تخصیص منابع محاسباتی در محاسبات مه اینترنت اشیا با استفاده از الگوریتم بهینه سازی مبتنی بر آموزش - یادگیری

از آنجا که اینترنت اشیا با حجم زیادی از داده سروکار دارد، پردازش و ذخیره این حجم از داده به راحتی امکان پذیر نیست. با این حال، بسیاری از برنامه های آن از چالش های محاسبات ابری مانند تاخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی رنج می برند. محاسبات مه، به ارایه راه حل هایی برای این چالش ها کمک می کند. این مقاله، شامل یک شبیه سازی شبکه اینترنت اشیا برای تخصیص منابع اشتراکی بهینه درمحاسبات مه است که برای حل مسئله از نوع MINLP است که هدف آن بیشینه کردن سود ارایه دهندگان خدمات ابری از طریق محاسبات مه است. معماری شبکه، شامل سه لایه ارایه دهندگان خدمات ابری، گره های مه و کاربران است. در این مقاله، شبکه سه لایه ایی شبیه سازی شده و الگوریتم مورد استفاده در این مساله، الگوریتم بهینه سازی مبتنی بر آموزش - یادگیری می باشد، که با استفاده از دو فاز یادگیری و آموزش برای سه پارامتر درآمد ارایه دهندگان ابری، میانگین تاخیر و رضایت کاربران که برای انتخاب بهترین گره مه با هدف تخصیص منابع مشترک می باشد. این الگوریتم به روی مدل اجرا شده و با روش تصادفی مقایسه می شود. این مدل و الگوریتم، نسبت به الگوریتم های استفاده شده در حل مدل های مشابه این مساله، سود ارایه دهندگان خدمات را افزایش می دهد.