مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله همایش

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,556
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

521
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله همایش

عنوان

بهینه سازی تخصیص منابع مه در اینترنت اشیا با رویکرد یادگیری تقویتی عمیق

صفحات

 صفحه شروع | صفحه پایان

چکیده

محاسبات مه یک پارادایم نوظهور است که مفهوم ابر را تا لبه گسترش می دهد. این پارادایم, منابع محاسباتی, ذخیره سازی, کنترل و قابلیت های شبکه را برای تحقق برنامه های کاربردی اینترنت اشیا فراهم می کند. در مفهوم محاسبات مه, دستگاه های اینترنت اشیا, داده ها و محاسبات پیچیده را به گره های مه در اطرافشان بارگذاری می کنند. در این مقاله, به مسئله ی تخصیص بهینه منابع محدود گره های مه به برنامه های اینترنت اشیا می پردازیم. در واقع, مسئله ی تخصیص منابع را می توان به صورت یک سیستم تصمیم گیری آنلاین در نظر گرفت که در آن گره های مه باید تصمیم بگیرند که آیا درخواست های دریافتی از دستگاه های اینترنت اشیا را به صورت محلی پردازش کنند یا آن ها را به گره های ابر در فواصل دور فرستند. رویکرد های کنونی برای تخصیص منابع مه از انطباق پذیری کافی در محیط های دارای نویز و عدم قطعیت برخوردار نیستند. به همین منظور, وجود الگوریتم های متکی به یادگیری در این حوزه امری ضروری است. در این مقاله, در مرحله ی اول مسئله تخصیص منابع مه به عنوان یک فرایند تصمیم گیری مارکوف مدل سازی شده است. سپس روشی بر پایه ی رویکرد یادگیری تقویتی عمیق جهت حل این مسئله پیشنهاد شده است. در واقع, بر اساس الگوریتم گرادیان سیاست, گره های مه یاد می گیرند که چگونه وظایف IoT را به روشی بهینه برنامه ریزی کنند. روش پیشنهادی با رویکرد غیر یادگیری مقایسه شده است که در آن وظایف بر اساس طول اجرایشان و بدون در نظر گرفتن اولویت وظایف, به گره های مه تخصیص داده می شوند. نتایج به دست آمده با توجه به پاداش تجمعی در طول فرایند اجرای الگوریتم پیشنهادی, حاکی از یادگیری سیاست تخصیص منابع به صورت برخط است. این امر منجر به بهبود معیارهای میانگین تاخیر و میانگین تاخیر در شرایط سخت برای سیستمی با اولویت های مختلف وظایف, در مقایسه با روش غیر یادگیری می شود.

ویدئو

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    چمنی، دانوش، وفایی، پارسا، و موحدی، زهرا. (1400). بهینه سازی تخصیص منابع مه در اینترنت اشیا با رویکرد یادگیری تقویتی عمیق. کنفرانس بین المللی وب پژوهی. SID. https://sid.ir/paper/900439/fa

    Vancouver: کپی

    چمنی دانوش، وفایی پارسا، موحدی زهرا. بهینه سازی تخصیص منابع مه در اینترنت اشیا با رویکرد یادگیری تقویتی عمیق. 1400. Available from: https://sid.ir/paper/900439/fa

    IEEE: کپی

    دانوش چمنی، پارسا وفایی، و زهرا موحدی، “بهینه سازی تخصیص منابع مه در اینترنت اشیا با رویکرد یادگیری تقویتی عمیق،” presented at the کنفرانس بین المللی وب پژوهی. 1400، [Online]. Available: https://sid.ir/paper/900439/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.
  • مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button