الذكاء الموزع على الحافة في شبكات إنترنت الأشياء - AETiC 2020

1. المقدمة

أحدث إنترنت الأشياء (IoT) ثورة في الابتكار لجمع وتخزين المعلومات من الأجسام المادية أو أجهزة الاستشعار. أدى النمو المتسارع لأجهزة إنترنت الأشياء إلى ظهور الحوسبة الطرفية، حيث تتم معالجة البيانات بالقرب من المصدر بدلاً من نقلها إلى خوادم السحابة المركزية. بحلول عام 2020، كان من المتوقع أن يتم توصيل 50 مليار جهاز ذكي بالإنترنت، مولدة ما يقارب 500 زيتابايت من البيانات.

2. الخلفية والأعمال ذات الصلة

2.1 تطور بنيات إنترنت الأشياء

اعتمدت بنيات إنترنت الأشياء التقليدية بشكل كبير على النماذج المركزية على السحابة حيث كانت جميع معالجات البيانات تتم في مراكز البيانات المركزية. ومع ذلك، واجه هذا النهج تحديات كبيرة تشمل مشاكل زمن الانتقال، قيود النطاق الترددي، ومخاوف الخصوصية. يمثل التحول نحو الحوسبة الطرفية تحولاً أساسياً في كيفية تصميم ونشر أنظمة إنترنت الأشياء.

2.2 نماذج الحوسبة الطرفية

تجلب الحوسبة الطرفية الحساب وتخزين البيانات أقرب إلى الموقع المطلوب، مما يحسن أوقات الاستجابة ويوفر النطاق الترددي. تشمل النماذج الرئيسية الحوسبة الضبابية، والحوسبة الطرفية المتنقلة (MEC)، وبنيات السحابة المصغرة، حيث يقدم كل منها مزايا مميزة لسيناريوهات تطبيقات إنترنت الأشياء المختلفة.

3. إطار العمل للذكاء الموزع

3.1 المكونات المعمارية

يتكون إطار العمل للذكاء الموزع من ثلاث طبقات رئيسية: الأجهزة الطرفية، وخوادم الحافة، والبنية التحتية للسحابة. تقوم الأجهزة الطرفية بمعالجة البيانات الأولية والتصفية، وتتعامل خوادم الحافة مع الحسابات الأكثر تعقيداً، بينما توفر السحابة التنسيق العالمي والتخزين طويل الأمد.

3.2 نماذج توزيع الذكاء

تشمل النماذج الأساسية الثلاثة لتوزيع الذكاء: التوزيع الهرمي حيث تتم المعالجة على مستويات متعددة، والتوزيع من نظير إلى نظير الذي يمكن الاتصال المباشر بين الأجهزة، والنهج الهجينة التي تجمع بين الطريقتين للحصول على أداء أمثل.

4. التنفيذ التقني

4.1 الأسس الرياضية

يمكن صياغة تحسين الذكاء الموزع كمشكلة تحسين مقيدة. لنفترض أن $L_{total}$ تمثل زمن الانتقال الكلي، والذي يمكن التعبير عنه كالتالي:

$L_{total} = \sum_{i=1}^{n} (L_{proc_i} + L_{trans_i} + L_{queue_i})$

حيث $L_{proc_i}$ هو زمن معالجة العقدة i، $L_{trans_i}$ هو زمن النقل، و$L_{queue_i}$ هو زمن الانتظار في الطابور. الهدف هو تقليل $L_{total}$ مع مراعاة قيود الموارد $R_{max}$ ومتطلبات جودة الخدمة $Q_{min}$.

4.2 تصميم الخوارزمية

تستخدم خوارزمية الذكاء الموزع نهج التصفية التعاونية حيث تشارك العقد الطرفية الرؤى المعالجة بدلاً من البيانات الخام. يوضح الكود الزائف التالي عملية اتخاذ القرار الأساسية:

function distributedIntelligence(node, data, neighbors):
    // المعالجة المحلية
    local_insight = processLocally(data)
    
    // التحقق من كفاية المعالجة المحلية
    if confidence(local_insight) > threshold:
        return local_insight
    else:
        // التعاون مع الجيران
        neighbor_insights = []
        for neighbor in neighbors:
            insight = requestInsight(neighbor, data)
            neighbor_insights.append(insight)
        
        // تجميع الرؤى
        final_decision = aggregateInsights(local_insight, neighbor_insights)
        return final_decision
end function

5. النتائج التجريبية

يظهر التقييم التجريبي تحسينات كبيرة في أداء النظام. قلل نهج الذكاء الموزع متوسط وقت الاستجابة بنسبة 45٪ مقارنة ببنيات السحابة فقط وانخفض استهلاك النطاق الترددي بنسبة 60٪. في التطبيقات الحساسة لزمن الانتقال مثل تنسيق المركبات الذاتية، حقق النظام أوقات قرار أقل من 50 مللي ثانية، مستوفياً متطلبات الوقت الحقيقي.

6. التطبيقات وحالات الاستخدام

يمكن الذكاء الموزع على الحافة العديد من التطبيقات عبر مجالات مختلفة. في المدن الذكية، يسهل إدارة حركة المرور في الوقت الحقيقي وتنسيق الاستجابة للطوارئ. تشمل تطبيقات الرعاية الصحية المراقبة عن بعد للمرضى والتحليلات التنبؤية لتفشي الأمراض. تشمل فوائد إنترنت الأشياء الصناعي الصيانة التنبؤية وإدارة سلسلة التوريد المُحسنة.

7. التحديات والاتجاهات المستقبلية

تشمل التحديات الرئيسية نقاط الضعف الأمنية في الأنظمة الموزعة، والقدرة على التشغيل البيني بين الأجهزة غير المتجانسة، وقيود الموارد على الأجهزة الطرفية. تركز اتجاهات البحث المستقبلية على توزيع الذكاء التكيفي، ونهج التعلم الموحد، والتكامل مع شبكات 5G/6G لتحسين الاتصال.

8. التحليل الأصلي

يمثل البحث المقدم في هذه الورقة تقدماً كبيراً في بنية إنترنت الأشياء من خلال معالجة القيود الأساسية للنماذج المركزية على السحابة. يتماشى نهج الذكاء الموزع مع الاتجاهات الناشئة في الحوسبة الطرفية، كما يتضح من التطورات المماثلة في أطر العمل مثل TensorFlow Federated للتعلم الآلي اللامركزي. مقارنة بالنهج المركزية التقليدية، يقدم الذكاء الموزع فوائد كبيرة في تقليل زمن الانتقال وتحسين النطاق الترددي، وهو أمر بالغ الأهمية بشكل خاص للتطبيقات في الوقت الحقيقي مثل الأنظمة الذاتية والأتمتة الصناعية.

تستند الصياغة الرياضية لتحسين زمن الانتقال المقدمة في الورقة إلى مبادئ نظرية الطابور المعتمدة، على غرار النهج المستخدمة في شبكات توصيل المحتوى (CDNs) وقواعد البيانات الموزعة. ومع ذلك، فإن التطبيق على شبكات حافة إنترنت الأشياء يقدم قيوداً فريدة تتعلق بتغاير الأجهزة وقيود الموارد. تظهر الخوارزمية المقترحة تشابهاً مع تقنيات التصفية التعاونية المستخدمة في أنظمة التوصية، المعدلة للبيئات محدودة الموارد.

عند المقارنة مع أطر عمل الحوسبة الطرفية الأخرى مثل AWS Greengrass أو Azure IoT Edge، يركز نهج الذكاء الموزع على التعاون من نظير إلى نظير بدلاً من العلاقات الهرمية بين السحابة والحافة. هذا التمييز مهم بشكل خاص للتطبيقات التي تتطلب توفراً عالياً وتحمل الأعطال. تتوافق نتائج البحث مع اتجاهات الصناعة التي أبلغت عنها Gartner، متوقعة أنه بحلول عام 2025، سيتم إنشاء 75٪ من البيانات التي تولدها المؤسسات ومعالجتها خارج مراكز البيانات المركزية التقليدية.

تستدعي الآثار الأمنية للذكاء الموزع مزيداً من التحقيق، حيث تتسع مساحة الهجوم مع توزيع الذكاء. يمكن للعمل المستقبلي دمج تقنيات سلسلة الكتل (Blockchain) لتحقيق إجماع موزع آمن، على غرار النهج التي تم استكشافها في أبحاث أمن إنترنت الأشياء. تتطلب قابلية توسع إطار العمل المقترح التحقق من خلال عمليات نشر على نطاق أوسع، خاصة في السيناريوهات التي تحتوي على آلاف الأجهزة المترابطة.

9. المراجع

1. Alam, T., Rababah, B., Ali, A., & Qamar, S. (2020). Distributed Intelligence at the Edge on IoT Networks. Annals of Emerging Technologies in Computing, 4(5), 1-18.
2. Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637-646.
3. Mao, Y., You, C., Zhang, J., Huang, K., & Letaief, K. B. (2017). A survey on mobile edge computing: The communication perspective. IEEE Communications Surveys & Tutorials, 19(4), 2322-2358.
4. Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30-39.
5. Zhu, J., et al. (2018). Improving IoT data quality in mobile crowd sensing: A cross-layer approach. IEEE Transactions on Mobile Computing, 17(11), 2564-2577.
6. Chen, M., et al. (2020). Distributed intelligence in IoT systems: A comprehensive survey. IEEE Internet of Things Journal, 7(8), 6903-6919.