ارائه راهکاری برخط جهت تخصیص بهینه منابع در ردیابی سیگنال های مغزی با معماری مه

اینترنت اشیاء باعث افزایش حجم داده های تولیدشده در شبکه های رایانه ای شده است. هدف پردازش مه کنترل این حجم از داده است. زمان بندی در محیط های توزیع شده مسئله ای NP-hard است. در این مقاله به زمان بندی در مه به وسیله دسته بندی بیزین پرداخته شده است. از دسته بندی بیزین برای به دست آوردن نیازمندی های پردازشی وظایف استفاده شده است. پس از دسته بندی، متناسب با هر دسته، ماشین های مجازی به صورت پیش بینی شده ایجاد خواهند شد. شبیه ساز iFogsim برای بررسی عملکرد روش پیشنهادی در محیط مه استفاده شده است. الگوریتم ها روی برنامه سیستم ردیابی سیگنال های مغزی مورد ارزیابی قرارگرفته اند. بر طبق نتایج، تصمیم گیری هوشمند در محیط ابر ترکیب شده با مه باعث شده است تا انرژی مصرفی در ابر، هزینه اجرای وظیفه در ابر و میانگین انرژی مصرفی دستگاه های موبایل کاهش یابد.

Keywords:

پردازش مه , زمانبندی وظایف , یادگیری ماشین , دسته بندی بیزین