Распределение задач и ресурсов на основе одноранговых узлов для повышения производительности в промышленных системах Интернета вещей

Системы «равный—равному» (P2P) в умной промышленности, усиленные Промышленным Интернетом вещей (IIoT), обеспечивают надежную платформу для эффективного управления и обработки распределенных задач. Однако совместное использование и распределение ресурсов в этих системах, часто выполняемое по схеме «один к одному», может приводить к застою задач, когда требуется последовательное использование нескольких ресурсов. В статье предлагается новая схема планирования и распределения ресурсов, зависящая от одноранговых узлов (Peer-dependent Scheduling and Allocation Scheme, PSAS), которая использует предиктивное обучение для оптимизации планирования задач и распределения ресурсов с целью устранения этой проблемы. Схема оценивает доступность ресурсов, продолжительность задач и сроки выполнения, чтобы минимизировать застой и максимизировать пропускную способность системы. Предиктивное обучение в PSAS улучшает принятие решений за счет анализа исторического использования ресурсов и предоставления рекомендаций в реальном времени для распределения ресурсов. Такой подход обеспечивает масштабируемость, сокращает задержки в выполнении задач и повышает общую надежность системы, что представляет значительный прогресс для P2P-основанных IIoT-систем. Ключевые показатели эффективности, включая коэффициент обработки задач, время обработки, фактор застоя и время ожидания, показывают, что PSAS превосходит существующие методы, повышая коэффициент обработки до 10,62% и снижая застой на 5,06%.