تامین بهینه منابع برای سرویس های اینترنت اشیا در شبکه های رایانش ابری و مه

باتوجه به پیشرفت تکنولوژی در دنیای فناوری اطلاعات، و همه گیر شدن اینترنت در دنیای امروزی، بدیهی است حجم زیادی از اطلاعات در دسته بندی های متعدد اعم از بهداشت و سلامت، کشاورزی و ... در بستر اینترنت منتقل گردد، بعضا برای ارسال این اطلاعات زمان ارسال و دریافت از اهمیت به سزایی برخوردار خواهدبود. لذا مبحث مهمی در این تکنولوژی تحت عنوان تامین منابع برای انتقال پرسرعت و ارائه خدمات به کاربران مورد استفاده به یک چالش اساسی تبدیل گشته است. با ظهور محاسبات ابری و مه تا حدودی این چالش با ارائه خدمات به کاربران در مدت زمان کوتاه برطرف گردید. گره های مه نسبت به گره های موجود در فضای ابری، به علت نزدیک بودن به کاربران توانایی انجام برخی خدمات را دارا می باشند. اما این گره ها بعضا دارای مشکلاتی نیز می باشند، یکی از مشکلاتی که در شبکه های محاسبات ابری مطرح گردیده است استفاده از مفهومی به نام اینترنت اشیاء و زمان ارسال اطلاعات جهت انجام پردازش توسط دستگاه های موجود در شبکه اینترنت اشیا به این فضا می باشد، لذا در این پژوهش به بررسی کامل شبکه های اینترنت اشیاء و رایانش های ابری و مه و ویژگی های هرکدام از جمله مزایا، معایب و چالش ها پرداخته شد و سعی در بهبود مدت زمان فرایند ارسال اطلاعات و زمان لازم جهت پردازش دادهها در این شبکه ها شد. در نتیجه با استفاده از برنامه شبیه ساز متلب سه الگوریتم QLearning ,SARSA و Double Qlearning برای ۳۰۰ دستگاه IOT پیاده سازی گردید. باتوجه به بررسی های صورت گرفته الگوریتم Double Qlearning نسبت به دو الگوریتم فوق قدرت بالایی در یادگیری و عملکرد بالایی از جمله کاهش تاخیر در انتقال اطلاعات و پردازش درخواست های کاربران ارائه داد.

Keywords:

رایانش مه , رایانش ابری , اینترنت اشیاء , تاخیر در ارسال , تاخیر در فرآیند پردازش