ІНТЕЛЕКТУАЛЬНЕ УПРАВЛІННЯ ЕНЕРГОСПОЖИВАННЯМ У ПЕРИФЕРІЙНИХ ОБЧИСЛЮВАЛЬНИХ МЕРЕЖАХ НА ОСНОВІ ТЕОРІЇ ІГОР

Анотація

З розвитком технологій периферійних обчислень (Edge Computing) та Інтернету речей (IoT) зростає актуальність оптимізації енергоспоживання в розподілених мережах. Традиційні методи управління енергоспоживанням часто є недостатньо ефективними через відсутність адаптації до динамічних умов навантаження та обмежену можливість координації між вузлами. У цій статті розглянуто кооперативну динамічну модель управління енергоспоживанням у периферійних обчислювальних мережах, що базується на принципах теорії ігор. У вступі визначено основні проблеми сучасних периферійних обчислювальних систем, серед яких високе енергоспоживання, нерівномірний розподіл навантаження та обмежені можливості адаптації до змінних умов роботи. Проведено огляд актуальних досліджень у сфері енергоефективного управління в периферійних обчисленнях. У розділі теоретичних основ дослідження описано ключові концепції, що лежать в основі запропонованої моделі. Розглянуто принципи кооперативних та некооперативних ігор, рівноваги Неша та алгоритмів оптимізації енергоспоживання, що застосовуються для балансування навантаження вузлів мережі. У розділі методології сформульовано математичну модель, що описує поведінку вузлів периферійної обчислювальної мережі як динамічну гру з неповною інформацією. Визначено функцію корисності вузлів, яка враховує рівень споживаної енергії, якість обслуговування (QoS) та витрати на передачу даних. Описано механізм знаходження рівноваги Неша для оптимального розподілу ресурсів між вузлами. У результатах дослідження продемонстровано ефективність запропонованої моделі у зниженні енергоспоживання та підвищенні продуктивності периферійної мережі. Запропонований підхід дозволяє вузлам адаптивно змінювати свої стратегії залежно від змін у навантаженні, що дає змогу мінімізувати загальні енергетичні витрати без втрати продуктивності. Використання машинного навчання у прийнятті рішень додатково підвищує ефективність системи. Практичне застосування моделі охоплює такі сфери, як розумні міста, IoT-інфраструктури, автономні системи керування енергоспоживанням. Використання розподілених механізмів прийняття рішень дозволяє забезпечити стабільну та ефективну роботу обчислювальних вузлів навіть в умовах обмежених ресурсів. У висновках підсумовано ключові результати дослідження та зазначено перспективи подальшого розвитку моделі, включаючи інтеграцію алгоритмів глибокого навчання, розширення механізмів кооперації між вузлами та впровадження технологій прогнозування енергоспоживання.