Sistem informasi telah menjadi tulang punggung untuk kemajuan teknologi, dan inovasi terus berlanjut dengan munculnya jaringan komputasi edge seluler bertenaga nirkabel. Dalam sebuah artikel terbaru berjudul "Online Learning for Distributed Computation Offloading in Wireless Powered Mobile Edge Computing Networks," para peneliti memaparkan konsep baru yang berpotensi mengubah paradigma pengelolaan tugas komputasi dalam lingkungan yang semakin terhubung.
Melangkah ke Masa Depan: Wireless Powered Mobile Edge Computing (WP-MEC)
Dalam era Komunikasi Seluler Generasi Keenam (6G) dan Internet of Things (IoT), latensi rendah dan komputasi intensif menjadi keharusan. Teknologi Mobile Edge Computing (MEC) dan Wireless Power Transfer (WPT) muncul sebagai solusi untuk tantangan ini. Konsep Wireless Powered Mobile Edge Computing (WP-MEC) menggabungkan kedua teknologi ini, memungkinkan klien seluler untuk melakukan komputasi offloading ke server tepi sambil mengisi daya secara nirkabel.
Pentingnya desentralisasi dalam jaringan 6G memunculkan kebutuhan akan algoritma pembelajaran online untuk penghapusan komputasi terdistribusi. Inilah yang diusulkan oleh makalah ini, yang tidak hanya merinci algoritma pembelajaran online baru, tetapi juga menerapkan pendekatan terdesentralisasi dengan beberapa server tepi yang berperan dalam pembongkaran tugas.
Menjembatani Penundaan dan Kendala Energi
Salah satu kontribusi utama makalah ini adalah merumuskan masalah pembongkaran komputasi terdistribusi sebagai tantangan minimalisasi penundaan. Dengan mempertimbangkan tenggat waktu tugas dan kendala energi, para peneliti menghadirkan algoritma pembelajaran online bernama OLD-COP (Online Learning for Distributed Computation Offloading). Algoritma ini berbasis Deep Reinforcement Learning (DRL) dan dirancang untuk menjadwalkan persyaratan pembongkaran dinamis klien seluler secara online.
OLD-COP memanfaatkan model saraf yang inovatif untuk mempelajari keputusan pembongkaran dan pembagian waktu di setiap slot waktu. Dengan cara ini, algoritma ini mencapai tujuan utama: meminimalkan penundaan penyelesaian tugas jangka panjang. Hasil eksperimen menunjukkan bahwa OLD-COP mengungguli skema representatif lainnya, membuktikan keunggulan dalam hal penundaan penyelesaian tugas rata-rata dan kecepatan konvergensi algoritma.
Implikasi Praktis untuk WP-MEC
Algoritma pembelajaran online ini memiliki implikasi praktis yang signifikan untuk WP-MEC. Pertama-tama, memungkinkan klien seluler untuk memperluas kapasitas komputasi mereka melalui pembongkaran tugas. Dengan mempertimbangkan kendala energi, algoritma ini tidak hanya mengoptimalkan kinerja jangka panjang tetapi juga memberikan pendekatan terdesentralisasi yang sejalan dengan persyaratan jaringan 6G yang akan datang.
Identifikasi sembilan komponen desain platform dalam studi ini memberikan pandangan praktis tentang aspek operasional dalam lingkungan WP-MEC. Sebagai panduan bagi pengembang dan manajer platform, ini dapat digunakan untuk merancang dan mengoptimalkan platform e-commerce mereka sendiri.
