تخصیص بارکاری در لبه شبکه با استفاده از مدلهای یادگیری ماشین سبک با درنظر گرفتن محدودیت منابع

تعداد دستگاه های متصل به شبکه اینترنت اشیاء به سرعت گسترش یافته است. این امر، موجب افزایش قابل توجه بار محاسباتی در شبکه شده است.برای غلبه بر این چالش، محاسبات ابری به عنوان یک راهکار مناسب ارائه شد. اما محاسبات ابری تاخیر قابل توجهی را برای پردازش بارها متحمل میشد. پردازش بارهای کاری در لبه شبکه علاوه بر کاهش زمان پاسخ موجب افزایش کیفیت خدمات میشود. همچنین باید به محدودیت منابع در لبه شبکه توجه داشت. بنابراین علاوه بر توزیع بارکاری در لبه شبکه و حفظ تعادل بین انرژی مصرفی و تاخیر، باید محدودیت منابع مانند حافظه مصرفی را در نظر گرفت. در این مقاله، از یک مدل یادگیری ماشین سبک بر پایه جنگل تصادفی با نام TinyRF برای متعادل کردن مصرف انرژی و کاهش تاخیر در پردازش بارهای کاری با درنظر گرفتن محدودیت حافظه در لبه شبکه پیشنهاد شده است. نتایج آزمایشهای ما نشان دهنده برتری TinyRF نسبت به روشهای مشابه است. شبیه سازی نشان میدهد که روش پیشنهادی میتواند علاوه بر توزیع بارکاری، سبب کاهش همزمان تاخیر و انرژی مصرفی و ایجاد مصالحه بین آنها و حافظه مصرفی شوند.

کلیدواژه ها:

اینترنت اشیاء ، کیفیت سرویس ، محاسبات لبه ، یادگیری ماشین