ПОРІВНЯЛЬНИЙ АНАЛІЗ МЕТОДІВ ОПТИМІЗАЦІЇ АРХІТЕКТУРИ FOG-СИСТЕМ: ВІД МЕТАЕВРИСТИК ДО ГІБРИДНИХ РІШЕНЬ

Анотація

Стрімке поширення пристроїв Інтернету речей посилює вимоги до розподілених обчислювальних інфраструктур, роблячи туманні обчислення — парадигму, що розміщує обчислювальні ресурси на межі мережі — критично важливим засобом забезпечення низьколатентних застосунків реального часу. Оптимальне розміщення сервісів на туманних вузлах є доведеною NP-складною комбінаторною задачею. Попри десятиліття активних досліджень, наявні роботи розглядають окремі родини алгоритмів ізольовано, залишаючи розробників систем без обґрунтованої бази для вибору методу оптимізації, придатного для конкретного контексту розгортання. Мета цієї статті — провести систематичний порівняльний аналіз понад десяти підходів до оптимізації в єдиній аналітичній рамці та побудувати формалізовану п'ятивимірну класифікаційну модель M: X → Y (X = S×W×L×P×T), що відображає характеристики IoT-системи на найбільш придатний клас методів. Дослідження узагальнює результати двадцяти шести первинних джерел за трьома класами методів — метаевристичні алгоритми (GA, PSO, ACO, Firefly), методи машинного навчання (навчання з учителем, LSTM, CNN-BiLSTM, GNN, федеративне навчання) та навчання з підкріпленням (одноагентний DQN і багатоагентний MARL) — за п'ятьма метриками: затримка обробки, енергоефективність, масштабованість, адаптивність до динамічних навантажень та складність реалізації. Аналіз дає три основні результати. По-перше, PSO та ACO демонструють лінійну складність O(n) на ітерацію, тоді як GA та Firefly — квадратичну O(n²), через що складність стає вирішальним критерієм вибору для туманних мереж понад 50 вузлів: на цьому порозі T_GA ≈ 100·T_PSO. По-друге, федеративне навчання досягає точності класифікації понад 93% у транспортних IoT-системах без централізації первинних даних і є єдиним класом методів, що задовольняє законодавчі вимоги щодо суверенітету даних. По-третє, повністю інтегрований підхід MARL+GNN+FL теоретично прогнозується досягти затримки 65–98 мс і покращення енергоефективності на 22–30% відносно жадібних базових методів, виходячи з принципу архітектурної ортогональності та незалежно підтверджених результатів для підархітектур MARL+GNN і FL; проте жодне з 26 розглянутих джерел не валідує цю комбіновану архітектуру в єдиному стенді, і емпірична спільна валідація є основним напрямом майбутніх досліджень. Формалізована модель M: X → Y включає явні числові порогові значення для всіх п'яти вхідних вимірів, пріоритетно впорядковану функцію прийняття рішень (Algorithm 1) і шість верифікованих вихідних класів; модель є фальсифіковною, відтворюваною та розширюваною, а її застосування демонструється на сценарії розгортання туманної мережі смарт-міста з N = 75 вузлів.