بررسی اثر کاهش داده ها در به کارگیری روش های تخلیه محاسباتی برای محاسبات توزیع شده اینترنت اشیاء- مه - ابر

با افزایش سطح برنامه های کاربردی اینترنت اشیا، تخلیه محاسباتی اکنون بدون شک موضوعی حیاتی محسوب می گردد زیرا دستگاه های اینترنت اشیا در توانایی پردازش و انرژی محدودیت دارند. تخلیه محاسباتی شامل انتقال داده ها از دستگاه های IoT (اینترنت اشیاء) به لایه پردازشی دیگری با قابلیت پردازش بالاتر است . با این حال، اندازه دادههای بارگذاری شده با تاخیر ناشی از بارگیری متناسب می باشد. بنابراین ، معرفی تکنیک کاهش داده برای کم کردن داده های بارگیری ، تاخیر ناشی از روش تخلیه را به حداقل می رساند. در این مقاله ، دو استراتژی اصلی برای رسیدگی به حجم عظیم داده که منجر به تاخیر بارگذاری محاسباتی می شود، پیشنهاد گردیده است . ابتدا، تجزیه چندگانه متعارف اینترنت اشیا برای الگوریتم یادگیری عمیق پیشنهاد شده است . هدف اصلی این استراتژی کوچک کردن داده های قابل بارگیری اینترنت اشیا است . در این مطالعه ، از مجموعه داده Kaggle-cat-and-dog برای ارزیابی تاثیر فشرده سازی داده های پیشنهادی استفاده شد. روش پیشنهادی داده ها را به میزان قابل توجهی کوچک می کند و می تواند تاخیر ناشی از ترافیک شبکه را کاهش دهد. در مرحله دوم، مدل برآورد دقت رتبه برای تعیین مقدار رتبه -۱ پیشنهاد شده است . نتیجه روش پیشنهادی ثابت می کند که روش های ارائه شده از نظر فشرده سازی داده ها در مقایسه با لایه های یادگیری عمیق توزیع شده بهتر می باشند. این روش را می توان در شهرهای هوشمند، شبکه های خودرویی و پزشکی از راه دور و غیره به کار برد.

Keywords:

اینترنت اشیا , محاسبات مه , فشرده سازی داده ها , بارگذاری , کاهش ویژگی