以同行驱动的任务安排和资源配置,以提高工业物联网系统的性能
Ayman Alfahid1, Chahira Lhioui2, Somia Asklany3
1Department of Information Systems, College of Computer and Information Sciences, Majmaah University, 11952, Majmaah, Saudi Arabia.
Scientific reports
|April 25, 2025
概括
本研究介绍了一个新的对等依赖的计划和分配方案 (PSAS) 工业物联网 (IIoT) 系统. PSAS使用预测性学习来减少任务延迟,并改善点对点网络中的资源管理.
科学领域:
- 计算机科学 计算机科学
- 工业工程 工业工程 工业工程
- 人工智能的人工智能
背景情况:
- 智能工业中的点对点 (P2P) 系统,加上工业物联网 (IIoT),对于分布式任务管理至关重要.
- 传统的P2P系统中的顺序资源依赖性可能会导致任务停滞,阻碍效率.
- 现有的资源分配方法经常与动态任务要求和顺序处理作斗争.
研究的目的:
- 提出一个新的相互依赖的调度和分配计划 (PSAS),以克服基于P2P的IIoT系统中的任务停滞.
- 优化任务调度和资源分配,使用预测学习来提高系统吞吐量.
- 提高智能工业环境中分布式任务处理的可扩展性,可靠性和效率.
主要方法:
- 开发了一个相互依赖的调度和分配计划 (PSAS),整合了预测学习.
- PSAS评估资源的可用性,任务的持续时间,以及为优化决策的最后期限.
- 基于历史资源利用分析实施实时建议.
主要成果:
- PSAS显著减少了任务停滞,并改善了任务处理比率.
- 与现有方法相比,证明加工率提高了高达10.62%.
- 实现了5.06%的停滞因子减少,提高了整体系统性能.
结论:
- 在基于P2P的IIoT系统中,PSAS提供了一个可扩展和可靠的资源管理解决方案.
- 预测性学习增强了决策,减少了任务完成的延迟.
- 拟议的方案在优化智能工业的分布式任务处理方面取得了重大进展.
