المهندس علي عدنان عبدالكاظم
تسارَع اعتماد إنترنت الأشياء (IoT) أدّى إلى تدفّق هائل للبيانات من أجهزة طرفية محدودة القدرة الحاسوبية.
نقل هذه البيانات بالكامل إلى السحابة يسبب تأخرًا (latency) واستهلاكًا عاليا للنطاق الترددي ويزيد مخاطر الخصوصية.
تُقدّم الحوسبة على الحافة (Edge/MEC) نموذجًا بديلاً عبر نقل قدرات المعالجة والذكاء إلى قرب مصدر البيانات (المستشعر/المُشترك)، ما يمكّن المعالجة اللحظية، ويوفّر استخدامًا أكثر كفاءة للموارد، ويحسّن الحماية عبر إبقاء البيانات محليًا قدر الإمكان.
تُعرِّف ETSI إطار Multi-access Edge Computing (MEC) كبيئة خدمات سحابية عند حافة الشبكة ضمن الـRAN أو أي وصول شبكي آخر، لتمكين تطبيقات زمن استجابة منخفض جدًا ودعم كشف معلومات الشبكة في الزمن الحقيقي للتطبيقات.
1.مقدمة
مع تضخّم عدد العقد الطرفية (حساسات، كاميرات، روبوتات، مركبات، أجهزة طبية)، باتت الشبكات السحابية وحدها غير كافية لسيناريوهات تتطلب استجابة لحظية أو اتصالاً متقطّعًا. MEC يقرّب الحوسبة من المستخدم النهائي للتخفيف من التأخير والازدحام وتحسين تجربة الخدمة، وهو ما أكدته وثائق ETSI وتقارير صناعية حديثة.
2.خلفية ومفاهيم أساسية
2.1.الحوسبة على الحافة وMEC
•التعريف القياسي: MEC نظام يوفّر بيئة خدمات سحابية وإمكانات حوسبة عند حافة شبكة الوصول، قريبًا من المستخدمين، وبشكل مستقل عن نوع الوصول (خلوي/واي-فاي/…)، وفق ETSI GR MEC 001.
•الهدف: تخفيض التأخير والازدحام عبر تنفيذ التطبيقات ومعالجة البيانات محليًا في العُقد الطرفية أو عقد حافة قريبة من محطات القاعدة/المبدّلات.
•المعايير والبنية المرجعية: وثيقة ETSI GS MEC 003 تشرح العناصر الوظيفية ونقاط المراجع APIs والتكامل وإدارة دورة حياة التطبيقات على الحافة.
2.2.الذكاء على الجهاز (On-Device AI/TinyML)
•TinyML/On-device AI تمكّن الاستدلال (وأحيانًا التعلم) على متحكمات دقيقة ووحدات طرفية عبر تقنيات مثل الكمّنة (8-bit/4-bit)، والاقتطاع/التقليم (pruning)، وتصميم معماريات خفيفة، بما يحقق زمن استجابة أسرع ووفورات طاقة ويحافظ على الخصوصية.
2.3.التعلم الفدرالي (FL) لـIoT
•الفكرة: تدريب نموذج مشترك عبر مواقع متعددة من دون مشاركة البيانات الخام؛ تُرسل تحديثات/أوزان فقط، ما يحافظ على خصوصية البيانات ويقلل النقل. مراجعات حديثة توضح ملاءمته لبيئات IoT مقيدة الموارد.
3.بنية Edge AI-IoT المقترحة (تصوّر مرجعي)
الطبقات الرئيسية:
1.أجهزة الاستشعار/المشترك (Things): توليد البيانات ومعالجة أولية بسيطة (ترشيح، ضغط، ملامح خفيفة).
2.عقد الحافة/MEC: تنفيذ استدلال/تعلّم محلي لنماذج مضغوطة، تجميع بيانات/ملامح، واجهات MEC APIs للوصول إلى معلومات RAN وموارد الشبكة.
3.السحابة/المركز: تدريب نماذج ثقيلة، تجميع عالمي لنماذج FL، تحليلات بعيدة المدى وتخزين بارد.
مسارات العمل:
•استدلال على الجهاز عند الحاجة لزمن استجابة فائق القصر أو اتصال متقطّع (كاميرا صناعية، روبوت/درون).
•استدلال على الحافة (MEC) عندما يلزم توازن بين دقة أعلى وقدرة حسابية مع المحافظة على القرب من المصدر.
•FL عبر الأجهزة/العُقد لتحديث نموذج مشترك دون رفع البيانات الخام.
4.تقنيات تمكين Edge AI
4.1.تحسين النماذج
•الكمّنة (Quantization) والتقليم (Pruning) والبحث التلقائي عن البنى (NAS) لخفض الحجم واستهلاك الطاقة مع الحفاظ على الدقة. مراجعات أكاديمية حديثة ترصد الاتجاهات من TinyML إلى TinyDL والنُظم البرمجية الداعمة.
4.2.منصات العتاد & المسرّعات
•من MCU وصولًا إلى مسرّعات عصبية على الحافة، مع أطر توزيع/تحويل نماذج للاستدلال المحلي (استعراض شامل لتطبيقات الهواتف، IoT، والحافة في مسح حديث على “ On-Device AI
4.3.5G/6G وMEC
•الدمج مع شبكات 5G (وما بعدها) يتيح وصولًا فائق الاعتمادية وزمنًا منخفضًا، وإمكانية تعريض معلومات الـRAN في الزمن الحقيقي للتطبيقات، وهو محور رئيسي في مواصفات ETSI و3GPP لإدارة الحافة وواجهات التكامل
5.الأمن والخصوصية
•FL + خصوصية تفاضلية/تشفير: تُقلّل خطر تسريب البيانات، وتحافظ على الامتثال عند التعامل مع بيانات حساسة (صحية/موقعية) في IoT. استعراضات 2024–2025 تشير إلى جدوى FL في IoT مع تحديات مثل تغاير الأجهزة وعدم توازن البيانات.
•سطح هجوم MEC: يستوجب إدارة دورة حياة التطبيقات على الحافة، والعزل متعدد المستأجرين، ومراقبة الأداء والاعتمادية، كما توضح دراسات الأمان والاعتمادية في MEC.
6.حالات تطبيقية مختارة
1.المدن الذكية: كشف الشذوذ بحركة المرور واستدلال الرؤية على الحافة لتخفيف التأخير وتحسين السلامة.
2.الصناعة 4.0/الروبوتات (IoRT): استشعار بصري على الدرون/الروبوت مع استدلال محلي لتجنّب العقبات دون الاعتماد المستمر على السحابة.
3.الصحة المتصلة: أجهزة قابلة للارتداء تُجري تصنيفًا للإشارات الحيوية محليًا (TinyML)، مع FL على مستوى المؤسسة للحفاظ على الخصوصية عند تحديث النماذج.
7.مقاييس تقييم عملية
للمقارنة بين “سحابة فقط” و“حافة/جهاز”، استخدم:
•زمن الاستجابة end-to-end جمع/معالجة/نقل.
•حجم نقل البيانات قبل/بعد المعالجة المحلية.
•الدقة/الـF1 قبل/بعد ضغط النموذج.
•الطاقة على الجهاز mAh / استدلال.
•مؤشرات الخصوصية: كمية/حساسية البيانات المرسلة خارج الحدود، واعتماد FL.
هذه المقاييس متسقة مع أهداف MEC (تقليل التأخير وحركة المرور) ومع مبادئ TinyML/On-device AI.
8.خاتمة
التكامل بين الذكاء الاصطناعي وإنترنت الأشياء عبر الحوسبة على الحافة/MEC يوفّر معالجة لحظية، خفضًا في حركة البيانات، وتحسينًا للخصوصية. هذا التكامل مدعوم بمعايير راسخة من ETSI/3GPP ومنهجيات حديثة في TinyML/On-device AI والتعلم الفدرالي. بناء حلول عملية يتطلب تصميمًا مشتركًا للنموذج والعتاد والبروتوكول واختيار موضع التنفيذ (جهاز/حافة/سحابة) حسب القيود والتطبيق.
جامعة المستقبل الجامعة الاولى في العراق