بهبود كاربرد اينترنت اشيا به كمك بهينه سازي زمان‌بندي در محاسبه لبه

Improving IoT Application using Optimized Scheduling in Edge Computation

با گسترش اينترنت اشيا (IoT) و نفوذ گسترده شبكه‌هاي بي‌سيم، تقاضاي فزاينده براي انتقال داده و محاسبات، نيازمند الگوريتم محاسباتي مناسبي جهت بهبود كاربرد اينترنت اشيا است. به دليل محدود بودن توان محاسباتي و ظرفيت انرژي در اين فناوري، محاسبات لبه(EC) و شبكه فوق متراكم (UDN) به عنوان دو فناوري كارامد براي حل مشكل معرفي مي‌شوند. روش انتقال وظيفه در شبكه فوق متراكم مي‌تواند براي بهبود كارايي سيستم، زمان پاسخ و كاهش مصرف انرژي استفاده شود. منابع محاسباتي محدود در ابرهاي لبه و تقاضاي كاربران، زمان‌بندي درخواست‌هاي محاسباتي براي لبه ابري را چالش‌برانگيز مي‌كند. براي اين منظور در اين مقاله، ابتدا مسئله تخصيص توان انتقال(PA) براي كاربران جهت كاهش مصرف انرژي توسط يك مدل بازي غيرهمكارانه تعريف شده است. سپس مسئله انتقال درخواست و منابع محاسباتي براي كاهش تاخير پاسخ درخواست‌ها مدل‌سازي شده است. در اين مقاله مسئله انتقال درخواست و برنامه‌ريزي منابع محاسباتي به طور مشترك توسط الگوريتم بهينه سازي چندهدفه مبتني بر الگوريتم ژنتيك نخبه گراي غيرغالب بررسي مي‌شود. نتايج شبيه‌سازي نشان مي‌دهد كه الگوريتم پيشنهادي مي‌تواند در مصرف انرژي انتقال صرفه‌جويي كند و خاصيت همگرايي خوبي دارد و مي‌تواند عملكرد خوبي را در يك شبكه فوق متراكم پويا ايجادكند.

With the expansion of the Internet of Things (IoT) and the widespread penetration of wireless networks, there is an increasing demand for data transmission and computation, requiring suitable computational algorithms to improve IoT application. Due to limited computational power and energy capacity in this technology, edge computation (EC) and ultra-dense networks (UDN) are introduced as two efficient technologies to address this issue. Consequently, task offloading in UDN can be utilized to enhance system performance, response time, and reduce energy consumption. However, the limited computational resources in edge clouds and the dynamic demands of users pose challenges for scheduling computational requests to suitable edge clouds. Therefore, in this paper, the problem of power allocation (PA) for users to reduce energy consumption is presented, and a non-cooperative game model is defined for it. Furthermore, the problem of request offloading and resource allocation to reduce response latency is modeled. In this paper, the joint problem of request offloading and resource scheduling is investigated by an elite-guided non-dominated genetic multi-objective optimization algorithm. Simulation results demonstrate that the proposed algorithm can save energy consumption in the offloading process, exhibits good convergence, and achieves good performance in a dynamic ultra-dense network.