ارائه يك الگوريتم كارآمد مبتني بر اتوماتاي يادگير براي تامين منابع در محيط مه

An Efficient Algorithm Based on Learning Automata for Resource provisioning in Fog Environment

در سالهاي اخير، خدمات اينترنت اشياء(IoT (در راستاي ارتقاي كيفيت زندگي در حوزه هاي مختلف افزايش يافته است. اتصال به ابر و استفاده از خدمات آن امري عمومي شده و متخصصين دنبال راه هايي براي تكميل رايانش ابري در جهت استفاده از آن در فن آوري اينترنت اشياء هستند كه در چند دهه آينده، همه چيز را آنلاين خواهد كرد. يكي از راه ها براي رسيدن به هدف كاهش تأخير، پردازش فوري و ازدحام در شبكه، رايانش مه است كه در آن رايانش ابري به لبه شبكه گسترش پيدا ميكند. از سوي ديگر، به خاطر محدوديتهاي منابع سخت افزاري مه در مقايسه با ابر وماهيت پويا وغيرقابل پيش بيني محيط مه، تامين پوياي منابع سرويسهـاي مه چالش برانگيز است. تطبيق ميزان منابع با نوسانات بار كاري برنامه هاي كاربردي اينترنت اشيا به صورت اتوماتيك باعث ميشود كه حداقل منابع مه براساس حجم كاري دستگاه IoT به آن اختصاص داده شـود و بـدين ترتيـب پارامترهـاي SLA و QoS بـرآورده شوند. در اين مقاله، بعد از معرفي چارچوب جديد مبتني بر متدولوژي حلقوي MAPE، يك رويكرد تامين پوياي منابع براي برنامههاي كاربردي اينترنت اشيا بر اساس تركيب مفهوم رايانش خودمختار و تكنيكهاي يادگيري تقويتي ارائه داده ايم.رويكرد پيشنهادي، از يادگيري تقويتي به عنوان تصميم گيرنده در فاز برنامه ريزي و از تكنيك رگرسيون خطـي در فـاز تحليـل اسـتفاده مـيكنـد.رويكرد پيشنهادي را تحت دو بار كاري مورد ارزيابي قرار داده ايم..

An efficient Dynamic fog Service Provisioning Approach for IoT Applications Abstract In recent years, Internet of Things (IoT) services have expanded to promote the quality of life in different areas. Connecting to Cloud and utilizing its services are now public and common, and the experts seek to find some ways to complete cloud computing to use it in IoT, which in next decades will make everything online. Fog computing, where the cloud computing expands to the edge of the network, is one way to achieve the objectives of delay reduction, immediate processing and network congestion. On the other hand, concerning the limitations in hardware resources of fog compared to cloud, and the dynamic and unpredictable fog environment, provision of dynamic fog services is a challenge. Automatic matching of the resources to the workload oscillations of IoT applications leads to allocation of minimum fog resources to IoT device, based on the workload; and therefore, satisfaction of service level agreement (SLA) and quality of satisfaction (QoS) parameters. In this paper, a method based on the control MAPE-k loop has been introduced. Moreover, an approach for dynamic provisioning of resources for IoT applications has been presented based on combined concept of Autonomic Computing and Reinforcement Learning (RL) techniques. The proposed technique utilizes RL as decision maker in planning phase and linear regression technique in analysis phase. The proposed method has been evaluated through two workloads. The results of simulation tests show that the presented approaches reduce the delay in provision of services, total cost and SLA violation compared to other approaches. This is indicative of the potential of fog computing to insure the quality of services (QoS) and experience.