18535

۱۸۵۳۵

ارائه يك روش براي تضمين كيفيت خدمات در شهر هوشمند

كارشناسي ارشد

شبكه‌هاي كامپيوتري

بهمن ۱۳۹۶

دكتر زينب موحدي

كامپيوتر

اينترنت اشياء فناوري نو ظهوريست كه در آينده نه چندان دور با اتصال سراسري اشيائي همچون لوازم منزل، سيستم‌هاي تهويه، ماشين‌هاي اداري، ماشين‌آلات صنعتي و كشاورزي، حسگرها، خودروها و هر آنچه كه شئ تلقي مي‌شود، موجب سهولت انجام وظايف انساني خواهد شد. يكي از شاخه‌هاي اينترنت اشياء، اينترنت اشياء شهري است كه با بكارگيري فناوري‌هاي ارتباطي نوين، زمينه لازم براي ايجاد شهر هوشمند به منظور ارائه خدمات ارزش افزوده براي مديران و شهروندان فراهم مي‌كند. در شهر هوشمند خدمات شهري همچون بانك‌ها، فروشگاه‌ها، پاركينگ‌ها و حمل‌و‌نقل هوشمند‌سازي مي‌شوند و مي‌توانند با كيفيت بيشتر به شهروندان ارائه گردند. يكي از چالش‌هاي موجود در شهرهوشمند كيفيت خدمات است. كيفيت خدمات در زمينه شهرهوشمند مي تواند به معني كيفيت داده‌هاي جمع آوري شده، كيفيت اطلاعاتي كه از داده‌ها استخراج مي‌شوند، كيفيت تجربه و كيفيت تصميم‌گيري باشد. حال اگر شهروندي تصميم بگيرد از شماري از خدمات شهري به صورت متوالي استفاده نمايد، اينكه كدام خدمت را از كدام خدمت‌دهنده دريافت كند، اين خدمات را به چه ترتيبي دريافت كند و از كدام مسير براي رسيدن به محل خدمت در شهر عبور كند، يك مساله تركيب خدمت است كه حل اين مساله مي‌تواند در كيفيت كلي خدمات شهر هوشمند چه از نظر فردي و چه از نظر جمعي در مواردي همچون مصرف زمان و منابع تاثيرگذار باشد. در اين موارد مي‌توان با در نظر گرفتن اطلاعات دريافت شده از خد‌مت‌دهنده در رابطه با تعداد خدمت‌گيرندگان كنوني، خدمات موجود و در دسترس بودن آن‌ها و همچنين با دريافت اطلاعات مربوط به ترافيك شهري نسبت به انتخاب خدمت‌دهنده‌ها، ترتيب‌دهي آن‌ها و مسيريابي ميان آن‌ها تصميم مناسب گرفت و درخواست‌كنندگان را از مسير‌هاي خلوت‌تر به خدمت‌دهندگان خلوت‌تر با كيفيت بهتر هدايت كرد. در اين راستا، كارهاي انجام شده در حوزه كيفيت خدمات در شهر هوشمند، بر اساس زمينه و نوع مساله دسته‌بندي و بررسي شده‌است. همچنين به منظور حل مساله تركيب خدمت در شهر هوشمند با رعايت محدوديت‌ها، يك معماري و روش بر اساس الگوريتم‌هاي جستجوي فراگير، ‌‌ژنتيك، بهينه‌سازي ازدحام ذرات و كلوني زنبور‌عسل ارائه شده‌است. در اين روش براي يافتن پاسخ بهينه يا نزديك به بهينه ابتدا مساله تركيب خدمت به يك مساله فروشنده دوره‌گرد عمومي تبديل مي‌شود، سپس بوسيله الگوريتم‌هاي نامبرده با در نظر گرفتن محدوديت‌ها حل مي‌شود و پاسخ مساله به صورت يك زنجيره خدمت بدست مي‌آيد. پياده‌سازي و نتايج ارزيابي نشان مي‌دهد كه اين روش نسبت به ساير روش‌هاي تركيب خدمت تا ۱۵درصد در سوددهي، ۱۰ درصد در كيفيت خدمت‌دهنده، ۳۰ درصد در طول مسير و زمان مسير بهبود ايجاد كرده‌است. همچنين آزمايش‌ها در حضور محدوديت بر روي يكي از پارامتر‌هاي كيفيت نشان مي‌دهد كه مي‌توان با حد اكثر كاهش ۵ درصدي در ميزان سوددهي، تا ۱۵ درصد آن پارامتر را بهبود بخشيد.

1396/12/08

2/18/2020 12:00:00 AM

The Internet of Things (IoT) is an emerging technology which aims at facilitating human tasks by globally connecting things such as home appliances, ventilation systems, industrial and agricultural machines, sensors and vehicles. The Internet of Urban Things is a kindred topic that utilizes novel communication technologies to pave the way for a Smart City, providing citizens with value-added services. Service providers in a smart city (e.g. banks, shops, parkings lots, transportation system) are equipped with IoT-based smart features to provide citizens with a desirable quality of experience (QoE). A decision to use several city services is, consequently, a service composition problem, whereby acquiring each service from the best nearby service provider, the optimal order of receiving the city services, and the optimal route to reach each one can improve the overall QoE for the composite service. In this scenario, web-based IoT, and more specifically, RESTful IoT, affords information regarding available services and service providers, the number of current clients in a city service provider, and city traffic, in order to facilitate decision making. To achieve a solution to the urban service composition problem, we incorporate the information provided by the IoT and propose a QoE-aware service composition method for the smart city based on the generalized traveling salesman problem. (GTSP). The metaheuristic and genetic algorithms are utilized to solve the problem. Our real testbed experiments demonstrate that our proposals, taking into account the optimal sequence of services, can outperform other service composition methods when transferred to the smart city context in terms of time and total QoE.