مروری بر روشهای نوین زمانبندی وظایف در رایانش مه و لبه: چالش ها، دستاوردها و مسیرهای آینده

رایانش مه به منظور پاسخ گویی به نیازهای کاربردهای حساس به تاخیر و کاهش وابستگی به مراکز داده ابری، به عنوان لایه ای میانی میان دستگاه های اینترنت اشیا و ابر مطرح شده است. در این معماری زمان بندی وظایف یکی از مسائل کلیدی محسوب می شود زیرا محدودیت منابع، ناهمگونی گره ها و تغییرات پویا در بارکاری تصمیم گیری برای تخصیص بهینه وظایف را با چالش مواجه می سازد. این مقاله به بررسی و تحلیل برخی از روشهای نوین زمان بندی وظایف در محیط رایانش مه می پردازد. در این راستا الگوریتم های کلاسیک، روش های مبتنی بر بهینه سازی فراابتکاری، رویکردهای یادگیری ماشین و یادگیری تقویتی، و همچنین روش های ترکیبی مورد مطالعه قرار گرفته اند. نتایج حاصل از این بررسی در قالب یک جدول مقایسه ای ارائه شده و نقاط قوت و محدودیت های هر دسته از روش ها مشخص گردیده است. در پایان چالش های موجود در زمان بندی وظایف رایانش مه و مسیرهای پژوهشی آینده با تمرکز بر طراحی الگوریتم های کارا و سازگار با شرایط پویا مورد بحث قرار می گیرد.

Keywords:

زمان بندی وظایف , رایانش مه , مصرف انرژی , کاهش تاخیر