آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,262 |
| تعداد مقالات | 15,535 |
| تعداد مشاهده مقاله | 51,553,337 |
| تعداد دریافت فایل اصل مقاله | 14,493,462 |
توسعه مدل‌های کوچک یادگیری ماشین برای توزیع بهینه بارهای کاری در شبکه‌های لبه | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 30 بهمن 1402 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2024.57664.4672 | ||
| نویسندگان | ||
| محمدرضا پورحسینی1؛ مهدی عباسی* 2؛ احسان محمدی پسند3 | ||
| 1گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران | ||
| 2گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سین، همدان، ایران. | ||
| 3گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران. | ||
| چکیده | ||
| تعداد دستگاه‌های متصل به شبکه اینترنت اشیاء به سرعت گسترش یافته است. این امر، موجب افزایش قابل توجه بار محاسباتی در شبکه‌ها شده است. برای غلبه بر این چالش، محاسبات ابری به عنوان یک راهکار مناسب ارائه شد. اما محاسبات ابری تأخیر قابل توجهی را برای پردازش بارها متحمل می‌شد. پردازش بارهای کاری در لبه شبکه و به صورت محلی تاخیر را کاهش می‌دهد. اما، به دلیل محدودیت منابع محاسباتی در لبه شبکه، مدیریت منابع و بهینه‌سازی استفاده از آنها از چالش‌های اساسی در پردازش لبه است. بنابراین علاوه بر توزیع بارکاری در لبه شبکه و حفظ تعادل بین انرژی مصرفی و تأخیر، باید محدودیت منابع مانند حافظه مصرفی را در نظر گرفت. در این مقاله، یک روش برخط مبتنی بر سیستم‌های طبقه بندی کننده یادگیری XCS (LCS)، با نام TinyXCS و یک روش برون‌خط مبتنی بر درخت تصمیم با نام TinyDT، برای متعادل کردن مصرف انرژی و کاهش تأخیر در پردازش بارهای کاری با درنظر گرفتن محدودیت حافظه در لبه شبکه پیشنهاد شده است. نتایج آزمایش‌های ما نشان‌دهنده برتری TinyXCS و TinyDT نسبت به روش‌های مشابه است. شبیه‌سازی نشان می‌دهد که روش‌های پیشنهادی می‌توانند علاوه بر توزیع بارکاری، سبب کاهش همزمان تأخیر و انرژی مصرفی و ایجاد مصالحه بین آنها و حافظه مصرفی شوند. | ||
| کلیدواژه‌ها | ||
| اینترنت اشیاء؛ محاسبات لبه؛ یادگیری ماشین؛ توزیع بارکاری؛ کیفیت سرویس | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 98 |
||