استفاده از مدلهای کوچک یادگیری ماشین برای توزیع بارهای کاری در لبه شبکه با در نظر گرفتن کیفیت سرویس - دانشکده فنی و مهندسی
استفاده از مدلهای کوچک یادگیری ماشین برای توزیع بارهای کاری در لبه شبکه با در نظر گرفتن کیفیت سرویس
![](/documents/3157652/3518366/%D9%BE%D9%88%D8%B1%D8%AD%D8%B3%DB%8C%D9%86%DB%8C.jpeg/3e575f77-0db1-c2da-141d-d3196028fd61?t=1706197440358&download=true&imageThumbnail=2)
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: استفاده از مدلهای کوچک یادگیری ماشین برای توزیع بارهای کاری در لبه شبکه با در نظر گرفتن کیفیت سرویس
ارائه دهنده: Provider: محمدرضا پورحسینی - رشته کامپیوتر
اساتید راهنما: Supervisors: جناب آقای دکتر مهدی عباسی
اساتید مشاور: Advisory Professors:
اساتید ممتحن یا داور: Examining professors or referees: جناب آقای دکتر میرحسین دزفولیان-جناب آقای دکتر حاتم عبدلی
زمان و تاریخ ارائه: Time and date of presentation: ۱۴۰۲/۰۶/۲۸ - ۱۶:۰۰
مکان ارائه: Place of presentation: دانشکده مهندسی-کلاس 23
چکیده: Abstract: تعداد دستگاههای متصل به شبکه اینترنت اشیاء به سرعت گسترش یافته است. این امر، موجب افزایش قابل توجه بار محاسباتی در شبکه شده است. برای غلبه بر این چالش، محاسبات ابری به عنوان یک راهکار مناسب ارائه شد. اما محاسبات ابری تأخیر قابل توجهی را برای پردازش بارها متحمل میشد. پردازش بارهای کاری در لبه شبکه علاوه بر کاهش زمان پاسخ موجب افزایش کیفیت خدمات میشود. همچنین باید به محدودیت منابع در لبه شبکه توجه داشت. بنابراین علاوه بر توزیع بارکاری در لبه شبکه و حفظ تعادل بین انرژی مصرفی و تأخیر، باید محدودیت منابع مانند حافظه مصرفی را در نظر گرفت. در این پژوهش، یک روش آنلاین مبتنی بر سیستم های طبقه بندی کننده یادگیری XCS (LCS)، با نام TinyXCS و یک روش آفلاین مبتنی بر درخت تصمیم با نام TinyDT، برای متعادل کردن مصرف انرژی و کاهش تأخیر در پردازش بارهای کاری با درنظر گرفتن محدودیت حافظه در لبه شبکه پیشنهاد شده است. نتایج آزمایشهای ما نشاندهنده برتری TinyXCS و TinyDT نسبت به روشهای مشابه است. شبیهسازی نشان میدهد که روشهای پیشنهادی میتوانند علاوه بر توزیع بارکاری، سبب کاهش همزمان تأخیر و انرژی مصرفی و ایجاد مصالحه بین آنها و حافظه مصرفی شوند
فایل: ّFile: تنزيل فایل