La proliferación exponencial del Internet de las Cosas (IoT) y el IoT óptico (O-IoT) ha introducido desafíos sustanciales en cuanto a capacidad computacional y eficiencia energética. Los dispositivos IoT generan volúmenes vastos de datos agregados y requieren procesamiento intensivo, lo que a menudo resulta en latencias elevadas y un consumo de energía excesivo. La descarga de tareas ha surgido como una solución viable; sin embargo, muchas estrategias existentes no logran optimizar adecuadamente tanto la latencia como el uso de energía. Este artículo propone un nuevo enfoque de descarga de tareas basado en el aprendizaje de redes Q profundas (DQN), diseñado para equilibrar de manera inteligente y dinámica estos métricas críticas. El marco propuesto refina continuamente las decisiones de descarga de tareas en tiempo real aprovechando las capacidades de aprendizaje adaptativo de DQN, reduciendo así de manera sustancial la latencia y el consumo de energía. Para mejorar aún más el rendimiento del sistema, el marco incorpora redes ópticas en la arquitectura IoT–niebla–nube, capitalizando sus características de alta capacidad de banda ancha y baja latencia. Esta integración facilita una distribución y procesamiento más eficientes de las tareas, particularmente en aplicaciones IoT intensivas en datos. Además, presentamos un análisis comparativo entre el algoritmo DQN propuesto y la estrategia óptima. A través de simulaciones extensivas, demostramos la efectividad superior del marco DQN propuesto en varios escenarios de IoT y O-IoT en comparación con los enfoques BAT y DJA, logrando mejoras en el consumo de energía y la latencia de 35%, 50%, 30% y 40%, respectivamente. Estos hallazgos subrayan la importancia de seleccionar una estrategia de descarga adecuada adaptada a los requisitos específicos de las aplicaciones IoT y O-IoT, particularmente en relación con la estabilidad ambiental y las demandas de rendimiento.
Benaboura et al. (Fri,) estudiaron esta cuestión.