بهبود مقیاس پذیری پویای منابع برنامه های کاربردی اینترنت اشیا در محیط رایانش مه با استفاده از تکنیک یادگیری تقویتی

پیشرفت های اخیر در عرصه اینترنت اشیا ، کلان داده و یادگیری ماشین در ظهور روز افزون اپلیکیشن های پیچیده سهم بسزایی دارد. از آنجایی که دستگاه های هوشمند زندگی روزانه ما را در بر گرفتند، این اپلیکیشن ها به صورت داده های فشرده، حساس به تاخیر و بلادرنگ خواهند بود. تضمین کیفیت سرویس برای اپلیکیشن های حساس به تاخیر یک ضرورت است و رایانش مه به عنوان یکی از توانمندسازهای اولیه برای برطرف کردن این پیش نیازهای کیفیت سرویس، دیده می شود چرا که منابع رایانشی، ذخیره سازی، و شبکه را نزدیک کاربر قرار می دهد. در این مقاله ابتدا یک چارچوب برای ارائه خدمات مه پویای آگاه از کیفیت سرویس را معرفی می کنیم. چارچوب پیشنهادی به استقرار پویای سرویسهای برنامه های کاربردی در گره های مه، یا انتشار سرویس هایی که قبلا در گره های مه مستقر شده اند، به منظور پایین آوردن تاخیر و برآورده کردن پیش نیازهای کیفیت سرویس اپلیکیشن ها به منظور حداقل سازی هزینه، مربوط است. سپس به فرمولاسیون مسئله به عنوان یک مسئله بهینه سازی پرداخته شده است. علاوه بر این، از یادگیری تقویتی به عنوان تصمیم گیرنده به منظور پیدا کردن عمل مناسب مقیاس استفاده می کند. الگوریتم یادگیری تقویتی یک سیستم خود یادگیر تطبیق دهنده است که کارایی اش را از طریق تکرار تعاملات با محیط مه بهبود می بخشد. سرانجام، روش پیشنهادی با استفاده از یک شبیه سازی مبتنی بر ردیابی ترافیک ارزیابی می شود.

کلیدواژه ها:

اینترنت اشیا ، یادگیری ماشین ، رایانش مه ، یادگیری تقویتی