هوش توزیع شده در شبکه های حسگر IoT برای تصمیم گیری بلادرنگ

در عصر اینترنت اشیاء (IoT)، حجم عظیم داده های تولید شده توسط میلیاردها دستگاه حسگر، نیاز به تحلیل و تصمیم گیری سریع و آنی (بلادرنگ) را به یک ضرورت تبدیل کرده است. معماری های متمرکز سنتی که تمام پردازش ها را به ابر (Cloud) محول می کنند، به دلیل محدودیت های ذاتی پهنای باند، تاخیر بالا و آسیب پذیری امنیتی، دیگر پاسخگوی این نیاز نیستند. این چالش ها، تمرکز پژوهشی را به سمت هوش توزیع شده (Distributed Intelligence) سوق داده است؛ رویکردی که قابلیت های پردازش و یادگیری را به نزدیکی منبع داده، یعنی لبه شبکه (Edge) منتقل می کند. این مقاله به بررسی عمیق معماری ها و الگوریتم های پیشرفته هوش توزیع شده می پردازد که به طور خاص برای شبکه های حسگر IoT طراحی شده اند. تمرکز اصلی بر به کارگیری تکنیک های یادگیری عمیق توزیع شده (Distributed Deep Learning) و به ویژه یادگیری تقویتی توزیع شده (Distributed Reinforcement Learning – DRL) است. هدف نهایی این رویکرد، کاهش چشمگیر تاخیر در تصمیم گیری، افزایش دقت تحلیل های محلی و بهینه سازی مصرف انرژی در منابع محدود نودهای حسگر است. ما یک مدل معماری سه سطحی (DIL-IoT) را معرفی می کنیم و نتایج شبیه سازی آن را در مقایسه با روش های سنتی ارائه خواهیم داد.

Keywords:

اینترنت اشیاء (IoT) , هوش توزیع شده , تصمیم گیری بلادرنگ , یادگیری تقویتی توزیع شده (DRL) , محاسبات لبه (Edge Computing) , یادگیری فدرال (Federated Learning)