Resumo Técnico: Decomposição Estruturada Baseada em Metaheurística Híbrida para Otimização de Recursos Multi-Objetivo em Redes de Borda de Saúde

1. Definição do Problema

Redes de borda de alta densidade (HDEN) focadas em saúde enfrentam desafios únicos que se distinguem dos ambientes tradicionais de Computação de Borda Móvel (MEC). As cargas de trabalho clínicas são inerentemente não estacionárias, caracterizadas por surtos repentinos durante emergências, epidemias ou horas de pico operacional. Além disso, dispositivos vestíveis (wearables) e nós de borda operam sob orçamentos de energia rigorosos, enquanto muitas aplicações clínicas impõem restrições de latência rígidas; exceder esses limites pode tornar os dados fisiológicos diagnosticamente irrelevantes.

As estratégias de alocação de recursos existentes frequentemente falham em abordar essas complexidades simultaneamente. Abordagens de objetivo único tipicamente otimizam ou o gerenciamento de energia, ou a migração de carga de trabalho, ou o bem-estar do sistema de forma isolada. Além disso, algoritos metaheurísticos padrão (por exemplo, Particle Swarm Optimization ou Algoritmos Genéticos isolados) frequentemente sofrem de convergência prematura em redes ultra-densas e altamente dinâmicas, e lutam para equilibrar a exploração global com uma convergência precisa em espaços de números inteiros mistos de grande escala. Métodos de Aprendizado por Reforço Profundo (DRL), embora adaptativos, introduzem sobrecargas de treinamento e custos computacionais significativos que podem ser proibitivos para a tomada de decisão médica em tempo real em dispositivos de borda com recursos limitados.

O problema central abordado é a otimização conjunta do consumo de energia e do bem-estar do sistema (uma métrica composta de desempenho de atraso, eficiência energética e prioridade do paciente) em uma arquitetura de saúde de três camadas (dispositivos IoT, servidores de borda e centros de dados na nuvem) sob interferência de Acesso Múltiplo Não Ortogonal (NOMA) e restrições rigorosas de Qualidade de Serviço (QoS).

A metodologia HOA-PWM (Algoritmo de Otimização Híbrida para Alocação de Potência e Maximização de Bem-estar) propõe uma metaheurística híbrida baseada em decomposição estruturada. O framework aborda a natureza de números inteiros mistos do problema separando as variáveis contínuas de alocação de potência das decisões discretas de descarregamento de tarefas (offloading) em três fases de otimização sequenciais:

Fase I: Exploração Contínua Global (Simulated Annealing)

• Objetivo: Explorar o domínio contínuo da potência de transmissão e escapar de mínimos locais causados pelo cenário de energia não convexo da interferência baseada em NOMA.
• Mecanismo: O Simulated Annealing (SA) utiliza um critério de aceitação probabilístico controlado por um cronograma de resfriamento. Esta fase prioriza a exploração global para identificar regiões promissoras no espaço de soluções, fornecendo uma configuração de potência globalmente competitiva como ponto de partida para o refinamento subsequente.

Fase II: Refinamento Contínuo (Inertia-Weighted PSO)

• Objetivo: Refinar a alocação de energia de transmissão identificada na Fase I.
• Mecanismo: Um algoritmo Inertia-Weighted Particle Swarm Optimization (IWPSO) é empregado. Ao incorporar aprendizado cognitivo e social com um peso de inércia decrescente, o IWPSO acelera a convergência para o ótimo enquanto mantém a estabilidade. Esta fase reduz a variância da solução e melhora a precisão no subespaço contínuo sem reintroduzir a estagnação prematura.

Fase III: Otimização de Descarregamento Discreto (Binary PSO)

• Objetivo: Determinar as decisões binárias de descarregamento (execução local vs. servidor de borda vs. nuvem) uma vez que a potência de transmissão esteja estabilizada.
• Mecanismo: O Binary PSO (BPSO) opera em um vetor binário onde cada partícula representa uma decisão de descarregamento de tarefa. Ao desacoplar a otimização discreta do ajuste contínuo, o algoritmo evita a interferência multidimensional que frequentemente degrada a convergência em modelos híbridos unificados. A função de aptidão (fitness) aqui avalia o consumo de energia contra as restrições de potência refinadas e os níveis de prioridade do paciente.

Modelo de Sistema e Restrições

O problema de otimização é formulado para minimizar uma soma ponderada do consumo total de energia e do negativo do bem-estar do sistema:
$$\min_{p,x} \alpha E_{total}(p) - \beta W(p, x)$$
Sujeito a restrições incluindo:

• Limites de Potência: $0 \le p_{un} \le p_{max}$.
• Orçamento de Energia: A energia total de transmissão por dispositivo não deve exceder $E_{budget}$.
• Restrições de QoS: A Razão Sinal-Interferência mais Ruído (SINR) deve atender aos limiares mínimos, e o atraso de ponta a ponta deve permanecer dentro dos limites clinicamente aceitáveis ($T_{target} = 0,5s$, $T_{max} = 0,65s$).
• Priorização de Pacientes: As tarefas são ponderadas com base no Índice de Gravidade de Emergência (ESI), garantindo que dados fisiológicos críticos recebam prioridade durante sobrecargas.

3. Principais Contribuições

1. Decomposição Estruturada: O artigo introduz um novo framework sequencial de três fases que separa explicitamente a otimização de potência contínua do agendamento de tarefas discretas. Essa separação estrutural aumenta a estabilidade de convergência e a escalabilidade em ambientes de saúde densos em comparação com métodos de busca uniformes.
2. Formulação Multi-objetivo Consciente da Saúde: Diferente das soluções genéricas de MEC, o HOA-PWM integra restrições clínicas específicas, incluindo a priorização de pacientes baseada em ESI e limiares de latência rigorosos derivados de requisitos de monitoramento cardíaco, diretamente na função objetivo.
3. Design de Metaheurística Híbrida: A combinação de SA (para exploração global), IWPSO (para refinamento contínuo) e BPSO (para tomada de decisão discreta) aborda as limitações de algoritmos de etapa única em espaços de números inteiros mistos e não convexos.
4. Eficiência Computacional: O framework é projetado para evitar as altas sobrecargas de treinamento e requisitos de dados associados ao DRL, oferecendo uma alternativa computacionalmente tratável para implantação em borda em tempo real.

4. Resultados Experimentais

O framework foi avaliado usando MATLAB R2023a em uma estação de trabalho, simulando uma arquitetura de três camadas com densidades de usuários variando de 32 a 500 e cenários de surto de até 5.000 tarefas.

• Ganhos de Desempenho: Comparado aos algoritmos de base (SA, PSO padrão, GA-PSO e DRL), o HOA-PWM demonstrou:
  • Até 15% de redução no consumo de energia.
  • Até 12% de melhoria no bem-estar do sistema.
  • Menores taxas de queda de tarefas (3,1% vs. 12,4% para o SA sob condições de surto).
• Escalabilidade: O algoritmo exibe um escalonamento de tempo de execução quase linear em relação ao número de usuários, mantendo a estabilidade mesmo quando a densidade de usuários aumenta para 500 e as cargas de tarefas sofrem surtos.
• Robustez: O sistema manteve a conformidade de QoS (atraso < 0,65s) e altos níveis de bem-estar (>85%) mesmo sob condições de surto de escala pandêmica.
• Significância Estatística: Os resultados foram validados através de 100 ensaios Monte Carlo independentes, com as diferenças de desempenho confirmadas como estatisticamente significativas ($p < 0,05$).
• Comparação com DRL: Embora o DRL tenha alcançado níveis de bem-estar comparáveis, o HOA-PWM alcançou qualidade de serviço semelhante com sobrecargas computacionais e de energia substancialmente menores, tornando-o mais adequado para cenários de borda com recursos limitados.

5. Significância e Limitações

Os autores afirmam que o HOA-PWM fornece um framework de otimização multi-objetivo coerente, especificamente adaptado para a natureza de alta densidade, dinâmica e de segurança crítica das redes de borda de saúde. Ao equilibrar a eficiência energética com a priorização clínica, o método aborda uma lacuna crítica na literatura existente, onde soluções genéricas de MEC frequentemente falham em atender aos requisitos de confiabilidade e consciência de prioridade exigidos por implantações médicas.

Alegações Modestas e Limitações:
O artigo reconhece explicitamente suas limitações:

• Baseado em Simulação: A validação está atualmente restrita a simulações. Fatores de implantação no mundo real, como mobilidade de usuário, variações dinâmicas de canal e restrições específicas de hardware de segurança crítica, não foram considerados.
• Premissas Estáticas: O modelo assume condições sem fio estáticas e modelos de tarefas independentes, o que pode não capturar totalmente a natureza estocástica de cenários de emergência reais.
• Trabalhos Futuros: Os autores afirmam que esforços futuros focarão na validação experimental usando bases de teste do mundo real, a incorporação de modelos conscientes de mobilidade e extensões para otimização distribuída e adaptativa em redes de próxima geração.

Em resumo, o artigo apresenta uma abordagem teoricamente fundamentada e validada por simulação para otimizar os recursos de borda de saúde, enfatizando que sua decomposição estruturada oferece uma alternativa prática e de baixa sobrecarga aos métodos complexos baseados em aprendizado, superando heurísticas tradicionais em eficiência energética e bem-estar do sistema.