چکیده مقاله
با گسترش روزافزون برنامه های کاربردی مبتنی بر اینترنت اشیاء، خودروهای متصل و شهرهای هوشمند، محاسبات لبه ابری به عنوان پارادایمی نوین برای پردازش نزدیک به مبدا داده مطرح شده است بااین حال، مدیریت بار کاری در این محیط های توزیع شده و پویا، به دلیل تنوع منابع، محدودیت های تاخیر و نوسانات شدید ترافیک، به چالشی اساسی تبدیل شده است رویکردهای سنتی مبتنی بر برنامه ریزی متمرکز یا قوانین ثابت، نه تنها مقیاس پذیری مناسبی ندارند، بلکه در شرایط پیش بینی ناپذیر، عملکردی ضعیف و مصرف انرژی بالایی از خود نشان می دهند در این پژوهش، یک معماری خودمختار برای مدیریت هوشمند بار کاری در محیط های لبه ابری ارائه می شود که از ترکیب یادگیری تقویتی عمیق و بهینه سازی ازدحام ذرات بهره می برد در مدل پیشنهادی، هر گره لبه به عنوان یک عامل هوشمند عمل کرده و با استفاده از یک سیاست یادگیری مبتنی بر پاداش، تصمیمات توزیع بار، تخصیص منابع و مهاجرت وظایف را به صورت محلی اتخاذ می کند الگوریتم ازدحام ذرات نیز برای تنظیم تطبیقی پارامترهای یادگیری و جلوگیری از همگرایی زودهنگام به کار گرفته شده است ارزیابی های گسترده با استفاده از شبیه ساز iFogSim و پیاده سازی نمونه اولیه بر روی بستر Kubernetes نشان می دهد که معماری پیشنهادی در مقایسه با روش های پایه مانند Round Robin، First Fit و یادگیری Q ساده به بهبودهای چشمگیری دست یافته است: کاهش ۲۹ درصدی مصرف انرژی، کاهش ۳۸ درصدی تاخیر متوسط پاسخ، افزایش ۳۲ درصدی نرخ تحمل خطا، و بهبود ۲۴ درصدی بهره وری کلی منابع همچنین، رویکرد توزیع شده باعث حذف نقطه شکست مرکزی و افزایش انعطاف پذیری در مواجهه با تغییرات ناگهانی بار می شود این چارچوب می تواند زیرساخت مناسبی برای توسعه نسل بعدی سیستم های مدیریت منابع در محاسبات لبه ابری فراهم آورده و مسیری عملی برای دستیابی به تعادل بین کارایی، مصرف انرژی و قابلیت اطمینان در کاربردهای حساس به زمان ارائه دهد
کلیدواژهها
نویسندگان
علی ایزدی
دانشجوی دکتری مهندسی کامپیوتر هوش مصنوعی
الیاس حیدری
دانشجوی کارشناسی مهندسی حرفه ای کامپیوتر ، آموزشکده ملی مهارت پسران بجنورد دارالفنون
محمد جواد یزدانی پاقعله
دانشجوی کارشناسی مهندسی حرفه ای کامپیوتر ، آموزشکده ملی مهارت پسران بجنورد دارالفنون
سید رضا اسلامی
دانشجوی کارشناسی مهندسی حرفه ای کامپیوتر ، آموزشکده ملی مهارت پسران بجنورد دارالفنون
شیوه ارجاع
�یزدی، علی و حیدری، الیاس و یزدانی پاقعله، محمد جواد و اسلامی، سید رضا،1405،طراحی معماری خودمختار برای مدیریت هوشمند بار کاری در محیط های محاسباتی لبه-ابری با استفاده از یادگیری تقویتی عمیق و بهینه سازی ازدحام ذرات،سی امین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائهشده در
مجموعه مقالات سی امین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات29 مرداد 1405 · بابل