DOI: https://doi.org/10.1038/s41598-025-96974-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40211053
تاريخ النشر: 2025-04-10
المؤلف: Asfandyar Khan وآخرون
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
تتناول البحث التحديات المتعلقة بكفاءة الطاقة والموارد في بيئات الحوسبة السحابية الضبابية، وخاصة في سياق إنترنت الأشياء (IoT). يستخدم نموذج EcoTaskSched المقترح نهجًا هجينًا يجمع بين الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM) لتحسين جدولة المهام. يستخرج هذا النموذج ميزات عبء العمل بفعالية ويعكس الاعتماديات التسلسلية المعقدة، مما يؤدي إلى تحسين كفاءة الطاقة وتحسين مقاييس جودة الخدمة (QoS)، مثل معدلات إكمال الوظائف وتقليل استهلاك الطاقة. تشير النتائج التجريبية إلى أن EcoTaskSched يتفوق بشكل كبير على النماذج الأساسية، حيث يحقق متوسط استهلاك للطاقة يبلغ 65.8 كيلوواط ساعة تحت أحمال العمل العادية ويحافظ على معدل إكمال الوظائف بنسبة 85%.
يؤكد الدراسة على أهمية دمج تقنيات التعلم الآلي المتقدمة لمعالجة تحديات تخصيص الموارد في شبكات إنترنت الأشياء السحابية الضبابية. لا يقلل نموذج EcoTaskSched من تكاليف التنفيذ بنسبة 36% فحسب، بل يقلل أيضًا من انتهاكات SLA وأوقات الاستجابة مقارنة بالنماذج الحالية. ستركز الأبحاث المستقبلية على التحقق من صحة النموذج على المدى الطويل في تطبيقات إنترنت الأشياء في العالم الحقيقي، واستكشاف قابليته للتوسع والصلابة، ودمج منهجيات تعلم الآلة الإضافية لتعزيز كفاءة الجدولة عبر ظروف تشغيل متنوعة.
الطرق
تهدف منهجية EcoTaskSched المقترحة إلى تعزيز جدولة المهام بكفاءة الطاقة ضمن بيئة الحوسبة السحابية الضبابية. تم هيكلة المنهجية إلى عدة أقسام فرعية، بما في ذلك نظرة عامة على مجموعة البيانات، جمع البيانات الخام، المعالجة المسبقة، إعدادات التدريب والاختبار، خوارزمية الجدولة، ومقاييس تقييم الأداء. الهدف الأساسي هو معالجة تحدي جدولة المهام من خلال حل دالة الهدف المحددة.
تشمل إعدادات التجربة لتقييم EcoTaskSched إطار عمل COSCO، الذي يسهل محاكاة قرارات هجرة الحاويات في الحوسبة الضبابية. تم إنشاء منصة اختبار غير متجانسة باستخدام 10 آلات افتراضية (VMs) على Microsoft Azure، تتكون من ستة VMs خفيفة الوزن في طبقة الضباب وأربعة VMs قوية في طبقة السحابة. استخدمت التجارب معيار Defog، الذي يتضمن أحمال عمل غير متجانسة في الوقت الحقيقي ذات صلة بتطبيقات إنترنت الأشياء، مثل مراقبة الفيديو ورصد البيئة. تم توليد بيانات عبء العمل من ثلاثة تطبيقات محددة—Yolo وAeneas وPocketSphinx—كل منها يحاكي طلبات مستخدمين متنوعة ومقاييس استخدام الموارد. تبعت وصول المهام توزيع بواسون، وتم إجراء التجارب على مدى 50 فترة جدولة، مما يضمن دلالة إحصائية من خلال عدة جولات وسيناريوهات عبء عمل متنوعة. تم تنفيذ العمل بلغة بايثون باستخدام TensorFlow، مع دمج نماذج CNN وBiLSTM، وتم تنفيذ جميع التجارب على نظام حاسوب عالي الأداء.
النتائج
في هذا القسم، يتم تحليل نتائج نموذج EcoTaskSched، مع التركيز على فعاليته في تحسين جدولة المهام ضمن بيئات الضباب والسحابة لتقليل استهلاك الطاقة، كما هو محدد في دالة الهدف في المعادلة (1). يستخدم النموذج مزيجًا من الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM) لضمان توفير جودة الخدمة (QoS)، كما هو موضح في المعادلات (1a)-(1d). يتم تقييم أداء EcoTaskSched بشكل كمي ومقارن بصريًا ضد النماذج الأساسية، وبشكل خاص الشبكة التلافيفية العامة المعتمدة على الرسم البياني (GGCN) وGGCN ثنائية الاتجاه (BiGGCN).
تم إجراء التجارب باستخدام إطار عمل COSCO، الذي يسمح بمحاكاة سيناريوهات عبء العمل المختلفة، بما في ذلك الأحمال العادية والمكثفة، مع متوسط فترات المهام من 2 و4 مهام، على التوالي. تم تقييم كل سيناريو على أربع آلات مضيفة افتراضية من نوع Azure B2 على مدى 50 فترة جدولة، باستخدام المهام التي تم توليدها من خلال معيار DeFog. تسهل مكتبة COSCO دمج نماذج التعلم الآلي مما يعزز من دقة التقييم والنتائج، مما يعزز من قوة النتائج.
المناقشة
تستعرض قسم المناقشة في ورقة البحث الأساليب المعاصرة لجدولة المهام في بيئات الحوسبة السحابية الضبابية، مع التركيز على دمج خوارزميات الجدولة التقليدية مع تقنيات التعلم الآلي (ML) لتعزيز كفاءة الطاقة. وضعت الخوارزميات التقليدية، مثل أول من يأتي، أول من يخدم (FCFS) وماكس-مين، الأساس لإدارة الموارد ولكن غالبًا ما تفشل في البيئات الديناميكية بسبب عدم قدرتها على التكيف مع أحمال العمل المتغيرة وتحسين استهلاك الطاقة. على سبيل المثال، بينما يظهر جدولة المهام المدركة للطاقة (ETSG) التي تستخدم الخوارزميات الجينية (GA) أداءً محسنًا مقارنة بالطرق التقليدية من خلال تقليل استهلاك الطاقة ووقت تنفيذ المهام، فإن العديد من الخوارزميات التقليدية لا تأخذ في الاعتبار الطبيعة غير المتجانسة للموارد، مما يؤدي إلى عدم الكفاءة.
على النقيض من ذلك، يتم استخدام نماذج قائمة على التعلم الآلي بشكل متزايد لمعالجة هذه القيود من خلال الاستفادة من البيانات التاريخية لتحسين تخصيص الموارد وتعزيز قدرات المعالجة في الوقت الحقيقي. أظهرت تقنيات مثل الشبكات العصبية الاصطناعية (ANNs) والتعلم المعزز (RL) والنماذج الهجينة وعدًا في تحسين نتائج جدولة المهام. على سبيل المثال، يدمج نموذج EcoTaskSched المقترح شبكة ذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM) مع شبكة عصبية تلافيفية (CNN) لالتقاط الاعتماديات الزمنية بفعالية وتحسين جدولة المهام من أجل كفاءة الطاقة مع الحفاظ على جودة الخدمة (QoS). يهدف هذا النهج المبتكر إلى تقليل استهلاك الطاقة الكلي في بيئات الضباب والسحابة مع ضمان تلبية متطلبات جودة الخدمة، مثل أوقات الاستجابة ومعدلات إكمال الوظائف، مما يعالج التحديات الحرجة التي تواجه مقدمي خدمات السحابة في إدارة الموارد.
DOI: https://doi.org/10.1038/s41598-025-96974-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40211053
Publication Date: 2025-04-10
Author(s): Asfandyar Khan et al.
Primary Topic: IoT and Edge/Fog Computing
Overview
The research addresses the challenges of energy and resource efficiency in fog-cloud computing environments, particularly in the context of the Internet of Things (IoT). The proposed EcoTaskSched model utilizes a hybrid approach combining Convolutional Neural Networks (CNNs) and Bidirectional Long Short-Term Memory (BiLSTM) networks to optimize task scheduling. This model effectively extracts workload features and captures complex sequential dependencies, leading to enhanced energy efficiency and improved Quality of Service (QoS) metrics, such as job completion rates and reduced energy consumption. Experimental results indicate that EcoTaskSched significantly outperforms baseline models, achieving an average energy consumption of 65.8 kWh under normal workloads and maintaining a job completion rate of 85%.
The study emphasizes the importance of integrating advanced machine learning techniques to address the resource allocation challenges in fog-cloud IoT networks. The EcoTaskSched model not only reduces execution costs by 36% but also minimizes SLA violations and response times compared to existing models. Future research will focus on long-term validation of the model in real-world IoT applications, exploring its scalability and robustness, and potentially integrating additional machine learning methodologies to further enhance scheduling efficiency across diverse operational conditions.
Methods
The proposed EcoTaskSched methodology aims to enhance energy-efficient task scheduling within a fog-cloud of things environment. The methodology is structured into several subsections, including dataset overview, raw data collection, preprocessing, training and testing setups, the scheduling algorithm, and performance evaluation metrics. The primary objective is to address the task scheduling challenge by solving the defined objective function.
The experimental setup for evaluating EcoTaskSched involves the COSCO framework, which facilitates simulations of container migration decisions in fog computing. A heterogeneous testbed was established using 10 virtual machines (VMs) on Microsoft Azure, comprising six lightweight VMs in the fog layer and four powerful VMs in the cloud layer. The experiments utilized the Defog benchmark, which includes real-time heterogeneous workloads relevant to IoT applications, such as video surveillance and environmental monitoring. Workload data was generated from three specific applications—Yolo, Aeneas, and PocketSphinx—each simulating varying user requests and resource utilization metrics. The task arrival followed a Poisson distribution, and experiments were conducted over 50 scheduling intervals, ensuring statistical significance through multiple runs and diverse workload scenarios. The implementation was carried out in Python using TensorFlow, integrating CNN and BiLSTM models, with all experiments executed on a high-performance computer system.
Results
In this section, the results of the EcoTaskSched model are analyzed, focusing on its effectiveness in optimizing task scheduling within fog and cloud environments to minimize energy consumption, as defined by the objective function in Eq. (1). The model employs a combination of Convolutional Neural Networks (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) networks to ensure Quality of Service (QoS) provisioning, as outlined in Eqs. (1a)-(1d). The performance of EcoTaskSched is quantitatively assessed and visually compared against baseline models, specifically the traditional Graph-based Generalized Convolutional Network (GGCN) and the Bidirectional GGCN (BiGGCN).
The experiments were conducted using the COSCO framework, which allows for the simulation of various workload scenarios, including normal and intensive workloads, with mean task intervals of 2 and 4 tasks, respectively. Each scenario was evaluated on four Azure B2s virtualized host machines over 50 scheduling intervals, utilizing tasks generated through the DeFog benchmark. The COSCO library’s integration of machine learning models facilitates realistic benchmarking and evaluation, enhancing the robustness of the findings.
Discussion
The discussion section of the research paper reviews contemporary approaches to task scheduling in fog-cloud computing environments, emphasizing the integration of traditional scheduling algorithms with machine learning (ML) techniques to enhance energy efficiency. Traditional algorithms, such as First-Come, First-Served (FCFS) and Max-Min, have laid the groundwork for resource management but often fall short in dynamic environments due to their inability to adapt to varying workloads and optimize energy consumption. For instance, while the Energy-Aware Task Scheduler (ETSG) utilizing Genetic Algorithms (GA) demonstrates improved performance over traditional methods by minimizing energy usage and task execution time, many traditional algorithms do not account for the heterogeneous nature of resources, leading to inefficiencies.
In contrast, ML-based models are increasingly being employed to address these limitations by leveraging historical data to optimize resource allocation and enhance real-time processing capabilities. Techniques such as artificial neural networks (ANNs), reinforcement learning (RL), and hybrid models have shown promise in improving task scheduling outcomes. For example, the proposed EcoTaskSched model integrates a Bidirectional Long Short-Term Memory (BiLSTM) network with a Convolutional Neural Network (CNN) to effectively capture temporal dependencies and optimize task scheduling for energy efficiency while maintaining quality of service (QoS). This innovative approach aims to minimize overall energy consumption in fog-cloud environments while ensuring that QoS requirements, such as response time and job completion rates, are met, thereby addressing the critical challenges faced by cloud service providers in resource management.