10271

استفاده از روشهاي يادگيري ماشين برخط براي مقياس‌پذيري خودكار در محيطهاي محاسبات لبه موبايل

كارشناسصي

مهندسي كامپيوتر

1404

دكتر مهرداد آشتياني

دكتر مرضيه ملكي‌مجد

1404/12/03

مهندسي كامپيوتر

Using Online Machine Learning For Automatic Scalability in Mobile Edge Computing Environment

در اين پژوهش، يك سامانه‌ي مقياس‌پذيري خودكار هوشمند براي محيط‌هاي رايانش لبه‌اي تلفن همراه طراحي و پياده‌سازي شد. هدف اصلي اين سامانه، تصميم‌گيري پويا، سريع و دقيق در زمينه‌ي مقياس‌پذيري منابع، بدون نياز به مدل‌هاي از پيش آموزش‌ديده و بر پايه‌ي روش‌هاي يادگيري ماشين برخط بود. در اين روش، از تركيب چند مدل سبك و سريع شامل درخت هوفدينگ، درخت تطبيقي هوفدينگ، رگرسيون تهاجمي انفعالي و مدل نزديك‌ترين همسايه استفاده شد. اين مدل‌ها به‌صورت هم‌زمان و با بهره‌گيري از سازوكار تجميع وزني نمايي، بر اساس عملكرد اخير هر مدل وزن‌دهي شدند تا سامانه بتواند به‌صورت خودكار و تطبيقي، خود را با تغييرات محيط و نوسانات بار كاري هماهنگ كند. يكي از دستاوردهاي مهم اين پژوهش، طراحي چرخه‌ي يادگيري پيوسته بود كه در آن، سامانه در هر مرحله داده‌هاي جديد را پردازش كرده و بدون نياز به بازآموزي كامل، مدل را به‌روزرساني مي‌كند. اين ويژگي موجب كاهش چشمگير سربار محاسباتي و افزايش توان واكنش سريع در تصميم‌گيري‌هاي لحظه‌اي شد. نتايج آزمايش‌ها با استفاده از داده‌هاي واقعي نشان داد كه روش پيشنهادي در مقايسه با مدل‌هاي پايه مانند ميانگين متحرك، مدل‌هاي آماري كلاسيك از نوع هولت–وينترز و سارايما، و همچنين مدل‌هاي منفرد، عملكرد بسيار بهتري دارد. در اين پژوهش، ميانگين خطاي مطلق از مقدار 229هزارم به 52 هزارم كاهش يافت، خطاي درصدي ميانگين مطلق از حدود 79درصد به 17درصد رسيد و شاخص خطاي وزني نيز از حدود 48 درصد به 15درصد كاهش پيدا كرد. همچنين، نرخ نقض توافق سطح خدمت از بيش از 1200مورد به حدود 400مورد كاهش يافت و ميزان اضافه‌تخصيص منابع بيش از 50 درصد كمتر شد. در مجموع، سامانه‌ي پيشنهادي توانست با حفظ دقت بالا، پايداري سيستم را در برابر نوسانات بار كاري افزايش دهد و تصميمات مقياس‌پذيري را با سرعت و دقت بيشتري انجام دهد. نتايج اين پژوهش نشان داد كه استفاده از روش يادگيري برخط تطبيقي مبتني بر تجميع وزني نمايي مي‌تواند راهكاري كارآمد و مقياس‌پذير براي مديريت منابع و بهبود كيفيت خدمات در محيط‌هاي پويا و پيچيده‌ي رايانش لبه‌اي باشد.