Интеллектуальная бессерверная вычислительная система для услуг телеприсутствия

Актуальность. В статье рассматривается проблема совместной оптимизации миграции сервисов и распределения ресурсов (SMRA) в среде периферийных мобильных вычислений с множественным доступом (MEC) для снижения задержки в системах телеприсутствия. MEC расширяет возможности облачных вычислений путем перемещения сервисов на границу сети максимально близко к пользователям, решая проблему задержки доступа. Однако высокая мобильность устройств и ограниченные ресурсы периферийных серверов усложняют поддержание качества обслуживания. Процесс миграции сервисов сам по себе приводит к дополнительной задержке, а различные серверы и пользовательские устройства имеют свои уникальные требования и политику распределения ресурсов, что требует сбалансированного подхода к решению данной задачи. Несмотря на достижения в области телеприсутствия, такие как высококачественные видеофайлы и пространственный звук, виртуальная и дополненная реальность, эффективное функционирование этих систем требует надежной инфраструктуры и минимальных задержек при взаимодействии.

Постановка задачи. В данной работе мы предлагаем совместный алгоритм SMRA+МЕС, который учитывает специфику систем телеприсутствия, а также решает задачу оптимального распределения ресурсов и необходимости миграции сервисов.

Цель работы. Разработка и оценка эффективности совместного алгоритма SMRA+МЕС, адаптированного для систем телеприсутствия.

Методы исследования. Для достижения поставленной цели в работе будут использованы математические модели для формализации задачи SMRA+МЕС с учетом параметров систем телеприсутствия.

Результаты исследования показывают, что предложенный алгоритм обеспечивает значительное снижение задержки ‒ на 50 %.

Научная новизна. Рассматривается новый способ расчета задержки, который позволяет минимизировать задержку и распределять ресурсы более оптимально. Показано, что комбинирование методов SMRA+МЕС является наиболее эффективным подходом к минимизации задержек.

Практическая значимость. Разработанный алгоритм SMRA+МЕС может быть использован операторами мобильной связи для оптимизации развертывания и управления MEC-инфраструктурой, обеспечивая высококачественное обслуживание для приложений телеприсутствия.

1. Ateya A.A., Abd El-Latif A.A., Muthanna A., Volkov A., Koucheryavy A. Enabling Metaverse and Telepresence Services in 6G Networks. New York: CRC Press, 2025. DOI:10.1201/9788770046749

2. Thang D.V., Volkov A., Muthanna A., Koucheryavy A., Ateya A.A., Jayakody D.N.K. Future of Telepresence Services in the Evolving Fog Computing Environment: A Survey on Research and Use Cases // Sensors. 2025. Vol. 25. Iss. 11. P. 3488. DOI:10.3390/s25113488

3. Van Thang D., Volkov A., Muthanna A., Elgendy I.A., Alkanhel R., Jayakody D.N.K., Koucheryavy A. A Framework Integrating Federated Learning and Fog Computing Based on Client Sampling and Dynamic Thresholding Techniques // IEEE Access. 2025. Vol. 13. PP. 95019‒95033. DOI:10.1109/ACCESS.2025.3571979

4. Taleb T., Samdanis K., Mada B., Flinck H., Dutta S., Sabella D. On Multi-Access Edge Computing: A Survey of the Emerging 5G Network Edge Cloud Architecture and Orchestration // IEEE Communications Surveys & Tutorials. 2017. Vol. 19. Iss. 3. PP. 1657–1681. DOI:10.1109/COMST.2017.2705720

5. Чистова Н.А., Парамонов А.И., Кучерявый А.Е. Метод формирования цифровых кластеров сетей связи пятого и последующих поколений на основе качества предоставления услуг // Электросвязь. 2020. № 7. С. 22‒28. DOI:10.34832/ELSV.2020.8.7.003. EDN:QDEUQG

6. Yu H., Ming Z., Wang C., Taleb T. Network Slice Mobility for 6G Networks by Exploiting User and Network Prediction // Proceedings of the International Conference on Communications (ICC, Rome, Italy, 28 May ‒ 01 June 2023). IEEE, 2023. DOI:10.1109/ICC45041.2023.10279739

7. Addad R.A., Dutra D.L.C., Taleb T., Flinck H. Toward Using Reinforcement Learning for Trigger Selection in Network Slice Mobility // IEEE Journal on Selected Areas in Communications. 2021. Vol. 39. Iss. 7. PP. 2241–2253. DOI:10.1109/jsac.2021.3078501. EDN:UGJVKC

8. Волков А.Н., Мутханна А.С.А., Кучерявый А.Е., Бородин А.С., Парамонов А.И., Владимиров С.С. и др. Перспективные исследования сетей и услуг 2030 в лаборатории 6G MEGANETLAB СПБГУТ // Электросвязь. 2023. № 6. С. 5‒14. DOI:10.34832/ELSV.2023.43.6.001. EDN:CJSYLS

9. Hu L., Tian Y., Yang J., Taleb T., Xiang L., Hao Y. Ready Player One: UAV-Clustering-Based Multi-Task Offloading for Vehicular VR/AR Gaming // IEEE Network. 2019. Vol. 33. Iss. 3. PP. 42–48. DOI:10.1109/MNET.2019.1800357

10. Chen Y., Sun Y., Wang C., Taleb T. Dynamic Task Allocation And Service Migration in Edge-Cloud IoT System Based on Deep Reinforcement Learning // IEEE Internet of Things Journal. 2022. Vol. 9. Iss. 18. PP. 16742–16757. DOI:10.1109/JIOT. 2022.3164441. EDN:XSAUUL

11. Ming Z., Li X., Sun C., Fan Q., Wang X., Leung V.C.M. Dependency-Aware Hybrid Task Offloading in Mobile Edge Computing Networks // Proceedings of the International Conference on Parallel and Distributed Systems (ICPADS, Beijing, China, 14‒16 December 2021). IEEE, 2021. PP. 225–232. DOI:10.1109/ICPADS53394.2021.00034