بهینهسازی تخصیص منابع برای شبکههای اینترنت اشیا مبتنی بر محاسبات مه برای کاهش هزینه تاخیر
محورهای موضوعی : فصلنامه اقتصاد محاسباتیامیرحسین صالحی شایگان 1 , علی ذاکری 2 , ادیب صالحی شایگان 3
1 - گروه ریاضی، دانشکده علوم پایه، دانشگاه خاتم النبیاء (ص)، تهران، ایران
2 - دانشیار ریاضی، گروه ریاضی، دانشکده ریاضی، دانشگاه صنعتی خواجه نصیرالدین طوسی
3 - دانشگاه آزاد صفادشت
کلید واژه: "هوش مصنوعی", "بهینه سازی", "شبکه اینترنتی", "اینترنت اشیا", "کاهش هزینه",
چکیده مقاله :
همراه با رشد روز افزون دستگاههای هوشمند و اینترنت 5G، فناوری اینترنت اشیاء نیز توسعه یافته است. افزایش تعداد اشیاء هوشمند سبب افزایش حجم دادهها و بارهای محاسباتی در ابعادی وسیع شده است. به همین دلیل رایانش ابری به عنوان راهحلی برای این حجم داده استفاده میشود. با این حال با توجه به اهمیت کیفیت خدمات، راهحل رایانش ابری نمیتواند برای درخواستهای حساس به تاخیر جوابگو باشد. تخصیص منابع در رایانش مهآلود باعث کاهش هزینه تاخیر میگردد. در این مقاله برای تخصیص منابع، برنامهنویسی پویا با توجه به تعداد زیاد درخواستها و محدودیتهای مسئله مورد استفاده قرار گرفته است. روش پیشنهادی موجب کاهش هزینه تاخیر برای درخواستهای اینترنت اشیاء میشود. در این پژوهش مدلسازی سیستم و الگوریتم پیشنهادی برای چهار حالت مختلف اجرا شد. در این چهار حالت دو روش پیشنهادی سهم این پژوهش بوده است. این الگوریتمهای پیشنهادی منجر به کاهش چشمگیر درهزینه تاخیر کل میشود. ولی مطابق انتظار الگوریتم پسانتشار پاسخ بهینهتری به نسبت به الگوریتم پیشانتشار داشت.
Growing popularity of smart devices and 5G Internet, loT technology has also developed. The increase in the number of smart objects has led to an increase in data volumes and computational loads on a large scale. For this reason, cloud computing is used as a solution for this amount of data. However, given the importance of service quality, the cloud computing solution may not be responsive to latency-sensitive requests. Allocating resources in cloudy computing also reduces the cost of latency. Dynamic programming has been used due to the large number of requests and problem constraints. The proposed method reduces the cost of latency for loT requests. In this study, the proposed system modeling and algorithms were implemented for four cases. In these cases, two proposed methods have been the contribution of this research that these proposed algorithms have seen a significant reduction in the total latency cost. But as expected, the backward algorithm had a better response than the forward algorithm.
_||_