DOI: https://doi.org/10.1038/s41598-026-36711-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41580483
تاريخ النشر: 2026-01-24
المؤلف: Lina Li وآخرون
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
تقدم الورقة نهجًا جديدًا لمعالجة تحديات نقل الخدمة في الحوسبة الطرفية المتنقلة (MEC)، مع التركيز على تحسين كل من زمن الخدمة واستهلاك الطاقة وسط تنقل المستخدمين وتنافس الموارد. يقوم المؤلفون بنمذجة مشكلة نقل الخدمة كمشكلة تحسين ثنائية الأهداف مقيدة، والتي يتم صياغتها كتحدي برمجة غير خطية مختلطة. لمواجهة هذه المشكلة الصعبة، يقترحون نموذج NPER-D3QN، وهو إطار يعتمد على التعلم العميق المعزز (DRL) الذي يعزز تقدير قيمة Q من خلال بنية متنافسة ويشمل آليات مثل إعادة تشغيل التجارب ذات الأولوية والشبكات الضوضائية. يمكّن هذا النموذج استراتيجيات نقل تكيفية تستجيب بفعالية لظروف الشبكة في الوقت الحقيقي.
تظهر تجارب المحاكاة أن نموذج NPER-D3QN يتفوق على ستة طرق أساسية، محققًا تحسينات متوسطة بنسبة 31.53% في زمن الخدمة، و59.39% في تكلفة النظام، و16.48% في معدلات رفض النقل. كما يظهر الأسلوب المقترح قابلية ممتازة للتوسع وعبء حسابي منخفض في السيناريوهات واسعة النطاق. ومع ذلك، يعترف المؤلفون بالقيود، مثل الاعتماد على بيئات محاكاة لا تلتقط بالكامل ديناميات الشبكة العملية وعوامل استهلاك الطاقة. يهدف العمل المستقبلي إلى التحقق من صحة النهج باستخدام بيانات تنقل حقيقية، وتوسيع إطار النمذجة ليأخذ في الاعتبار المراقبة الجزئية، واستكشاف تطبيقات لامركزية لتعزيز الخصوصية ونمذجة الطاقة على مستوى النظام.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الطلب المتزايد على توليد البيانات والمعالجة في الوقت الحقيقي المدفوعة بنمو الإنترنت المحمول وإنترنت الأشياء (IoT). أدى هذا الطلب إلى تطوير الحوسبة الطرفية المتنقلة (MEC)، حيث تقدم خوادم الحافة في محطات القاعدة خدمات حوسبة قائمة على القرب لتعزيز تجربة المستخدم. ومع ذلك، تنشأ تحديات بسبب التغطية المحدودة والموارد الحاسوبية لهذه المحطات، مما يستلزم نقل الخدمة عندما يتحرك المستخدمون خارج مناطق التغطية أو عندما يحدث تنافس على الموارد. يمكن أن تؤدي هذه التنقلات، بينما تهدف إلى تقليل زمن الخدمة، إلى زيادة استهلاك الطاقة وتكاليف التشغيل لمزودي الخدمة، بالإضافة إلى تأخيرات إضافية في النقل.
تشير الورقة إلى أن الأبحاث الحالية تعالج بشكل أساسي نقل الخدمة في MEC كمشكلة تحسين متعددة الأهداف، تركز بشكل رئيسي على تقليل تأخير الخدمة. تم استخدام منهجيات متنوعة، بما في ذلك الشبكات العصبية الرسومية ذات الطبقتين، وتحسين ليابونوف، والتعلم العميق المعزز، لتحسين استراتيجيات النقل. ومع ذلك، غالبًا ما تتجاهل هذه الأساليب استهلاك الطاقة المرتبط بالنقل، وهو أمر حاسم للاستخدام المستدام للموارد. بالإضافة إلى ذلك، بينما تتضمن بعض الدراسات توقعات تنقل المستخدمين وتستخدم تقنيات مثل نظرية الألعاب والتعلم المعزز، فإنها غالبًا ما تفشل في أخذ عدم اليقين في الموارد والظروف الديناميكية في الاعتبار، مما يحد من قابليتها للتكيف في السيناريوهات الواقعية. وهذا يبرز الحاجة إلى حلول شاملة توازن بين زمن الخدمة وكفاءة الطاقة في سياق MEC.
طرق
في هذا القسم، يصف المؤلفون إعداد التجربة لأبحاثهم حول الحوسبة الطرفية المتنقلة ضمن بيئة شبكة 6×6. تحتوي كل خلية في الشبكة على محطة قاعدة (BS) تتواصل مع المستخدمين، بينما يتم نشر من 6 إلى 36 خادم حوسبة طرفية متنقلة (MEC) عشوائيًا عبر هذه المحطات. كل خادم مزود بسعة CPU تبلغ 7 مليارات تعليمات في الثانية ويمكنه استضافة ما يصل إلى 10 آلات افتراضية، كل منها بسعة 0.5 جيجابايت من الذاكرة. يتم نمذجة ديناميات المستخدمين مع عدد متغير يتراوح من 20 إلى 120 مستخدمًا، الذين يتحركون عشوائيًا داخل الشبكة ويقومون بتحميل مهام بحجم يتراوح بين 2-5 ميغابايت، وفقًا لتوزيع بواسون لوصول المهام مع معامل $\lambda$ في النطاق [1، 2]. يتم توزيع المتطلبات الحاسوبية للمهام بشكل موحد بين 50 إلى 100 مليون تعليمات.
كما يوضح المؤلفون الطرق الأساسية المستخدمة للمقارنة، والتي تشمل تعديلات مختلفة من خوارزمية الشبكة العصبية العميقة (DQN) تهدف إلى تحسين نقل الخدمة بناءً على معايير مختلفة مثل زمن الانتظار واستهلاك الطاقة. تشمل هذه الطرق DQN وD3QN وPER-D3QN وغيرها التي تدمج ميزات إضافية مثل الذاكرة طويلة الأمد من خلال LSTM أو تركز على تقليل المسافة بين المستخدمين وخوادم الحافة. من المتوقع أن تقيم النتائج التجريبية والتحليل أداء هذه الطرق مقارنة بالنهج المقترح، على الرغم من عدم تقديم نتائج محددة في هذا القسم.
نقاش
في هذا القسم، يناقش المؤلفون التحديات والتقدم في نقل الخدمة التكيفي ضمن بيئات الحوسبة الطرفية المتنقلة (MEC)، مع التركيز بشكل خاص على تقليل كل من زمن الخدمة واستهلاك الطاقة. يبرزون أن طرق التحسين الحالية غالبًا ما تفشل في معالجة هذين الهدفين معًا مع الأخذ في الاعتبار الطبيعة الديناميكية لتنقل المستخدمين وتنافس الموارد. يقترح المؤلفون نهجًا جديدًا باستخدام التعلم العميق المعزز (DRL) لتطوير نموذج نقل تكيفي، يسمى NPER-D3QN، والذي يتضمن التعلم المزدوج Q وبنى الشبكة المتنافسة لتعزيز الدقة والكفاءة. تم تصميم هذا النموذج للعمل ضمن قيود الموارد الحاسوبية والاتصالات، مع معالجة تعقيدات ديناميات المستخدمين وتوافر الموارد.
يتم نمذجة الأسلوب المقترح كمشكلة تحسين ثنائية الأهداف مقيدة، تهدف إلى تقليل زمن الانتظار وتكاليف الطاقة مع ضمان أن تتماشى قرارات النقل مع المواعيد النهائية للمستخدمين وقيود سعة الخادم. من خلال محاكاة واسعة، يظهر المؤلفون أن NPER-D3QN يتفوق بشكل كبير على الطرق الحالية من حيث سرعة التقارب، ومتوسط زمن الانتظار، وتكاليف النقل، ومعدلات رفض الخدمة. تشير النتائج إلى أن دمج تنقل المستخدمين وتنافس الموارد في استراتيجية النقل أمر حاسم للحفاظ على جودة الخدمة العالية (QoS) أثناء تحسين استخدام الطاقة، مما يوفر حلاً قابلاً للتوسع لتطبيقات MEC في العالم الحقيقي.
DOI: https://doi.org/10.1038/s41598-026-36711-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41580483
Publication Date: 2026-01-24
Author(s): Lina Li et al.
Primary Topic: IoT and Edge/Fog Computing
Overview
The paper presents a novel approach to address the service migration challenges in Mobile Edge Computing (MEC), focusing on optimizing both service latency and energy consumption amidst user mobility and resource competition. The authors model the service migration problem as a constrained bi-objective optimization problem, which is formulated as a mixed-integer nonlinear programming challenge. To tackle this NP-hard problem, they propose the NPER-D3QN model, a Deep Reinforcement Learning (DRL)-based framework that enhances Q-value estimation through a dueling architecture and incorporates mechanisms like prioritized experience replay and Noisy Networks. This model enables adaptive migration strategies that effectively respond to real-time network conditions.
Simulation experiments demonstrate that the NPER-D3QN model outperforms six baseline methods, achieving average improvements of 31.53% in service latency, 59.39% in system cost, and 16.48% in migration rejection rates. The proposed method also shows excellent scalability and low computational overhead in large-scale scenarios. However, the authors acknowledge limitations, such as the reliance on simulated environments that do not fully capture practical network dynamics and energy consumption factors. Future work aims to validate the approach with real mobility data, extend the modeling framework to account for partial observability, and explore decentralized implementations to enhance privacy and system-level energy modeling.
Introduction
The introduction of the research paper highlights the increasing demand for data generation and real-time processing driven by the growth of mobile internet and the Internet of Things (IoT). This demand has led to the development of Mobile Edge Computing (MEC), where edge servers at base stations offer proximity-based computing services to enhance user experience. However, challenges arise due to the limited coverage and computational resources of these base stations, necessitating service migration when users move out of coverage areas or when resource contention occurs. Such migrations, while aimed at reducing service latency, can lead to increased energy consumption and operational costs for service providers, as well as additional migration delays.
The paper notes that existing research primarily treats service migration in MEC as a multi-objective optimization problem, focusing mainly on minimizing service delay. Various methodologies, including dual-layer graph neural networks, Lyapunov optimization, and deep reinforcement learning, have been employed to optimize migration strategies. However, these approaches often overlook the energy consumption associated with migration, which is critical for sustainable resource utilization. Additionally, while some studies incorporate user mobility predictions and utilize techniques like game theory and reinforcement learning, they frequently fail to account for resource uncertainties and dynamic conditions, limiting their adaptability in real-world scenarios. This underscores the need for comprehensive solutions that balance service latency and energy efficiency in the context of MEC.
Methods
In this section, the authors describe the experimental setup for their research on mobile edge computing within a 6×6 grid environment. Each grid cell contains a base station (BS) that communicates with users, while 6 to 36 mobile edge computing (MEC) servers are randomly deployed across these BSs. Each server is equipped with a CPU capacity of 7 billion instructions per second and can host up to 10 virtual machines, each with 0.5GB of memory. User dynamics are modeled with a variable population ranging from 20 to 120 users, who randomly move within the grid and offload tasks of sizes between 2-5 MB, following a Poisson distribution for task arrivals with a parameter $\lambda$ in the range of [1, 2]. The computational requirements for tasks are uniformly distributed between 50 to 100 million instructions.
The authors also detail the baseline methods used for comparison, which include various adaptations of the Deep Q-Network (DQN) algorithm aimed at optimizing service migration based on different criteria such as latency and energy consumption. These methods include DQN, D3QN, PER-D3QN, and others that integrate additional features like long-term memory through LSTM or focus on minimizing the distance between users and edge servers. The experimental results and analysis are expected to evaluate the performance of these methods against the proposed approach, although specific results are not provided in this section.
Discussion
In this section, the authors discuss the challenges and advancements in adaptive service migration within Mobile Edge Computing (MEC) environments, particularly focusing on minimizing both service latency and energy consumption. They highlight that existing optimization methods often fail to jointly address these two objectives while considering the dynamic nature of user mobility and resource competition. The authors propose a novel approach using Deep Reinforcement Learning (DRL) to develop an adaptive migration model, termed NPER-D3QN, which incorporates double Q-learning and dueling network architectures to enhance accuracy and efficiency. This model is designed to operate under the constraints of computational and communication resources, addressing the complexities of user dynamics and resource availability.
The proposed method is modeled as a constrained bi-objective optimization problem, aiming to minimize latency and energy costs while ensuring that migration decisions adhere to user deadlines and server capacity constraints. Through extensive simulations, the authors demonstrate that NPER-D3QN significantly outperforms existing methods in terms of convergence speed, average latency, migration costs, and service rejection rates. The findings suggest that the integration of user mobility and resource competition into the migration strategy is crucial for maintaining high Quality of Service (QoS) while optimizing energy usage, thus providing a scalable solution for real-world MEC applications.