زمان بندی مکان آگاه در سیستم‌های اینترنت اشیا سه لایه با کمک یادگیری تقویتی
محورهای موضوعی : مهندسی کامپیوتر و فناوری اطلاعات
محمد زارعی
1
,
سیدابراهیم دشتی
2
*
1 - دانشگاه آزاد اسلامی
2 - دانشکده برق و کامپیوتر ، واحد جهرم، دانشگاه آزاد اسلامی
کلید واژه: اینترنت اشیا, محاسبات ابری, محاسبات مه, زمان‌بندی مکان‌آگاه, یادگیری تقویتی,
چکیده مقاله :
گسترش سریع دستگاه‌های اینترنت اشیا چالش‌های قابل توجهی در برنامه‌ریزی وظایف و تخصیص منابع در محیط‌های ابر-مه-اینترنت اشیا ایجاد کرده است. الگوریتم‌های برنامه‌ریزی سنتی، مانند الگوریتم زمان‌بندی آگاه از محل داده در ابر-مه دارای محدودیت‌های ذاتی در سازگاری و مقیاس‌پذیری در مواجهه با محیط‌های پویا و متغیر اینترنت اشیا هستند. برای غلبه بر این محدودیت‌ها، این پژوهش چارچوبی جدید مبتنی بر یادگیری تقویتی پیشنهاد می‌کند. رویکرد پیشنهادی از یک شبکه Q عمیق برای یادگیری پویا در تخصیص بهینه وظایف و استراتژی‌های استفاده از منابع در محیط ابر-مه استفاده می‌کند. روش پیشنهادی قادر به تصمیم‌گیری‌های مستقل و مبتنی بر داده برای تخصیص منابع است. وضعیت این سیستم شامل ویژگی‌های وظایف، منابع در دسترس و شرایط شبکه است، در تصمیم‌گیری‌های تخصیص وظایف، تابع پاداش به گونه‌ای طراحی شده است که زمان کلی تکمیل وظایف، تراکم شبکه و مصرف انرژی را به حداقل برساند. با اتخاذ رویکرد یادگیری تقویتی، روش پیشنهادی می‌تواند به تغییرات بار کاری، تراکم شبکه و دسترسی به منابع در زمان واقعی پاسخ دهد. برای ارزیابی عملکرد روش پیشنهادی، مجموعه‌ای جامع از آزمایش‌ها با استفاده از شبیه‌سازی سناریوهای واقعی ابر-مه انجام شد. عملکرد زمان‌بند مبتنی بر یادگیری تقویتی با الگوریتم‌های دیگر مقایسه شد. نتایج نشان می‌دهد که مدل زمان‌بندی مبتنی بر یادگیری تقویتی به‌طور قابل توجهی عملکرد بهتری از نظر کاهش زمان تکمیل وظایف، تعادل بار و کارایی شبکه دارد.
The rapid expansion of Internet of Things (IoT) devices has introduced critical challenges in task scheduling and resource allocation across cloud–fog ecosystems. Traditional approaches, such as location-aware scheduling and heuristic algorithms, often fail to adapt to dynamic IoT environments, where workload intensity, network traffic, and energy constraints fluctuate unpredictably. To address these issues, this study proposes a Reinforcement Learning (RL)-based scheduling framework employing a Deep Q-Network (DQN) for real-time decision-making. The model incorporates system state parameters—including task characteristics, available resources, and network conditions—into its reward function, designed to minimize task completion time, reduce congestion, and optimize energy consumption. Comparative simulation results demonstrate that the proposed RL framework significantly outperforms Genetic Algorithm (GA) and Location-Aware methods, achieving higher throughput and fewer SLA violations. Statistical testing (t-tests, p-values < 0.001) further confirms the robustness and significance of these improvements. The proposed approach thus establishes a scalable and intelligent foundation for future fog–cloud–IoT task orchestration .
E. N. Zijiang Hao, "Challenges and Software Architecture for Fog Computing," IEEE Internet Computing, vol. 21, no. 2, pp. 44-53, 2017.
M. R. Albert Jonathan, "Nebula: Distributed Edge Cloud for Data-Intensive Computing," IEEE Transactions on Parallel and Distributed Systems, vol. 28, no. 11, p. 3229–3244, 2017.
J. S. Rishika Mehta, "Task Scheduling for Improved Response Time of Latency Sensitive Applications in Fog Integrated Cloud Environment," Multimedia Tools and Applications, vol. 82, p. 32305–32328, 2023.
N. L. S. d. F. Judy C. Guevara, "Task Scheduling in Cloud-Fog Computing Systems," Peer-to-Peer Networking and Applications, vol. 14, p. 962–977, 2021.
R. X. Yao Wang, "Wireless Multiferroic Memristor with Coupled Giant Impedance and Artificial Synapse Application," Advanced Electronic Materials, vol. 8, no. 7, 2022.
X. Yu, "Location-aware job scheduling for IoT systems using cloud and fog," Alexandria Engineering Journal, vol. 110, pp. 346-362, 2024.
D. L. Gang Sun, "Live Migration for Multiple Correlated Virtual Machines in Cloud-Based Data Centers," IEEE Transactions on Services Computing, vol. 11, no. 2, p. 279–291, 2018.
Z. X. Gang Sun, "Dynamic Network Function Provisioning to Enable Network in Box for Industrial Applications," IEEE Transactions on Industrial Informatics, vol. 17, no. 10, p. 7155–7164, 2021.
Z. W. Gang Sun, "Profit Maximization of Independent Task Offloading in MEC-Enabled 5G Internet of Vehicles," IEEE Transactions on Intelligent Transportation Systems, vol. 25, no. 11, p. 16449–16461, 2024.
Y. L. Yunfei Li, "Variational Bayesian Learning-Based Localization and Channel Reconstruction in RIS-Aided Systems," IEEE Transactions on Wireless Communications, vol. 23, no. 9, p. 11309–11319, 2024.
Z. Z. Yang Yang, "Design of a Simultaneous Information and Power Transfer System Based on a Modulating Feature of Magnetron," IEEE Transactions on Microwave Theory and Techniques, vol. 71, no. 2, p. 907–915, 2023.
M. T. Marzieh Khosravi, "Diagnosis and Classification of Disturbances in the Power Distribution Network by Phasor Measurement Unit Based on Fuzzy Intelligent System," The Journal of Engineering, 2024.
P. P. Xiuwen Fu, "Tolerance Analysis of Cyber-Manufacturing Systems to Cascading Failures," ACM Transactions on Internet Technology, vol. 23, no. 4, 2023.
Z. Q. Song Zha, "A Gain-Reconfigurable Reflector Antenna With Surface-Mounted Field-Induced Artificial Magnetic Conductor for Adaptive HIRF Prevention," IEEE Transactions on Antennas and Propagation, vol. 72, no. 9, 2024.
S. P. S. Thiruchadai Pandeeswari, "Resource-aware fog service placement using deferred acceptance in edge computing," Journal of Engineering Research, 2024.
E. Khezri, "DLJSF: Data-Locality Aware Job Scheduling IoT tasks in fog-cloud computing environments," Results in Engineering, vol. 21, 2024.
D. Alsadie, "Advancements in heuristic task scheduling for IoT applications in fog-cloud computing: challenges and prospects," PeerJ Computer Science, no. e2128, p. 10, 2024.
A. Umer, "Multi-Objective Task-Aware Offloading and Scheduling Framework for Internet of Things Logistics," Sensors, no. 2381, p. 24, 2024.
Salimi, "A Greedy Randomized Adaptive Search Procedure for Scheduling IoT Tasks in Virtualized Fog–Cloud Computing," Transactions on Emerging Telecommunications Technologies, no. 5, p. 35, 2024.
F. R. Shahidani, "Task scheduling in edge-fog-cloud architecture: a multi-objective load balancing approach using reinforcement learning algorithm," Computing, vol. 105, p. 1337–1359, 2023.