DOI: https://doi.org/10.1038/s41598-026-35065-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41535366
تاريخ النشر: 2026-01-14
المؤلف: Niva Tripathy وآخرون
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
تتناول ورقة البحث التحديات التي تطرحها البيانات المتزايدة الناتجة عن أجهزة إنترنت الأشياء (IoT)، لا سيما في التطبيقات الحساسة للزمن حيث قد تكون مراكز البيانات السحابية التقليدية غير فعالة. للتخفيف من هذه المشكلات، يقترح المؤلفون خوارزمية جديدة لجدولة المهام تُدعى EMAPSO (تحسين سرب الجسيمات الواعي بمدة الطاقة)، والتي تركز على تقليل كل من مدة الإنجاز واستهلاك الطاقة كمشكلة تحسين ذات هدفين. تتضمن الخوارزمية أيضًا عامل توازن الحمل عند تعيين المهام للآلات الافتراضية في بيئات الضباب/السحابة.
تشير النتائج التجريبية إلى أن EMAPSO تتفوق على الخوارزميات الحالية، بما في ذلك تحسين سرب الجسيمات القياسي (PSO)، وتحسين PSO المعدل (MPSO)، وتحسين سرب الطيور (BSO)، وخوارزمية حياة النحل (BLA)، من حيث استخدام الموارد، ومدة الإنجاز، وكفاءة الطاقة. تؤكد الخاتمة على فعالية الخوارزمية المقترحة في تحقيق توازن بين وقت إكمال المهام واستهلاك الطاقة من خلال دالة تكلفة ذات هدفين موزونة. ستستكشف الأعمال المستقبلية دمج تقنيات الميتاهيرستيك المتقدمة وتقنيات التعلم الآلي لتعزيز التوازن بين مدة الإنجاز واستهلاك الطاقة بشكل أكبر.
مقدمة
تناقش مقدمة الورقة دمج تطبيقات إنترنت الأشياء (IoT) مع الحوسبة السحابية، مع تسليط الضوء على التحديات التي تطرحها تخزين البيانات والوصول إليها ومعالجتها في الوقت الحقيقي. مع توليد أجهزة إنترنت الأشياء كميات هائلة من البيانات، يؤدي الفصل المكاني بين موارد السحابة ومصادر البيانات إلى مشكلات مثل ازدحام الشبكة وارتفاع تكاليف الاتصال. لمعالجة هذه التحديات، ظهرت الحوسبة الضبابية كحل يعالج البيانات عند حافة الشبكة، مما يقلل من تأخيرات النقل ويعزز الاستجابة للتطبيقات الحساسة للوقت في مجالات مثل الواقع المعزز، والألعاب عبر الإنترنت، والرعاية الصحية. ومع ذلك، فإن عقد الضباب لديها قدرة حسابية محدودة، مما يستلزم وجود بنية ضبابية-سحابية تجمع بين مزايا كلا النموذجين الحاسوبيين لتحسين القابلية للتوسع، وكفاءة الطاقة، وجودة الخدمة (QoS).
تؤكد الورقة على أهمية الاستخدام الفعال للموارد في بيئات الضباب/السحابة المتنوعة لإدارة الأحمال المتغيرة ومنع مشكلات مثل ارتفاع استهلاك الطاقة وتوزيع الحمل غير المتوازن. تم تحديد جدولة المهام كعامل حاسم في تحسين استخدام الموارد، بهدف تقليل استهلاك الطاقة ومدة الإنجاز مع ضمان توزيع الحمل بشكل متساوٍ. على الرغم من أن الخوارزميات التقليدية للجدولة غالبًا ما تركز على أهداف فردية، فإن الطبيعة الديناميكية لبيئات الضباب/السحابة تتطلب أساليب تحسين متعددة الأهداف لتحقيق توازن بين العوامل المتنافسة مثل التكلفة، واستهلاك الطاقة، ومدة الإنجاز، وجودة الخدمة. تشير الورقة إلى شعبية طرق التحسين المستوحاة من الطبيعة، وخاصة تحسين سرب الجسيمات (PSO)، لجدولة المهام، مع الاعتراف أيضًا بحدود PSO في السياقات الديناميكية عالية الأبعاد بسبب مشكلات التقارب المبكر.
النتائج
في قسم النتائج، تم إجراء اختبارات t لعينة مستقلة لتقييم أداء خوارزمية EMAPSO مقارنةً بالخوارزميات الأخرى. يتم تفصيل النتائج الإحصائية، بما في ذلك قيم t وقيم p، في الجدول 5. تشير هذه النتائج إلى ما إذا كانت الفروق في مقاييس الأداء ذات دلالة إحصائية، مما يوفر رؤى حول فعالية EMAPSO بالنسبة لمنافسيها.
المناقشة
تناقش هذه القسم تطوير وتأثيرات خوارزمية تحسين سرب الجسيمات الواعية بمدة الطاقة (EMAPSO)، التي تهدف إلى تحسين جدولة المهام في بيئات الضباب/السحابة الهجينة من خلال معالجة كل من استهلاك الطاقة ومدة إنجاز المهام. تتضمن EMAPSO تحسينات محددة المجال، مثل وزن القصور الذاتي التكيفي وقياس ملاءمة واعي بالطاقة، لتحسين كفاءة تنفيذ المهام وسط الطبيعة الديناميكية لأحمال عمل إنترنت الأشياء. تحدد الدراسة فجوة في الأدبيات الحالية، حيث تتناول قلة من الطرق كفاءة الطاقة ومدة الإنجاز في وقت واحد، لا سيما في الإعدادات المتنوعة. تشمل أهداف EMAPSO تقليل مدة إنجاز المهام واستهلاك الطاقة، وضمان توزيع متوازن للأحمال عبر عقد الضباب والسحابة، والتكيف مع الأحمال المتغيرة وقدرات الموارد.
تشير النتائج إلى أن EMAPSO تتفوق على الخوارزميات الحالية، حيث تحقق أوقات إكمال الوظائف مع استهلاك طاقة أقل بنسبة 35%. تم تصميم الخوارزمية المقترحة لتكون قابلة للتكيف وقابلة للتوسع، مما يجعلها مناسبة للتطبيقات الحساسة للزمن والمقيدة بالطاقة في إنترنت الأشياء. كما تسلط الورقة الضوء على أهمية جدولة المهام الفعالة في أنظمة الضباب/السحابة، مشددة على الحاجة إلى خوارزميات يمكنها اتخاذ قرارات قريبة من الوقت الحقيقي مع مراعاة القدرات المتنوعة لموارد الضباب والسحابة. تختتم المناقشة بتحديد مساهمات البحث، بما في ذلك تقديم بنية سحابية-ضبابية متكاملة وتحليل مقارن لـ EMAPSO مقابل خوارزميات الجدولة الأخرى، مما يمهد الطريق لاستكشاف مزيد من جدولة المهام الفعالة من حيث الطاقة في الدراسات المستقبلية.
DOI: https://doi.org/10.1038/s41598-026-35065-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41535366
Publication Date: 2026-01-14
Author(s): Niva Tripathy et al.
Primary Topic: IoT and Edge/Fog Computing
Overview
The research paper addresses the challenges posed by the increasing data generated by Internet of Things (IoT) devices, particularly in delay-sensitive applications where traditional cloud data centers may be inefficient. To mitigate these issues, the authors propose a novel task-scheduling algorithm named EMAPSO (Energy Makespan-Aware Particle Swarm Optimization), which focuses on minimizing both makespan and energy consumption as a bi-objective optimization problem. The algorithm also incorporates a load-balancing factor when assigning tasks to virtual machines in fog/cloud environments.
Experimental results indicate that EMAPSO outperforms existing algorithms, including standard Particle Swarm Optimization (PSO), Modified PSO (MPSO), Bird Swarm Optimization (BSO), and the Bee Life Algorithm (BLA), in terms of resource utilization, makespan, and energy efficiency. The conclusion emphasizes the effectiveness of the proposed algorithm in balancing task completion time and energy consumption through a weighted bi-objective cost function. Future work will explore the integration of advanced metaheuristics and machine-learning techniques to enhance the trade-off between makespan and energy consumption further.
Introduction
The introduction of the paper discusses the integration of Internet of Things (IoT) applications with cloud computing, highlighting the challenges posed by real-time data storage, access, and processing. As IoT devices generate vast amounts of data, the spatial separation between cloud resources and data sources leads to issues such as network congestion and high communication costs. To address these challenges, fog computing has emerged as a solution that processes data at the network’s edge, thereby reducing transmission delays and enhancing responsiveness for time-sensitive applications in areas like augmented reality, online gaming, and healthcare. However, fog nodes have limited computational capacity, necessitating a fog-cloud architecture that combines the strengths of both computing paradigms to improve scalability, energy efficiency, and quality of service (QoS).
The paper emphasizes the importance of effective resource utilization in heterogeneous fog/cloud environments to manage varying workloads and prevent issues such as high energy consumption and imbalanced load distribution. Task scheduling is identified as a critical factor in optimizing resource use, with the goal of minimizing energy consumption and makespan while ensuring uniform load distribution. Although traditional scheduling algorithms often focus on single objectives, the dynamic nature of fog-cloud environments requires multi-objective optimization approaches to balance competing factors like cost, energy consumption, makespan, and QoS. The paper notes the popularity of bio-inspired optimization methods, particularly Particle Swarm Optimization (PSO), for task scheduling, while also acknowledging PSO’s limitations in high-dimensional, dynamic contexts due to early convergence issues.
Results
In the Results section, independent samples t-tests were conducted to assess the performance of the EMAPSO algorithm in comparison to other algorithms. The statistical outcomes, including t-values and p-values, are detailed in Table 5. These results indicate whether the differences in performance metrics are statistically significant, thereby providing insight into the efficacy of EMAPSO relative to its competitors.
Discussion
The section discusses the development and implications of the Energy Makespan-Aware PSO (EMAPSO) algorithm, which aims to optimize task scheduling in hybrid fog-cloud environments by addressing both energy consumption and task makespan. EMAPSO incorporates domain-specific enhancements, such as an adaptive inertia weight and an energy-aware fitness measure, to improve the efficiency of task execution amidst the dynamic nature of IoT workloads. The study identifies a gap in existing literature, where few methods simultaneously tackle energy efficiency and makespan, particularly in heterogeneous settings. The objectives of EMAPSO include minimizing task makespan and energy consumption, ensuring balanced workload distribution across fog and cloud nodes, and adapting to varying workloads and resource capacities.
The findings indicate that EMAPSO outperforms existing algorithms, achieving job completion times with 35% less energy consumption. The proposed algorithm is designed to be adaptive and scalable, making it suitable for delay-sensitive and energy-constrained IoT applications. The paper also highlights the importance of effective task scheduling in fog-cloud systems, emphasizing the need for algorithms that can make near-real-time decisions while accommodating the diverse capabilities of fog and cloud resources. The discussion concludes by outlining the contributions of the research, including the introduction of an integrated cloud-fog architecture and a comparative analysis of EMAPSO against other scheduling algorithms, setting the stage for further exploration of energy-efficient task scheduling in future studies.