تخصيص باركاري در لبه شبكه با استفاده از مدلهاي يادگيري ماشين سبك با درنظر گرفتن محدوديت منابع

اعداد دستگاه هاي متصل به شبكه اينترنت اشياء به سرعت گسترش يافته است. اين امر، موجب افزايش قابل توجه بار محاسباتي در شبكه شده است. براي غلبه بر اين چالش، محاسبات ابري به عنوان يك راهكار مناسب ارائه شد. اما محاسبات ابري تأخير قابل توجهي را براي پردازش بارها متحمل ميشد. پردازش بارهاي كاري در لبه شبكه علاوه بر كاهش زمان پاسخ موجب افزايش كيفيت خدمات ميشود. همچنين بايد به محدوديت منابع در لبه شبكه توجه داشت. بنابراين علاوه بر توزيع باركاري در لبه شبكه و حفظ تعادل بين انرژي مصرفي و تأخير، بايد محدوديت منابع مانند حافظه مصرفي را در نظر گرفت. در اين مقاله، از يك مدل يادگيري ماشين سبك بر پايه جنگل تصادفي با نام TinyRF براي متعادل كردن مصرف انرژي و كاهش تأخير در پردازش بارهاي كاري با درنظر گرفتن محدوديت حافظه در لبه شبكه پيشنهاد شده است. نتايج آزمايش هاي ما نشان دهنده برتري TinyRF نسبت به روش هاي مشابه است. شبيه سازي نشان مي دهد كه روش پيشنهادي ميتواند علاوه بر توزيع باركاري، سبب كاهش همزمان تأخير و انرژي مصرفي و ايجاد مصالحه بين آنها و حافظه مصرفي شوند.