دوفصلنامه محاسبات و سامانه های توزیع شده

دوفصلنامه محاسبات و سامانه های توزیع شده

بهبود انتقال وظایف با استفاده از منطق فازی نوع 2 و الگوریتم یادگیری تقویتی با سیاست مجاور برای افزایش عملکرد برنامه های اینترنت اشیاء

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشگاه آزاد اسلامی
2 دانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی
چکیده
این مقاله روش نوین مهاجرت وظایف ارائه می‌دهد که برای بهبود کارایی برنامه‌ های اینترنت اشیا در یک معماری سه‌ لایه در محیط محاسبات مه و ابر طراحی شده است. لایه اینترنت اشیا شامل دستگاه‌های هوشمندی است که تعداد زیادی وظایف تولید می‌کنند؛ وظایفی که هر یک دارای مشخصات متنوعی مانند اندازه، نیازهای محاسباتی، نیاز های ارتباطی و محدودیت‌ های زمانی هستند. به دلیل محدودیت ذخیره‌سازی و ظرفیت محاسباتی دستگاه‌های اینترنت اشیا، لازم است این وظایف به لایه‌های مختلف منتقل شوند تا پردازش مؤثری انجام شود و اهداف کیفیت خدمات (QoS) برآورده شوند. برای حل این چالش، از یک برنامه‌ریز وظایف مبتنی بر منطق فازی نوع 2 استفاده شده است تا تصمیم‌گیری‌های هوشمندانه‌ای برای مهاجرت وظایف انجام دهد. این برنامه‌ریز بر اساس ویژگی‌های وظایف، مناسب‌ترین لایه پردازشی را انتخاب می‌کند. علاوه بر این، در این مقاله از یادگیری عمیق تقویتی بهینه‌سازی سیاست مجاور (PPO) استفاده شده است تا با مهاجرت مناسب وظایف سطح مه، تعادل بار میان گره‌های همکار حفظ گردد. نتایج تجربی نشان می‌دهند که طرح پیشنهادی در مقایسه با روش‌های پیشرفته موجود، از نظر کاهش تأخیر، مصرف انرژی، استفاده از شبکه، توان عملیاتی و نرخ مهاجرت وظایف عملکرد بهتری دارد.
موضوعات