TY - JOUR ID - 162104 TI - توزیع بهینه بارکاری در پردازش‌های لبه شبکه بر پایه استفاده از سیستم‌های دسته‌بند یادگیر حافظه‌دار JO - علوم رایانش و فناوری اطلاعات JA - JCSIT LA - fa SN - 2676-5438 AU - یعقوبی‌کیا, مینا AU - عباسی, مهدی AU - رفیعی, میلاد AD - دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران Y1 - 2019 PY - 2019 VL - 17 IS - 2 SP - EP - KW - اینترنت اشیا KW - پردازش لبه KW - یادگیری ماشین KW - انرژی تجدید پذیر DO - N2 - همراه با رشد روزافزون دستگاه‌های هوشمند ، مفهوم اینترنت اشیاء نیز توسعه پیداکرده است. افزایش تعداد این اشیا هوشمند سبب افزایش تولید حجم داده‌ها و بار‌های محاسباتی در مقیاس‌های وسیع شده است. به همین دلیل رایانش ابری، به‌عنوان راه‌حل اصلی جهت کنترل این بارها استفاده می‌شود. بااین‌حال، زمان‌بر بودن پردازش بار‌ها در ابر، هنوز به‌عنوان مسئله اصلی در حوزه شبکه‌های توزیع‌شده مطرح است. پردازش بار‌های کاری در لبه‌‌های شبکه می‌تواند موجب کاهش این زمان پاسخ شود؛ اما از سوی دیگر با آوردن پردازش بار‌ها از مراکز داده‌ها (متصل به برق) به سمت لبه‌های شبکه، منجر به محدودیت انرژی می‌شود. بنابراین لازم است بار‌های کاری به شکلی متوازن میان ابر‌ها و لبه‌های شبکه توزیع شوند. در این مقاله به‌منظور ایجاد تعادل میان مصرف انرژی در لبه شبکه و تأخیر بار‌های کاری در ابر‌ها، روشی مبتنی بر سیستم‌های دسته‌بند یادگیر ارائه‌شده‌ است. نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های پیشین، به شکل متعادل‌تری بارها را توزیع می‌کند. روش پیشنهادی سبب کاهش 42 درصدی تأخیر بارهای کاری و همچنین کاهش مصرف انرژی در لبه شبکه می‌شود. UR - http://jcsit.ir/article_162104.html L1 - ER -