Математик РУДН совместно с коллегами из Великобритании, Египта, Катара, Китая и Саудовской Аравии составила алгоритм, который позволяет оптимально перераспределить вычислительные задачи между устройствами интернета вещей и облачным сервисом. В результате затраты энергии и времени уменьшаются примерно в три раза. Результаты опубликованы в журнале Big Data.
С развитием технологий и устройств приложения интернета вещей (IoT) требуют все больше вычислительных мощностей. Объем данных, которые нужно обработать устройствам IoT, может быть настолько большим, что вычисления выгодно переносить в облако. Облачные вычисления дают гибкие возможности для обработки и хранения данных. Но выгрузка вычислений — то есть передача ресурсоемких вычислительных задач в облако — требует дополнительной траты заряда и времени. К тому же на время передачи информации устройство оказывается менее защищенным от вредоносных программ. Математик РУДН совместно с коллегами предложила алгоритм, который позволяет в 2,8 раза снизить затраты времени и энергии на выгрузку данных. Модель также защищает устройства на время выгрузки с помощью дополнительного шифрования.
«В литературе появилось множество подходов и моделей для разгрузки вычислений с целью снижения энергопотребления, уменьшения задержки вычислений и эффективного распределения радиоресурсов. Однако оптимальная выгрузка в сложных многопользовательских беспроводных системах остается актуальной задачей. Кроме того, безопасность данных при передаче с мобильных устройств на периферийные устройства —большая проблема. Есть риск перехвата трафика, прослушки, глушения. Этот вопрос в подобных работах почти не рассматривается. Поэтому мы разработали модель для оптимизации производительности в многопользовательских системах, которые защитят данные во время передачи», — рассказала Аммар Мутханна, кандидат технических наук, младший научный сотрудник Научного центра моделирования высокотехнологичных систем и инфокоммуникаций РУДН.
Математики разработали модель в рамках концепции мобильных периферийных вычислений (MEC). В модель входит заданное число устройств, подключенных к сети (например, телефоны, компьютеры, умные устройства и другие гаджеты), и беспроводная базовая станция, на которой данные хранятся и обрабатываются. Каждое из устройств должно выполнить некоторое количество операций — часть локально, то есть самостоятельно, а часть передать базовой станции. Затраты энергии и времени на вычисление и передачу данных математики записали в виде системы уравнений. Для этой системы исследователи решили задачу оптимизации — то есть подобрали алгоритм, который распределяет вычисления между устройствами и центром так, чтобы затраты были минимальны. Для этого исследователи использовали машинное обучение.
Полученный алгоритм математики опробовали экспериментально с помощью симуляции реальной системы. Она состояла из пяти мобильных устройств, на каждом из которых запускалось приложение распознавания лица. С точки зрения вычислений эта задача состоит из трех независимых процессов — поиск лица, предварительная обработка изображения, классификация. В результате получилось 15 вычислительных процессов, которые должны были выполняться одновременно. Математики сравнили построенную модель с тремя другими подходами — когда все вычислительные процессы выполняются локально, отправляются на базовую станцию или распределяются между этими двумя узлами случайным образом. Оказалось, что новый алгоритм уменьшает затраты на вычисление в 2–4 раза в зависимости от количества подключенных к системе устройств, в среднем — на 64,7%.
«В нашу модель будет добавлен новый эффективный слой сжатия. Это дополнение позволит сжать размер передаваемых данных, чтобы сократить время передачи и повысить общую производительность системы», — прокомментировала Аммар Мутханна.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
