سیستم عامل بومی هوش مصنوعی در پیوستار محاسباتی Cloud-Edge: چارچوبی تطبیقی برای مدیریت هوشمند منابع، امنیت توضیح پذیر و پایداری انرژی

با گسترش سریع کاربردهای بلادرنگ اینترنت اشیاء، مدل های هوش مصنوعی بزرگ (LLMها) و نیاز به پردازش نزدیک به منبع داده، سیستم عامل های ابری سنتی دیگر قادر به پاسخگویی به چالش های مقیاس پذیری، تاخیر، مصرف انرژی و تهدیدات سایبری پویا نیستند. این پژوهش چارچوب یک سیستم عامل بومی هوش مصنوعی (AI-Native OS) را در پیوستار Cloud-Edge پیشنهاد می کند که هوش مصنوعی را نه به عنوان لایه افزونه، بلکه به عنوان بخشی ذاتی از هسته سیستم (AI as the control plane) در نظر می گیرد. این چارچوب با بهره گیری از یادگیری تقویتی عمیق توزیع شده (Distributed Deep Reinforcement Learning) مانند مدل های PPO و Multi-Agent RL، هوش مصنوعی مولد برای تولید خودکار سیاست ها، و تکنیک های توضیح پذیری هوش مصنوعی (XAI) مانند SHAP و LIME، مدیریت منابع، امنیت و بهینه سازی کربن محور را به صورت خودکار و شفاف انجام می دهد. معماری پنج لایه ای پیشنهادی امکان تقسیم هوشمند وظایف، مهاجرت تطبیقی کانتینرها و VMها، تشخیص آنومالی رفتاری با Graph Neural Networks، و زمان بندی سبز (carbon-aware scheduling) را فراهم می کند. شبیه سازی های گسترده با ابزارهای ترکیبی CloudSim، EdgeCloudSim و سناریوهای واقعی Google) Cluster Traces، workloads IoT و( inference AI نشان دهنده کاهش حدود ۲۷-۳۲٪ مصرف انرژی، کاهش ۶۸٪ زمان تشخیص و پاسخ به تهدیدات، بهبود نرخ رعایت SLA به بیش از ۹۶٪ و کاهش ۴۲-۵۵٪ مهاجرت های غیرضروری است. این چارچوب با روندهای نوظهور ۲۰۲۵-۲۰۲۶ مانند AI-Native Cloud )DigitalOcean با لایه های infrastructure، inference، data و (managed agents ، GKE برای agent-native orchestration و رویکردهای Carbon-Aware Edge Computing همخوانی کامل دارد و مبنایی محکم برای توسعه پلتفرم های محاسباتی همگرا، پایدار و قابل اعتماد فراهم می آورد.

کلیدواژه ها:

سیستم عامل بومی هوش مصنوعی ، پیوستار Cloud-Edge ، یادگیری تقویتی عمیق توزیع شده ، امنیت توضیح پذیر (XAI) ، بهینه سازی انرژی کربن محور ، ارکستراسیون هوشمند ، AIOps ، Agentic AI ، محاسبات سبز