Resumo Técnico: Rede de Gêmeo Digital Inspirada em Modelo de Mundo de Mente Dupla para Escalonamento de Acesso

Definição do Problema

Sistemas em rede emergentes, incluindo IoT industrial e infraestruturas cibernético-físicas de tempo real, enfrentam desafios críticos no escalonamento de acesso ao canal sob tráfego dinâmico, prazos rigorosos de Qualidade de Serviço (QoS) e restrições de interferência. Algoritmos de escalonamento tradicionais apresentam uma dicotomia:

• Métodos baseados em regras (ex: Escalonamento Max-Weight, Longest-Queue-First) frequentemente carecem de adaptabilidade a restrições de tempo real ou exigem suposições restritivas (ex: tráfego baseado em quadros, chegadas conhecidas a priori).
• Métodos baseados em dados (ex: Aprendizado por Reforço) oferecem adaptabilidade, mas frequentemente sofrem com a falta de interpretabilidade, alta complexidade de amostragem e incapacidade de garantir a viabilidade sob restrições específicas do domínio, como interferência ou prazos de pacotes.

O desafio central é desenvolver uma estratégia de escalonamento que equilibre adaptabilidade a tráfegos heterogêneos e explosivos (bursty) com interpretabilidade e conformidade de restrições (prazos, evasão de interferência) sem exigir retreinamento extensivo ou tomada de decisão de "caixa-preta".

Metodologia

Os autores propõem um framework de Modelo de Mundo de Mente Dupla (DMWM - Dual Mind World Model), implementado dentro de um Gêmeo Digital de Rede (NDT - Network Digital Twin) configurável. Esta arquitetura mimetiza o processo de decisão de mente dupla encontrado na ciência cognitiva, integrando dois módulos distintos:

1. Mente Rápida (Heurística Reativa):

   • Opera como um mecanismo de contingência leve.
   • Utiliza heurísticas simples (ex: selecionar nós com as filas mais longas) quando as restrições são simples, ou quando o módulo deliberativo falha em encontrar um plano viável dentro dos limites de tempo.
   • Garante responsividade de baixa latência.

2. Mente Lenta (Planejador Simbólico):

   • Opera dentro do Gêmeo Digital de Rede para realizar projeções simbólicas de avanço (forward rollouts).
   • Gera um conjunto de cronogramas candidatos viáveis baseados em uma camada de Navegação de Restrições Informada (ICN - Informed Constraint Navigation), que filtra ações contra gráficos de interferência, disponibilidade de fila e prazos de pacotes.
   • Simula um horizonte finito ($H$) de estados de fila futuros para cada cronograma candidato para prever recompensas de longo prazo (vazão e mitigação de congestionamento).
   • Seleciona o cronograma que maximiza a recompensa cumulativa prevista.

O Ciclo de Decisão:
O escalonador alterna dinamicamente entre esses modos. Se a Mente Lenta identifica um conjunto viável de cronogramas ($F(t) \neq \emptyset$), ela seleciona o ideal com base na projeção simbólica. Se nenhum plano viável for encontrado ou se a computação for muito custosa, o sistema retorna à heurística da Mente Rápida. Esta abordagem híbrida evita a natureza de "caixa-preta" do RL puro, mantendo a visão de longo prazo do planejamento baseado em modelo.

Principais Contribuições

O artigo delineia cinco contribuições primárias:

1. Modelo Cognitivo Híbrido: Um framework de escalonamento que integra um planejador simbólico com um fallback reativo, equilibrando adaptabilidade com execução de baixa latência.
2. Transição de Estado Simbólico: Uma função eficiente que permite ao agente simular estados de fila futuros e obter visão de longo prazo sem depender de modelagem de dinâmica neural.
3. Filtragem de Restrições Baseada em Lógica: Um mecanismo (ICN) que impõe prazos por nó, evasão de interferência e consciência de fila antes da fase de planejamento, garantindo a viabilidade.
4. Gêmeo Digital Baseado em Simulação: Um ambiente construído que modela tráfego explosivo, nós heterogêneos e restrições de escalonamento para benchmarking abrangente.
5. Benchmarking Empírico: Uma avaliação comparativa contra heurísticas clássicas (LQF, Round Robin) e baselines de aprendizado (Q-Learning) através de quatro cenários distintos.

Resultados Experimentais

O framework foi avaliado em uma simulação de rede sem fio com divisão de tempo (time-slotted) ($N=5$ nós, $K=3$ transmissões simultâneas) sob quatro cenários: Padrão, Tráfego Explosivo (Bursty), Sensível a Prazos e Restrito por Interferência.

• Vazão (Throughput): O DMWM alcançou consistentemente a vazão média mais alta ou próxima da máxima em todos os cenários, superando LQF e agentes de RL, particularmente sob cargas explosivas e sensíveis a prazos.
• Gestão de Filas: O framework manteceu tamanhos de fila médios menores em comparação com políticas reativas, indicando superior mitigação de congestionamento.
• Prazo e Latência: Em cenários sensíveis a prazos, o DMWM reduziu significativamente o atraso médio e o número de violações de prazos em comparação tanto com heurísticas quanto com o agente de RL. Isso se deve ao fato de o mecanismo de projeção (rollout) avaliar explicitamente os impactos de atraso.
• Robustez: O DMWM demonstrou menor variância entre as tentativas de simulação, sugerindo robustez em condições dinâmicas de rede.
• Precisão do Modelo: Visualizações confirmaram que as previsões do modelo de mundo simbólico sobre as transições de estado de fila correspondem de perto às dinâmicas reais do sistema, validando a confiabilidade do módulo de "imaginação".

Significância e Alegações

O artigo alega que o framework DMWM preenche a lacuna entre o raciocínio em nível de rede e o aprendizado de baixo overhead. Sua significância reside em:

• Interpretabilidade: Ao contrário de planejadores neurais de caixa-preta, o processo de decisão é transparente e baseado em lógica simbólica e verificação explícita de restrições.
• Eficiência de Amostragem: O sistema não requer dados de treinamento extensos ou retreinamento para se adaptar a novas condições, pois depende de simulação interna (imaginação) em vez de aprendizado por tentativa e erro.
• Garantia de Viabilidade: Ao impor restrições via camada ICN, o escalonador garante que as decisões cumpram as limitações físicas e de protocolo (interferência, prazos) por design.
• Escalabilidade: O design modular permite a integração direta em Gêmeos Digitais de Rede reais ou emulados, oferecendo um passo em direção à otimização de rede adaptável e escalável para sistemas críticos e com recursos limitados.

Os autores posicionam este trabalho como um passo em direção à otimização de rede baseada em Gêmeo Digital de Rede (NDT), demonstrando que combinar planejamento simbólico com heurísticas reativas pode gerar um desempenho superior em ambientes complexos e restritos sem os problemas das abordagens puramente model-free.