Enforcing SLA Compliance in Edge-Cloud Offloading: Replacing Simple Thresholds with an Adaptive PI Controller
DOI:
https://doi.org/10.65405/.v10i37.589الكلمات المفتاحية:
الحوسبة الحافة؛ نقل المهام إلى السحابة؛ تحسين الأداء؛ وحدة تحكم PI؛ الأنظمة التكيفية؛ الأنظمة الزمنية الحقيقية.الملخص
الضبط اليدوي للقواعد الخاصة بنقل المهام من أجهزة الحافة إلى السحابة غالبًا ما يكون غير مرن ويُنتج أداءً غير موثوق في بيئات ديناميكية. القواعد الثابتة—مثل "قم بالنقل إذا تجاوزت قائمة الانتظار 10 مهام"—تفشل عند تقلّب ظروف الشبكة أو ازدحام الموارد، مما يؤدي إلى انتهاكات متكررة لاتفاقيات مستوى الخدمة SLA . في المقابل، تم تطوير وحدة تحكم تكيفية ذكية مدركة لـSLA، قادرة على ضبط عتبة توجيه المهام ديناميكيًّا استنادًا إلى مؤشرات أداء حقيقية مثل زمن الاستجابة، التكلفة التشغيلية، ومستوى الازدحام. يستخدم النظام متحكمًا تكامليًّا (PI) مُحسَّنًا، مدعومًا بآليات تعافي ذكية وضوابط أمان تكيفية، لضمان التزام صارم بأهداف الأداء—مثل "إكمال 99% من المهام خلال 100 مللي ثانية"—حتى في ظل عدم يقين العالم الواقعي (كضوضاء الشبكة، أعطال مفاجئة، أو طفرات الحمل). أظهرت محاكاة واقعية مقارنةً بين ثلاث استراتيجيات—قاعدة ثابتة، خوارزمية تكيفية بسيطة، ووحدة تحكم مدركة لـSLA— أن النظام المقترح يحقق التزامًا بنسبة 100% بـSLA، ويقلل التقلّب في زمن الاستجابة بنسبة تفوق 60%، ويُحسّن الكفاءة التشغيلية (تكلفة/أداء) دون التضحية بالشفافية أو إمكانية التهيئة. الأهم أنه يتجنب السلوك الاهتزازي أو التكيف العشوائي، ويُثبت قراراته بعد مرحلة تعلّم قصيرة، مما يجعله مناسبًا للنشر في أنظمة الإنتاج الحساسة.
التنزيلات
المراجع
[1]. Boiko, O., Komin, A., Malekian, R., & Davidsson, P. (2024). Edge-cloud architectures for hybrid energy management systems: A comprehensive review. IEEE sensors journal, 24(10), 15748-15772.
[2]. Gkonis, P., Giannopoulos, A., Trakadas, P., Masip-Bruin, X., & D’Andria, F. (2023). A survey on IoT-edge-cloud continuum systems: Status, challenges, use cases, and open issues. Future Internet, 15(12), 383.
[3]. Wu, J., Wang, H., Qian, K., & Feng, E. (2023). Optimizing latency-sensitive AI applications through edge-cloud collaboration. Journal of Advanced Computing Systems, 3(3), 19-33.
[4]. Yadav, R., Zhang, W., Kaiwartya, O., Singh, P. R., Elgendy, I. A., & Tian, Y. C. (2018). Adaptive energy-aware algorithms for minimizing energy consumption and SLA violation in cloud computing. Ieee Access, 6, 55923-55936.
[5]. Singh, V., & Yadav, N. (2024). Deep Learning Techniques for Predicting System Performance Degradation and Proactive Mitigation.
[6]. Sikora, T. D. (2023). Adaptive monitoring and control framework in Application Service Management environment (Doctoral dissertation, Birkbeck, University of London).
[7] Ceselli, A., Premoli, M., & Secci, S. (2017). Mobile Edge Cloud Network Design Optimization. IEEE/ACM Transactions on Networking.
[8] Rahman, M. S., Khalil, I., & Atiquzzaman, M. (2021). Blockchain-Enabled SLA Compliance for Crowdsourced Edge-Based Network Function Virtualization. IEEE Network.
[9] Ismail, L., Materwala, H., & Hassanein, H. S. (2022). QoS-SLA-Aware Artificial Intelligence Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing System for the Internet of Vehicles.
[10]. Gupta, S. (2024). Enhanced SLA Compliance in Edge Computing Applications through Hybrid Proactive-Reactive Autoscaling (Master's thesis, The University of Melbourne).
التنزيلات
منشور
إصدار
القسم
الرخصة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
