شبكة ديب كيو الذكية توفر الطاقة في الحوسبة الحافية

مع توسع بنى البنية التحتية السحابية الحافية وتطبيقات إنترنت الأشياء (IoT) الحساسة للتأخير، يزداد التحدي في إدارة المهام بكفاءة. قدم باحثون شبكة deep Q-network (DQN) متكيفة وذكية مخصصة لتوزيع المهام بتوفير الطاقة في بيئات الحوسبة الحافية المتنقلة (MEC). هذا النهج يعالج التوتر الأساسي بين متطلبات الحوسبة وقيود الطاقة في الأجهزة المحدودة الموارد.

تقرب الحوسبة الحافية المتنقلة قوة المعالجة من مصادر البيانات، مما يقلل التأخير لأجهزة إنترنت الأشياء مثل الحساسات في شبكات الطاقة أو المدن الذكية. الحوسبة السحابية التقليدية تتطلب نقل بيانات عبر مسافات طويلة، مما يستهلك طاقة ووقتاً كبيرين. خوادم MEC، غالباً في محطات القاعدة أو نقاط الوصول، تسمح بنقل المهام محلياً، مما يطيل عمر البطارية ويدعم مليارات عقد إنترنت الأشياء.

لكن تحسين قرارات التوزيعمثل نسبة المهمة المرسلة إلى الخادم الحافي، قوة الإرسال، وتخصيص عرض النطاقمعقد. يجب موازنة قيود التأخير مع الحد الأدنى من استهلاك الطاقة، خاصة في سيناريوهات متعددة المستخدمين مثل شبكات إنترنت الأشياء للطاقة.

يخصص هذا النهج تقنية تعلم التعزيز deep Q-network لتعلم استراتيجيات التوزيع الأمثل ديناميكياً. بخلاف الخوارزميات الثابتة، تتكيف DQN المتكيفة مع ظروف الشبكة المتغيرة، أحمال المستخدمين، ومتطلبات المهام. تصيغ المشكلة كتقليل إجمالي طاقة النظامبما في ذلك الحوسبة المحلية، الإرسال، ومعالجة الحافةمع الالتزام بالمواعيد النهائية.

الابتكارات الرئيسية تشمل:

• التحسين المشترك: يدمج نسبة التوزيع، قوة الإرسال، وتخصيص عرض النطاق باستخدام تحسين متناوب وتقريب مقعر متتالي (SCA) للمشكلات غير المقعرة.
• الذكاء عبر RL: يستكشف وكيل DQN إجراءات مثل التوزيع الجزئي، يتعلم من المكافآت بناءً على توفير الطاقة والامتثال للتأخير.
• التخصيص لـMEC: حالات مخصصة تلتقط عوامل خاصة بإنترنت الأشياء، مثل حالات طاقة الأجهزة وسعات خوادم الحافة.

تظهر المحاكاة أداءً متفوقاً. في نظام ستة مستخدمين، يحقق النهج استهلاك طاقة حوالي 0.1 جول، مقتصراً الاستخدام بنسبة تزيد عن 60% مقارنة بالطرق التقليدية. يتفوق على المعايير في كفاءة الطاقة عبر أحمال متنوعة.

يبني هذا العمل على تقدم سابق في تحسين طاقة MEC. على سبيل المثال، دراسات حول MEC المساعدة بـUAV تدمج تصميم المسار وتوسيع التردد الديناميكي (DVFS) لتقليل الطاقة الميكانيكية والحوسبية. شبكات MEC القائمة على NOMA تقلل الطاقة الإجمالية بنقل مشترك، متفوقة على الوصول المتعدد المستقيم (OMA) خاصة مع سعة سحابية عالية.

في شبكات إنترنت الأشياء للطاقة، تمكن MEC تحسين متعدد المستخدمين، محافظاً على طاقة منخفضة مع زيادة عدد المستخدمين. يمد DQN المتكيف هذه بالتكيف الذكي، حاسماً للتباين الواقعي مثل تقلبات عرض النطاق أو وصول المهام.

بتقليل احتياجات الطاقة، يدعم هذا التكنولوجيا نشرات إنترنت الأشياء مستدامة، مما يقلل الاعتماد على استبدال البطاريات المتكرر أو الطاقة الشبكية للأجهزة الحافية. في قطاعات الشبكات الذكية المقيدة الطاقة، يمكن مراقبة قابلة للتوسع دون استهلاك مفرط. مع تطور شبكات 5G وما بعدها، سيكون توزيع المهام الذكي حاسماً لتطبيقات منخفضة التأخير في الصناعة، الأنظمة الذاتية، والمدن الذكية.

تبقى تحديات مثل التنفيذ الزمني الحقيقي على أجهزة الحافة وقابلية التوسع لسرب إنترنت الأشياء الضخم. قد تدمج الأبحاث المستقبلية هذا مع تقنيات ناشئة مثل التعلم الفيدرالي للخصوصية. بشكل عام، تمثل DQN المتكيف خطوة نحو بنى حافية أخضر وأذكى.