7962

بررسي روش هاي تخليه بار مبتني بر يادگيري در اينترنت اشياء

1399

دكتر زينب موحدي

يكي از ماموريت‌هاي نسل پنجم شبكه‌هاي ارتباطي (5G)، ارائه اتصالات گسترده به منظـور پشـتيباني تطـابق‌پـذير بـا توسـعه روزافزون اينترنت اشياء مي‌باشد. ويژگي‌هاي 5G همچـون تـامين نـرخ داده‌ي بـالا، تـاخير كـم، قابليـت اطمينان بالا و اتصالات گسترده، قابليت‌هاي ارتباطي را براي بسـتر اينترنـت اشـياء فـراهم مـي‌كنـد. يكي از چالش‌هاي اساسي در اينترنت اشياء، محدوديت توان محاسباتي و انرژي در دستگاهه‌هاي متصل آن مي‌باشد. روش‌هـاي تخليـه‌بار محاسـباتي در رايـانش لبـه بـا دسترسي چندگانه (MEC)، رايانش ابري موبايل (MCC) يا تخليه‌بار با استفاده از ارتباطات دستگاه-به-دسـتگاه (D2D) بـه‌عنوان راهكاري كارآمد در دستگاه‌هاي اينترنت اشياء داراي محدوديت توان محاسباتي و انرژي، در نظر گرفته مي‌شود. به فرآيند انتقال بار محاسباتي از دستگاه‌هاي اينترنت اشياء، به ابر يا كارگزار و يا هر منبع محاسباتي در نزديكي دستگاه، تخليه‌بار محاسباتي مي‌گويند. تخليه‌بار محاسباتي به دو شيوه درشت‌دانه و ريزدانه قابل پياده‌سازي مي‌باشد. در پياده‌سازي درشت‌دانه كل برنامه براي اجرا تخليه شده اما در تخليه‌بار ريزدانه برنامه براساس سطوح دانه‌بندي به مولفه‌ها، توابع، پروسه‌ها و يا اشياء تقسيم‌بندي شده و تنها قسمت‌هايي از آن كه منجر به بهبود قابل توجهي از نظر انرژي مصرفي و زمان اجراي برنامه مي‌شود جهت اجرا به بيرون از دستگاه منتقل مي‌گردد. به‌كارگيري مكانيسم‌هاي يادگيري در روش‌هاي تخليه‌بار به منظور اتخاذ بهترين تصميم جهت تخليه‌بار و كسب بيشترين سودمندي از نظر كاهش مصرف انرژي و تاخير، تاثير به‌سزايي خواهد داشت. در اين گزارش برآنيم كه به بررسي روش‌هاي تخليه‌بار محاسباتي مبتني بر يادگيري، بپردازيم. به اين منظور، به مطالعه تعاريف و مفاهيم اصلي حوزه مورد نظر پرداخته و كارهاي مرتبط در اين حوزه مورد بررسي قرار مي‌گيرد. با توجه به اين كه بررسي ساير كارهاي تخليه‌بار محاسباتي فارغ از اين كه مبتني بر يادگيري ماشين باشند يا خير، ما را در شناسايي چالش‌ها و مسائل باز، قابل تعميم با يادگيري ماشين ياري مي‌رساند، كارهاي مرتبط برحسب روش تصميم‌گيري مورد استفاده تقسيم‌بندي شده و در هر دسته مورد مقايسه قرار گرفته‌اند. در نهايت با بهره‌برداري از ديد مناسب به دست آمده از مقايسه هر دسته، پيشنهاد پايان نامه مبني بر ارائه يك روش تخليه‌بار ميتني بر يادگيري ماشين در رايانش لبه با دسترسي چندگانه در اينترنت اشياء، با هدف رفع چالش‌هاي بررسي شده، ارائه مي‌شود.

12/21/2020 12:00:00 AM

69853

1399/10/18

Study of learning-based computation offloading in Internet of Things

اينترنت اشياء , تخليه‌بار محاسباتي , يادگيري ماشين , رايانش ابري موبايل , رايانش لبه

Internet of things , Computation Offloading , Machine Learning , Mobile Cloud Computing , Edge Computing