fino al 15% di riduzione nel consumo energetico.
  • Fino al 12% di miglioramento nel benessere del sistema.
  • Minori tassi di scarto dei task (3,1% rispetto al 12,4% di SA in condizioni di picco).
• Scalabilità: L'algoritmo mostra una scalabilità del tempo di esecuzione quasi lineare rispetto al numero di utenti, mantenendo la stabilità anche quando la densità di utenti aumenta a 500 e i carichi di task aumentano drasticamente.
• Robustezza: Il sistema ha mantenuto la conformità QoS (ritardo < 0,65s) e alti livelli di benessere (>85%) anche in condizioni di picco su scala pandemica.
• Significatività Statistica: I risultati sono stati validati su 100 prove Monte Carlo indipendenti, con differenze di prestazione confermate come statisticamente significative ($p < 0,05$).
• Confronto con DRL: Sebbene il DRL abbia raggiunto livelli di benessere comparabili, l'HOA-PWM ha ottenuto una qualità del servizio simile con un overhead computazionale ed energetico sostanzialmente inferiore, rendendolo più adatto agli scenari edge con risorse limitate.

5. Significato e Limitazioni

Gli autori affermano che l'HOA-PWM fornisce un framework di ottimizzazione multi-obiettivo coerente e specificamente adattato alla natura ad alta densità, dinamica e critica per la sicurezza delle reti edge per l'assistenza sanitaria. Bilanciando l'efficienza energetica con la prioritizzazione clinica, il metodo colma una lacuna critica nella letteratura esistente, dove le soluzioni MEC generiche spesso non riescono a soddisfare i requisiti di affidabilità e consapevolezza delle priorità richiesti dalle implementazioni mediche.

Affermazioni Modeste e Limitazioni:
Il documento riconosce esplicitamente i propri limiti:

• Basato su Simulazioni: La validazione è attualmente limitata alla simulazione. Fattori di implementazione nel mondo reale come la mobilità degli utenti, le variazioni dinamiche del canale e i vincoli specifici dell'hardware critico per la sicurezza non sono stati considerati.
• Assunzioni Statiche: Il modello assume condizioni wireless statiche e modelli di task indipendenti, che potrebbero non catturare appieno la natura stocastica degli scenari reali di emergenza.
• Lavoro Futuro: Gli autori dichiarano che gli sforzi futuri si concentreranno sulla validazione sperimentale tramite testbed reali, l'incorporazione di modelli consapevoli della mobilità e l'estensione verso l'ottimizzazione distribuita e adattiva nelle reti di prossima generazione.

In sintesi, il documento presenta un approccio basato sulla decomposizione strutturata e validato tramite simulazione per ottimizzare le risorse edge nell'assistenza sanitaria, sottolineando come la sua decomposizione offra un'alternativa pratica e a basso overhead rispetto ai complessi metodi basati sull'apprendimento, superando al contempo le metaeuristiche tradizionali in termini di efficienza energetica e benessere del sistema.