雾计算架构下基于多臂老虎机的物联网设备能量-延迟感知二元任务卸载策略(EDABTOS)研究

为解决雾计算环境中IoT设备面临的资源异构性、动态负载波动及能耗约束问题，研究人员提出能量-延迟感知二元任务卸载策略(EDABTOS)，通过多臂老虎机(MAB)方法动态优化任务分配。实验表明该策略实现16.21%延迟降低与3.19%能效提升，为工业物联网提供高效边缘计算解决方案。

　　

随着智能家居设备渗透率达45%、全球车联网市场规模逼近2500亿美元，物联网(IoT)的爆发式增长暴露出传统云计算的致命缺陷：远程数据中心的高延迟与频谱资源限制，使得自动驾驶、工业自动化等实时应用难以满足服务质量(QoS)需求。尽管98%的安卓设备已配备四核处理器，但电池容量和无线带宽的瓶颈仍阻碍着资源密集型应用的部署。这种矛盾在医疗监测、智能电网等场景尤为突出——毫秒级响应与设备续航都是刚需，而现有卸载策略往往顾此失彼。

Netaji Subhas University of Technology的Megha Sharma团队在《Expert Systems with Applications》发表研究，创新性地将赌场理论中的多臂老虎机(Multi-Armed Bandit, MAB)引入雾计算架构，开发出EDABTOS策略。该系统通过双层架构实现动态决策：传感器层(SN₁-SN_n)生成任务，雾层(FN₁-FN₄)中的F_greedy代理基于?-Greedy和上置信界(UCB)算法，在16.21%延迟降低与3.19%能效提升的显著优势下，解决了传统方法在动态数据传输中的适应性问题。

关键技术包含：1) 混合整数非线性规划构建延迟最小化目标函数；2) 基于概率的三级任务分类（高/低优先级任务、本地执行关键任务）；3) MAB框架下的实时资源效用最大化算法。实验采用合成数据模拟高负载场景，验证了算法在工业物联网中的鲁棒性。

【系统模型与问题表述】
建立离散时间槽网络模型，整合通信能耗与排队延迟因素，将最优卸载决策转化为带约束的NP难问题。通过量化雾节点效用函数，将资源分配转化为收益-成本权衡问题。

【EDABTOS算法】
创新性提出二元卸载机制：当本地执行能耗E_local超过阈值时，任务被分类至雾节点。算法动态调整?值平衡探索-利用矛盾，在保证高优先级任务QoS的同时，实现全网能耗均衡。

【实验分析】
对比?-Greedy和UCB基线，EDABTOS在突发流量下展现更强稳定性。典型场景测试显示，当任务到达率λ>15 requests/s时，仍能保持端到端延迟<200ms，较传统方法提升23.7% SLA合规率。

该研究突破性地将博弈论工具应用于边缘计算资源调度，其价值体现在三方面：首先，二元卸载机制简化了复杂环境下的决策维度；其次，MAB框架避免深度强化学习(DRL)的高计算开销，适配资源受限的雾节点；更重要的是，16.21%的延迟优化幅度为车联网V2X通信等场景提供技术保障。作者指出，未来可通过分层雾架构扩展算法规模，并探索边缘-云混合框架中的分级卸载策略，这对实现2034年1.4万亿美元的智能设备市场愿景具有关键意义。