Миграция сервисов и распределение ресурсов для взаимодействия человека с аватаром

Актуальность исследования. Системы телеприсутствия и взаимодействия с аватарами предъявляют жесткие требования к задержке передачи данных. Традиционные алгоритмы балансировки нагрузки, такие как Round-Robin, не обладают адаптивностью к изменяющимся условиям сети и вычислительной нагрузки, что приводит к росту латентности. С появлением сетей 6G и ростом объемов мультимодальных данных (видео-, аудио- и тактильная информация) возникает потребность в быстрой миграции
сервисов для обеспечения иммерсивного взаимодействия. Отсутствие механизмов интеллектуального распределения ресурсов препятствует использованию приложений телеприсутствия в таких сферах, как телемедицина, дистанционное управление роботами и виртуальное сотрудничество.

Цель исследования: повышение эффективности миграции сервисов и распределения ресурсов в периферийных вычислительных сетях для систем взаимодействия «человек‒аватар» за счет разработки алгоритма на основе многоагентного обучения с подкреплением (MARL). В данном исследовании рассматривается
вопрос снижения общей задержки при распределении гетерогенных услуг телеприсутствия между вычислительными ресурсами с ограниченной мощностью.

Методы исследования: аналитическое моделирование, имитационное моделирование в MATLAB, сравнительный анализ разработанного алгоритма ML-MARL с эталонным алгоритмом Round-Robin.

Результаты исследования. Разработанный алгоритм ML-MARL, использующий Q-обучение, позволяет снизить общую задержку распределения сервисов на 60 % (с 66 до 26 мс) в сравнении с Round-Robin. Показана сходимость алгоритма за 500 эпизодов обучения.

Научная новизна: впервые предложено применение многоагентного Q-обучения с модифицированной стратегией для задачи оперативной миграции сервисов в системах телеприсутствия.

Теоретическая значимость: полученные результаты расширяют теоретические основы применения MARL в сетях 6G для задач с жесткими ограничениями на задержку.

Практическая значимость: предложенный алгоритм может быть использован при разработке систем удаленной телемедицины, виртуального присутствия, тактильного интернета и промышленной робототехники, где критична задержка менее 30 мс. Результаты данного исследования могут быть применены в перспективных системах оркестрации периферийных вычислений, которые будут работать в сетях 6G.

1. Кучерявый А.Е., Давуд А.А.А.А., Волков А.Н., Мутханна А.С.А., Парамонов А.И., Елагин В.С. и др. Сети связи шестого поколения: фрактальные архитектуры, голографические взаимодействия, телеприсутствие, сетевые роботы. СПб.: Питер, 2025. 320 с.

2. 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

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

4. Li T., Sahu A. K., Talwalkar A., Smith V. Federated Learning: Challenges, Methods, and Future Directions // IEEE Signal Processing Magazine. 2020. Vol. 37. Iss. 3. PP. 50–60. DOI:10.1109/msp.2020.2975749. EDN:BFBNOW

5. Аль-Кереа З.А.Х., Мутханна А.С.А., Кучерявый А.Е. Интеллектуальная бессерверная вычислительная система для услуг телеприсутствия // Труды учебных заведений связи. 2025;11(4):18–27. DOI:10.31854/1813-324X-2025-11-4-18-27. EDN:UOYTAY

6. Al-Kerea Z., Yasir H., Lapteva T., Volkov A., Muthanna A., Ibrahim M. Hybrid traffic Offloading method for distributed edge computing in 6G networks // Proceedings of the 8th International Conference on Future Networks & Distributed Systems (ICFNDS '24, Marakech, Morocco, 11–12 December 2024). New York: Association for Computing Machinery, 2025. PP. 930–937. DOI:10.1145/3726122.3726258

7. Ren J., Wang H., Hou T., Zheng S., Tang C. Federated Learning-Based Computation Offloading Optimization in Edge Computing-Supported IoT Networks // IEEE Access. 2020. Vol. 7. PP. 69194–69201. DOI:10.1109/ACCESS.2019.2919736

8. Shlezinger N., Chen M., Eldar Y.C., Poor H.V., Cui S. Federated Learning with Quantization Constraints // Proceedings of the International Conference on Acoustics, Speech and Signal Processing (ICASSP, Barcelona, Spain, 04–08 May 2020). IEEE, 2020. DOI:10.1109/ICASSP40776.2020.9054168

9. Mothukuri V., Parizi R.M., Pouriyeh S., Huang Y., Dehghantanha A., Srivastava G. A survey on security and privacy of federated learning // Future Generation Computer Systems. 2021. Vol. 115. PP. 619–640. DOI:10.1016/j.future.2020.10.007. EDN:FQPQGY

10. Yasir H., Al-Kerea Z., Vorozheykina O., Muthanna A., Shamshieva N.N. kizi. Intelligence serverless computing system for telepresence services // Proceedings of the 8th International Conference on Future Networks & Distributed Systems (ICFNDS '24, Marakech, Morocco, 11–12 December 2024). New York: Association for Computing Machinery, 2025. PP. 938–944. DOI:10.1145/3726122.3726259

11. Lim W.Y.B., Luong N.C., Hoang D.T., Jiao Y., Liang Y.-C., Yang Q. Federated learning in mobile edge networks: A comprehensive survey // IEEE Communications Surveys & Tutorials. 2021. Vol. 22. Iss. 3. PP. 2031–2063. DOI:10.1109/COMST.2020. 2986024. EDN:CUJNTK

12. Chen M., Yang Z., Saad W., Yin C., Poor H.V., Cui S. A Joint Learning and Communications Framework for Federated Learning Over Wireless Networks // IEEE Transactions on Wireless Communications. 2020. Vol. 19. Iss. 7. PP. 4941–4954. DOI:10.1109/TWC.2020.3024629

13. Ясир Х.А., Аль-Кереа З.А., Мутханна А.С. Инновационные решения граничных вычислений для сетей 6G: интеграция современных платформ и оркестрация с помощью Kubernetes // Научно-техническая конференция Санкт-Петербургского НТО РЭС им. А.С. Попова, посвященная Дню радио. 2025. № 1(80). С. 168–170. EDN:EVGPDZ

14. Savazzi S., Nicoli M., Bennis M., Kianoush S., Barbieri L. Opportunities of Federated Learning in Connected, Cooperative, and Automated Industrial Systems // IEEE Communications Magazine. 2021. Vol. 59. Iss. 2. PP. 16–21. DOI:10.1109/mcom.001.2000200. EDN:DAKPCL

15. Ясир Х.А., Аль-Кереа З.А., Мутханна А.С. Метод агрегирования данных для распределенных туманных вычислений в сетях автотранспорта // Научно-техническая конференция Санкт-Петербургского НТО РЭС им. А.С. Попова, посвященная Дню радио. 2025. № 1(80). С. 175–178. EDN:FQJKVP

16. Lu Y., Huang X., Dai Y., Maharjan S., Zhang Y. Blockchain and Federated Learning For Privacy-Preserved Data Sharing in Industrial IoT // IEEE Transactions on Industrial Informatics. 2020. Vol. 16. Iss. 6. PP. 4177–4186. DOI:10.1109/tii.2019.2942190. EDN:MCGZXF

17. Muthanna M.S.A., Wang P., Wei M., Ateya A.A., Muthanna A. Toward an Ultra-Low Latency and Energy Efficient Lo-RaWAN // Proceedings of the 19th International Conference, NEW2AN 2019, and 12th Conference, ruSMART 2019 (St. Petersburg, Russia, 26–28 August 2019). Internet of Things, Smart Spaces, and Next Generation Networks and Systems. Lecture Notes in Computer Science. Cham: Springer, 2019. Vol. 11660. PP. 233–242. DOI:10.1007/978-3-030-30859-9_20. EDN:TDMNSL

18. Кучерявый А.Е., Маколкина М.А., Парамонов А.И., Выборнова А.И., Мутханна А.С., Матюхин А.Ю. и др. Модельная сеть для исследований и обучения в области услуг телеприсутствия // Электросвязь. 2022. № 1. С. 14–20. DOI:10.34832/ELSV.2022.26.1.001. EDN:GBQWCV

19. Singh S.P., Nayyar A., Kumar R., Sharma A. Fog computing: From architecture to edge computing and big data processing // The Journal of Supercomputing. 2019. Vol. 75. PP. 2070–2105. DOI:10.1007/s11227-018-2701-2. EDN:ELSEWT

20. Yasir H., Al-Kerea Z., Qahtan A.M., Gorbacheva L., Muthanna A. A Novel Collaborative Reinforcement Learning Method for Human-to-Avatar Interactions // Proceedings of the 24th International Conference, NEW2AN 2024, and 17th Conference, ruSMART 2024 (Marrakesh, Morocco, 11–12 December 2024). Internet of Things, Smart Spaces, and Next Generation Networks and Systems. Lecture Notes in Computer Science. Cham: Springer, 2025. Vol. 15554. PP. 67–78. DOI:10.1007/978-3-031-95299-9_7