25603

ارائه يك روش طراحي بار در بر يادگيري ماشين رايانش لبه با دسترسي چندگانه براي اينترنت اشياء

كارشناسي ارشد

مهندسي كامپيوتر - گرايش شبكه هاي كامپيوتري

1400

1400/7/6

سركار خانم دكتر زينب موحدي

مهندسي كامپيوتر

امروزه با پياده سازي نسل جديد شبكه هاي ارتباطي، شاهد تحولي عظيم در توسعه روزافزون اينترنت اشياء و ظهور برنامه ها و كاربردهاي جديد در اين بستر مي باشيم. محدوديت در اندازه، توان محاسباتي و انرژي دستگاه هاي متصل به بستر اينترنت اشياء، از جمله چالش هاي اساسي در اين بستر است كه موجب مي شود دستگاه ها توان اجراي برنامه ها با بار محاسباتي بالا و نيازمند تاخير كم را نداشته باشند. روش هاي تخليه بار محاسباتي در رايانش لبه با دسترسي چندگانه، با فراهم آوردن منابع محاسباتي و ذخيره سازي در نزديكي كاربران، راهكاري كارآمد براي مقابله يا چالش هاي ذكرشده مي باشد. با توجه به پيچيدگي ذاتي ارتباطات بي سيم و پويايي فناوري هاي محاسباتي، مسئله تصميم گيري و مديريت منابع در لبه، با هدف بهبود كارايي امري پيچيده مي باشد. بينش استفاده از رويكردهاي مبتني بر يادگيري ماشين به منظور پيش بيني جهت دهي آينده داده هاي ورودي براي افزايش دقت در تصميم گيري، از نرخ پويايي سيستم نشأت گرفته است. با اين وجود، به علت تحرك كاربر و تغيير در مشخصات برنامه هاي تخليه شده در طول زمان، مسئله تخصيص خدمت گزاران لبه به كاربران با هدف كاهش تاخير، با چالش هايي مواجه شده است. رويكردهاي فعلي تخليه بار تحرك آگاه در اين حوزه از مدل هاي تحرك غالبا ساده اي استفاده مي كنند كه نمي توانند الگوهاي تحرك كاربر را تشخيص و مورد استفاده قرار دهند. همچنين، رويكردهاي تحرك آگاه مبتني بر يادگيري ماشين نيز بسيار معدود بوده و با اجراي تخليه بار درشت دانه، كل برنامه را در سمت لبه تخليه مي كنند. با اين شيوه در صورت تحرك كاربر و الزام به وقوع مهاجرت بار تخليه شده، در اثر مهاجرت متعدد يك برنامه، شاهد افزايش سربار و تاخير در شبكه، كاهش كارايي و همچنين فعال كردن مجدد مهاجرت بر اثر عواملي چون برقراري توازن بار در خدمت گزار مقصد مي باشيم. در اين پژوهش به منظور مقابله با مهاجرت متعدد و معايب آن، يك روش تخليه بار ريزدانه ارائه داده مي شود. در اين روش هر كاربر داراي گراف برنامه بوده كه از تعدادي مولفه و داده هاي فراخواني شده ميان مولفه ها تشكيل شده است. با تخصيص هر مولفه از يك كاربر به نسبت كل برنامه به يك خدمت گزار، در صورت وقوع مهاجرت در اثر تحرك كاربر، شاهد كاهش سربار ارتباطي، تاخير و افزايش كارايي مي باشيم. همچنين، با پيش بيني موقعيت مكاني كاربر و مشخصات متغير مولفه هاي تخليه شده در طول زمان با استفاده از ظرفيت هاي يادگيري ماشين، به تصميم تخليه بهينه در راستاي رسيدن به تابع هدف يعني كمينه كردن تاخير كلي تخليه بار شامل زمان تخليه، پردازش و مهاجرت براي تمام كاربران، دست مي يابيم. باتوجه به نتايج به دست آمده از ارزيابي، مشاهده مي شود كه روش پيشنهادي، از لحاظ هدف مسئله يعني كاهش زمان كلي تخليه بار به نسبت روش مورد مقايسه، به صورت ميانگين در تمامي آزمايش ها، 2 .12 درصد بهبود داشته است. اين كاهش زمان به موجب لحاظ مدل پيش بيني تحرك مناسب به همراه ريزدانگي و بهره برداري از مزاياي آن در جهت كاهش مهاجرت و سربار ناشي از آن بوده است.

1400/09/08

Proposing a Machine learning-based Computation Offloading in Multi-access Edge Computing for IoT

9/28/2023 12:00:00 AM

Today, with the implementation of the new generation of communication networks, we are witnessing a great change in the increasing development of the Internet of Things and the emergence of new programs and applications in this context. Limitations in the size, computing power and energy of devices connected to the IoT platform are among the major challenges in this platform that make the devices unable to run programs with high computational load and low latency. Computational offloading methods in multi-access edge computing, by providing computing resources and storage near users, is an effective solution to address these challenges. However, due to user mobility and changes in the specification of applications among time, the issue of assigning edge servers to users to reduce latency faces challenges. Current mobility-aware approaches to mobility in this area use often simple mobility models that cannot detect and use user mobility patterns. Also, by performing a large-scale load offloading, the entire program is offloaded at the edge. In this way, in case of user mobility and the need to migrate the offloaded computation, due to repeated migration of a program, we see an increase in overhead and latency in the network, reduced efficiency and also reactivation of migration due to factors such as balancing the load on the destination server. In this study, in order to deal with frequent migration and its disadvantages, a fine-grained computation offloading method is presented. In this method, each user has a program graph that consists of a number of components and data invocation between components. By assigning each component from one user to the server in proportion to the entire program, in the event of migration due to user mobility, we see a reduction in communication overhead, latency, and increased efficiency. Also, by predicting the user’s location and the variable characteristics of the offloaded components over time using machine learning capabilities, we achieve the optimal offloading decision in order to achieve the objective function of minimizing the total offloading delay, including offload, processing and migration times for all users. . According to the results of the evaluation, it can be seen that the proposed method, in terms of the purpose of the problem, ie reducing the total offloading time compared to the related method, has improved by an average of 12.2 Percentage in all experiments. This reduction in time has been due to the model of predicting appropriate mobility along with fine-grain offloading and exploiting its benefits to reduce migration and the resulting overhead.

تخليه بار محاسباتي , يادگيري ماشين , رايانش لبه با دسترسي چندگانه , اينترنت اشياء

Computation Offloading , Machine Learning , Multi-access Edge Computing , Internet of Things