ارائه روشی مبتنی بر یادگیری تقویتی جهت شناسایی وظایف برنامه کاربردی اینترنت اشیا در محاسبات مه

برنامه های کاربردی اینترنت اشیا از تعدادی وظیفه تشکیل شده است که در ارتباط با یکدیگر داده های حسگری در حوزه کاربردهای شهری، کشاورزی وصنعتی را جمع آوری و تحلیل می کنند. هر وظیفه در برنامه کاربردی اینترنت اشیا، باید داده های تعدادی حسگر را دریافت نموده و از آنها برای آموزش مدل پیش بینی کننده استفاده کند. مدلهای آموزش دیده برای تحلیل هایی مانند تشخیص ناهنجاری و تشخیص حمله استفاده میشوند. تعداد وظایف و همچنین حسگرهای اختصاص یافته به هر وظیفه اثر مهمی بر هزینه استقرار و کارایی برنامه کاربردی اینترنت اشیا دارد. در این مقاله یک روش مبتنی بر یادگیری تقویتی ارائه شده که به شکل تطبیق پذیر ساختار بهینه برنامه کاربردی اینترنت اشیا را از لحاظ نحوه پیکربندی وظایف یاد می گیرد. ساختار بهینه برنامه کاربردی با هدف کمینه کردن هزینه استقرار آن در بستر محاسبات مه و در عین حال بیشینه نمودن کارایی آن تعیین می گردد. در این پژوهش از الگوریتم DDPG جهت تعیین ساختار بهینه استفاده شده است. کارایی برنامه کاربردی در اینجا از نظر درجه همگرایی مدل آموزش داده شده با استفاده از رویکرد یادگیری فدرال سنجیده میشود. نتایج نشان میدهد که روش پیشنهادی نسبت به روشهای پایه تعیین وظایف مانند روش متمرکز و روش محاسبات لبه ای با ۱۶ % بهبود عمل می کند.

Keywords:

شناسایی وظایف , محاسبات ابری , محاسبات مه , یادگیری تقویتی , یادگیری فدرال