31375

استفاده از الگوريتم هاي يادگيري ماشين در هوش لبه براي ارتباطات فوق العاده مطمئن و كم تأخير در متاورس صنعتي

كارشناسي ارشد

مهندسي كامپيوتر - شبكه هاي كامپيوتري

1403

1403/07/25

ناصر مزيني

-

مهندسي كامپيوتر

با توجه به رشد سريع فناوري‌هاي نوظهور نظير متاورس و دوقلوي ديجيتال، نياز به يكپارچه‌سازي مؤثر بين ارتباطات، محاسبات و ذخيره‌سازي داده در سيستم‌هاي پيچيده و محيط‌هاي محاسبات لبه بيش از پيش احساس مي‌شود. چنين سيستم‌هايي به دليل تعاملات پيچيده و وابستگي زياد به شرايط محيطي، نيازمند روش‌هاي پيشرفته و هوشمند براي مديريت و تخصيص منابع هستند. از جمله چالش‌هاي اصلي اين سيستم‌ها مي‌توان به تضمين قابليت اطمينان، كاهش تأخير انتها به انتها و بهينه‌سازي مصرف انرژي براي كاربردهاي حساس به زمان نظير واقعيت افزوده و سيستم‌هاي اينترنت اشيا اشاره كرد. در اين راستا، ادغام محاسبات لبه و يادگيري تقويتي به عنوان يك رويكرد اميدواركننده براي تخصيص بهينه منابع و مديريت وظايف شبكه‌اي در چنين محيط‌هاي پيچيده‌اي پيشنهاد شده است. در اين پژوهش، يك مدل جديد ارائه شده است كه از روش‌هاي يادگيري تقويتي شبكه عصبي عميق ،Q شبكه عصبي عميق Q دوگانه و شبكه‌هاي عصبي عميق Q دوگانه جداسازي شده براي بهينه‌سازي منابع ارتباطي، محاسباتي و ذخيره‌سازي در سيستم‌هاي شبكه‌اي استفاده مي‌كند. برخلاف تكنيك‌هاي سنتي بهينه‌سازي، اين روش‌ها توانايي يادگيري از محيط، تطبيق با تغييرات و اتخاذ تصميمات هوشمندانه را حتي در سناريوهاي پيچيده و در مقياس بزرگ دارند. مدل پيشنهادي به گونه‌اي طراحي شده است كه بتواند تأخير انتها به انتها را كاهش داده و در عين حال كيفيت تجربه و قابليت اطمينان كاربران را تضمين نمايد. اين مدل، محدوديت‌هاي روش‌هاي موجود در مواجهه با فضاهاي حالت و اقدام با ابعاد بالا را بهبود مي‌بخشد. نتايج شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي، در مقايسه با روش‌هاي سنتي و الگوريتم‌هاي بهينه‌سازي مرسوم، موفق به كاهش تأخير، مصرف انرژي و بهبود بهره‌وري استفاده از منابع شده است. همچنين، استفاده از مفهوم دوقلوي ديجيتال در اين مدل باعث افزايش دقت پيش‌بيني پارامترهاي شبكه و همگام‌سازي بهتر بين مدل فيزيكي و مدل مجازي شده است كه منجر به بهبود پايداري و عملكرد كلي شبكه مي‌شود. در اين راستا، چارچوب پيشنهادي قابليت اطمينان و كارايي بالايي را براي كاربردهاي متاورس و شبكه‌هاي نسل ششم ارائه مي‌دهد و از مقياس‌پذيري و تطبيق‌پذيري بالايي براي سناريوهاي مختلف شبكه‌اي، از جمله كاربردهاي صنعتي اينترنت اشيا، شهرهاي هوشمند و شبكه‌هاي خودرويي برخوردار است؛ جايي كه بارگذاري پويا وظايف و مديريت منابع از اهميت ويژه‌اي برخوردار هستند.

1403/07/29

Using Machine Learning Algorithms in Edge Intelligence for Ultra-Reliable and Low-Latency Communications in the Industrial Metaverse

10/16/2025 12:00:00 AM

According to the rapid growth of emerging technologies such as the Metaverse and Digital Twin, the need for effective integration between communication, computing, and data storage in complex systems and edge computing environments has become increasingly critical. Such systems demand advanced and intelligent methods for managing and allocating resources due to their intricate interactions and strong dependency on environmental conditions. Among the main challenges of these systems are ensuring reliability, reducing end-to-end latency, and optimizing energy consumption for time-sensitive applications such as Augmented Reality and Internet of Things systems. In this regard, the integration of edge computing and reinforcement learning has been proposed as a promising approach for optimal resource allocation and network task management in these complex environments. In this research, a new model has been introduced that leverages reinforcement learning techniques such as Deep Q-Network (DQN), Double Q-Network (DDQN), and Dueling Double Q-Network (Dueling DQN) to optimize communication, computing, and storage resources in network systems. Unlike traditional optimization techniques, these methods can learn from the environment, adapt to changes, and make intelligent decisions even in complex and large-scale scenarios. The proposed model is designed to minimize end-to-end latency while ensuring users' quality of experience and reliability, thus overcoming the limitations of existing methods in handling high-dimensional state and action spaces. The simulation results indicate that the proposed method, compared to traditional methods and conventional optimization algorithms, successfully reduces latency, energy consumption, and improves resource utilization efficiency. Moreover, the use of the Digital Twin concept in this model enhances the accuracy of network parameter predictions and provides better synchronization between the physical and virtual models, which results in improved stability and overall network performance. Consequently, the proposed framework offers high reliability and efficiency for Metaverse and 6G system applications, and it demonstrates high scalability and adaptability to various network scenarios, including industrial IoT applications, smart cities, and vehicular networks, where dynamic task offloading and resource management are of utmost importance.

متاورس , دوقلوي ديجيتال , يادگيري تقويتي , هوش لبه , ارتباطات فوق العاده قابل اطمينان و كم تأخير

Metaverse , Digital Twin , Reinforcement Learning , Edge Intelligence , Ultra-Reliable and LowLatency Communications

Reza Mohammadvand

Dr. Naser Mozayani