DOI: https://doi.org/10.1109/jiot.2025.3650652
تاريخ النشر: 2026-01-05
المؤلف: Soheil Mahdizadeh وآخرون
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
في سياق بيئات الحوسبة السحابية ثلاثية الطبقات، تواجه عملية تحميل المهام تحديات كبيرة بسبب تنقل معدات المستخدمين (UE)، مما يؤدي غالبًا إلى عمليات نقل خدمات مكلفة وانخفاض في أداء النظام بشكل عام. يقدم هذا البحث MOFCO، وهو خوارزمية جديدة لتحميل المهام تأخذ في الاعتبار التنقل والهجرة، مصممة لمعالجة هذه التحديات. تقوم الخوارزمية بصياغة مشكلة تحميل المهام وتخصيص الموارد كمشكلة برمجة غير خطية مختلطة (MINLP) وتستخدم نهج نظرية الألعاب التطورية المدعومة بالتحفيز لحل فعال.
لتقييم فعالية MOFCO، قام المؤلفون بإجراء محاكاة لمستخدمين متنقلين باستخدام إطار عمل SUMO، الذي سمح بإدماج أنماط التنقل الواقعية. تشير النتائج التجريبية إلى أن MOFCO تحقق انخفاضًا كبيرًا في تكاليف النظام – والتي تُعرف بأنها مزيج من الكمون واستهلاك الطاقة – بمتوسط انخفاض قدره 19%، مع انخفاضات تصل إلى 43% في سيناريوهات محددة عند مقارنتها بالطرق الحالية الرائدة.
مقدمة
تناقش مقدمة هذه الورقة البحثية تطور تقنيات الاتصالات المتنقلة، وخاصة ظهور إنترنت الأشياء (IoT) وإنترنت المركبات (IoV)، مما يتطلب زيادة في الإنتاجية، وعرض النطاق الترددي، والموارد الحاسوبية. لمعالجة هذه المطالب، تم تطوير أنظمة الاتصالات اللاسلكية من الجيل الخامس (5G)، مما أدى إلى الانتقال من معالجة المهام المحلية على معدات المستخدمين (UEs) إلى الشبكات السحابية للوصول اللاسلكي المركزي (C-RANs). بينما تخفف C-RANs من استهلاك الطاقة المحلي وتستفيد من موارد حاسوبية كبيرة، فإنها تقدم مشكلات الكمون بسبب المسافة بين UEs ومراكز البيانات السحابية.
لتخفيف هذه التحديات المتعلقة بالكمون، تم اقتراح شبكات الوصول اللاسلكي الضبابية (F-RANs)، مما يضع الموارد الحاسوبية بالقرب من المستخدمين النهائيين. تتيح هذه البنية معالجة البيانات محليًا في عقد الضباب، وهو أمر ضروري للتطبيقات الزمنية الحقيقية مثل إدارة المرور، وشبكات المركبات الذاتية، وأنظمة الرعاية الصحية الذكية. تؤكد الورقة على أهمية تحميل المهام بكفاءة من UEs إلى طبقة الضباب، حيث أن اختيار العقد الضبابية المناسبة يؤثر بشكل كبير على الكمون وتوازن الحمل في النظام. ومع ذلك، فإن تنقل UEs يقدم تعقيدات مثل نقل الراديو وهجرة الخدمة، والتي يمكن أن تؤدي إلى زيادة استهلاك الطاقة والتأخيرات إذا لم تتم إدارتها بشكل صحيح. توضح المحاكاة الأولية التي أجريت في الدراسة التكاليف الكبيرة المرتبطة بفشل الهجرة، مما يبرز الحاجة إلى استراتيجيات فعالة في تخصيص الموارد وتحميل المهام.
النتائج
في هذا القسم، يتم تقييم أداء خوارزمية MOFCO من خلال محاكاة قائمة على الأحداث، كما هو موضح في الشكل 5. تتضمن المحاكاة توليد معلمات التنقل والمهام لكل معدات مستخدم (UE)، والتي بدورها تخلق أحداثًا يتم تنفيذها، مما يؤدي إلى توليد أحداث إضافية. يتم إدارة هذه الأحداث ضمن قائمة انتظار الأحداث، حيث تستمر المحاكاة في معالجة وإدخال أحداث جديدة حتى يتم استنفاد القائمة.
تظهر تقييمات المعلمات المختلفة للشبكة أن خوارزمية MOFCO تقلل بشكل فعال من التكلفة الإجمالية المرتبطة بتنفيذ المهام وإدارة الأحداث. تؤكد هذه النتيجة على كفاءة الخوارزمية في تحسين تخصيص الموارد ضمن بيئة الشبكة المحاكية.
المناقشة
في قسم المناقشة من الورقة، يؤكد المؤلفون على التأثير الكبير لتنقل معدات المستخدمين (UE) على قرارات تحميل المهام في بيئات الحوسبة الضبابية. من خلال المحاكاة باستخدام أداة SUMO، يقارنون بين طريقتين: اختيار عقد الضباب المعتمد على الخوارزمية الجينية (GCGA)، التي تعطي الأولوية لعقد الضباب، وطريقة التخصيص العشوائي (RA). تشير النتائج إلى أن تجاهل التكاليف المرتبطة بالهجرة – خاصة في السيناريوهات ذات الكثافة السكانية العالية – يمكن أن يؤدي إلى زيادة التكاليف الإجمالية للنظام. مع زيادة عدد UEs، تزداد أيضًا وتيرة هجرات المهام، مما يتطلب نهجًا أكثر دقة لتحميل المهام يأخذ في الاعتبار ليس فقط الموارد الحاسوبية المتاحة ولكن أيضًا أنماط تنقل UEs.
يقدم المؤلفون أربعة سيناريوهات توضيحية تسلط الضوء على التعقيدات التي يقدمها التنقل في بنية الحوسبة الضبابية ثلاثية الطبقات. يوضح كل سيناريو توازنات مختلفة بين تحميل المهام إلى عقد الضباب مقابل الحساب المحلي أو موارد السحابة، مع اعتبارات لوقت التنفيذ، وتوافر الموارد، ومخاطر الهجرة. على سبيل المثال، يمكن أن يؤدي تحميل المهام إلى عقد ضبابية ذات موارد حاسوبية أكبر إلى تقليل وقت التنفيذ ومخاطر الهجرة، بينما قد يلغي الحساب المحلي الهجرة ولكنه يزيد من استهلاك الطاقة. تشمل مساهمات الورقة نموذج حوسبة ضبابية يأخذ في الاعتبار التنقل يدمج الديناميات الشبكية الزمنية الحقيقية وخوارزمية نظرية الألعاب التطورية المدعومة بالتحفيز (MOFCO) المصممة لتحسين تحميل المهام، وتخصيص الموارد، وتقليل تكاليف الهجرة. بشكل عام، تؤكد النتائج على ضرورة دمج اعتبارات التنقل في استراتيجيات الحوسبة الضبابية لتعزيز الكفاءة وتقليل التكاليف التشغيلية.
DOI: https://doi.org/10.1109/jiot.2025.3650652
Publication Date: 2026-01-05
Author(s): Soheil Mahdizadeh et al.
Primary Topic: IoT and Edge/Fog Computing
Overview
In the context of three-layer fog computing environments, task offloading is significantly challenged by the mobility of user equipment (UE), which often leads to costly service migrations and a decline in overall system performance. This paper introduces MOFCO, a novel Mobility-and Migration-aware Task Offloading algorithm designed to address these challenges. The algorithm formulates the task offloading and resource allocation problem as a Mixed-Integer Nonlinear Programming (MINLP) problem and utilizes a heuristic-aided evolutionary game theory approach for efficient resolution.
To assess the effectiveness of MOFCO, the authors conducted simulations of mobile users using the SUMO framework, which allowed for the incorporation of realistic mobility patterns. The experimental results indicate that MOFCO achieves a significant reduction in system costs—defined as a combination of latency and energy consumption—averaging a 19% decrease, with reductions of up to 43% in specific scenarios when compared to existing state-of-the-art methods.
Introduction
The introduction of this research paper discusses the evolution of mobile communication technologies, particularly the emergence of the Internet of Things (IoT) and the Internet of Vehicles (IoV), which necessitate enhanced throughput, bandwidth, and computational resources. To address these demands, fifth-generation (5G) wireless systems were developed, transitioning from local task processing on user equipment (UEs) to centralized cloud radio access networks (C-RANs). While C-RANs alleviate local energy consumption and leverage substantial computational resources, they introduce latency issues due to the distance between UEs and cloud data centers.
To mitigate these latency challenges, fog radio access networks (F-RANs) were proposed, positioning computational resources closer to end users. This architecture enables local data processing at fog nodes, which is essential for real-time applications such as traffic management, autonomous vehicle networks, and smart healthcare systems. The paper emphasizes the importance of efficiently offloading tasks from UEs to the fog layer, as the selection of appropriate fog nodes significantly influences system latency and load balancing. However, the mobility of UEs introduces complexities such as radio handover and service migration, which can lead to increased energy consumption and delays if not managed properly. Preliminary simulations conducted in the study illustrate the substantial costs associated with migration failures, underscoring the need for effective strategies in resource allocation and task offloading.
Results
In this section, the performance of the MOFCO algorithm is assessed through an event-based simulation, as depicted in Figure 5. The simulation involves generating mobility parameters and tasks for each User Equipment (UE), which in turn create events that are executed, leading to the generation of additional events. These events are managed within an event queue, where the simulation continues to process and inject new events until the queue is depleted.
The evaluation of various network parameters demonstrates that the MOFCO algorithm effectively reduces the overall cost associated with task execution and event management. This finding underscores the algorithm’s efficiency in optimizing resource allocation within the simulated network environment.
Discussion
In the discussion section of the paper, the authors emphasize the significant impact of user equipment (UE) mobility on task offloading decisions in fog computing environments. Through simulations using the SUMO tool, they compare two methods: the Genetic Algorithm-based Fog Node Selection (GCGA), which prioritizes fog nodes, and a Random Allocation (RA) method. The results indicate that neglecting the costs associated with migration—especially in densely populated scenarios—can lead to increased overall system costs. As the number of UEs rises, the frequency of task migrations also increases, necessitating a more nuanced approach to offloading that considers not only the computational resources available but also the mobility patterns of UEs.
The authors present four illustrative scenarios that highlight the complexities introduced by mobility in a three-layer fog computing architecture. Each scenario demonstrates different trade-offs between offloading to fog nodes versus local computation or cloud resources, with considerations for execution time, resource availability, and the risk of migration. For instance, offloading to a fog node with greater computational resources can reduce execution time and migration risk, while local computation may eliminate migration but increase energy consumption. The paper’s contributions include a mobility-aware fog computing model that integrates real-time network dynamics and a heuristic-aided evolutionary game theory algorithm (MOFCO) designed to optimize task offloading, resource allocation, and minimize migration costs. Overall, the findings underscore the necessity of incorporating mobility considerations into fog computing strategies to enhance efficiency and reduce operational costs.