شماره ركورد
27054
پديد آورنده
محسن دارچيني تبريزي
عنوان
ارائهي يك روش بارسپاري جزئي آگاه از كارايي در محاسبات لبهاي دسترسي چندگانه
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي كامپيوتر - نرمافزار
سال تحصيل
1399
تاريخ دفاع
1401/7/2
استاد راهنما
رضا انتظاري ملكي
دانشكده
مهندسي كامپيوتر
چكيده
فراگيري برنامههاي كاربـردي نوظهور چالشهاي جديدي را در زمينههاي مصرف انرژي، پردازش محاسبات و ذخيرهسازي دادهها ايجاد كرده است. محاسبات لبهاي دسترسي چندگانه به عنوان يك الگوي محاسباتي نوين كه ميتواند باركاري دستگاههاي كاربران را به سرويسدهندههاي قدرتمند موجود در محل آنها با صرف كمترين زمان و انرژي ممكن منتقل كرده و از اين طريق موجب بهبود كيفيت ارائه خدمات و كـارايي اجراي وظايف شود، اميدواريهايي را ايجاد نموده است. با توجه به اينكه در نظر گرفتن امكان بارسپاري وظايف و تخصيص توأمان منابع در اين الگوي محاسباتي يكي از اصليترين محورهاي توجه براي كاربردهاي آگاه از كارايي ميباشد، در اين پاياننامه به بررسي ريزدانهي مسئله بارسپاري وظايف در شرايط پويـا و متغير با زمان پرداخته شده است. با بهرهگيري از ايدهي پيشنهادي در اين پاياننامه ميتوان هزينهي نرمالشدهي سيستم كه متشكل از جمع وزندار زمان تكميل وظايف و ميزان انرژي مصرفي آنها ميباشد را كاهش داد كه اين امر با استفاده از فرمولهسازي و مدل كردن مسئله و ارائهي الگوريتمهايي بر اساس يادگيري تقويتي و يادگيري تقويتي عميق صورت گرفته است. نتـايج شبيهسازيهاي انجامشده بيانگر بهبود معيارهاي زمان تكميل وظايف و انرژي مصرفي آنها نسبت به ساير روشهاي موجود بوده كه در نهايت منجر به متوسط كاهش 19 و 22 درصدي در سناريوهاي مربوط به ارزيابي هزينهي نرمالشدهي سيستم ميگردد.
تاريخ ورود اطلاعات
1401/07/09
عنوان به انگليسي
Performance-aware Partial Task Offloading in Multi-access Edge Computing
تاريخ بهره برداري
9/24/2023 12:00:00 AM
دانشجوي وارد كننده اطلاعات
محسن دارچيني تبريزي
چكيده به لاتين
The proliferation of new applications has led to new challenges in energy consumption, computation processing, and data storage. Multi-access Edge Computing (MEC) is a new computational paradigm that can transfer workloads from users' devices to powerful servers in the same location with the least possible time and energy overhead to improve the QoS and performance of task execution. Since joint task offloading and resource allocation in MEC is one of the main concerns of performance-aware applications, this thesis explores a fine-grained view to task offloading process under the dynamic and time-varying conditions of the entire system. With use of this thesis can reduce the normalized cost of the system, which is the weighted sum of the completion time and the consumed energy, by formulating the problem and proposing new algorithms based on the Reinforcement and Deep Reinforcement Learning approach. The results of the simulations show improvements in the completion time and energy consumption of the tasks compared to other existing methods and leads to an average reduction of 19 and 22 percent in the scenarios related to the evaluation of the normalized cost of the system.
كليدواژه هاي فارسي
بارسپاري وظايف , محاسبات لبهاي دسترسي چندگانه , تخصيص منابع , كارايي , يادگيري تقويتي عميق.
كليدواژه هاي لاتين
Task Offloading , Multi-access Edge Computing , Resource Allocation , Performance , Deep Reinforcement Learning
Author
Mohsen Darchini-Tabrizi
SuperVisor
Reza Entezari-Maleki