توسعه مدل‌های کوچک یادگیری ماشین برای توزیع بهینه بارهای کاری در شبکه‌های لبه

تعداد دستگاه‌های متصل به شبکه اینترنت اشیاء به سرعت گسترش یافته است. این امر، موجب افزایش قابل توجه بار محاسباتی در شبکه‌ها شده است. برای غلبه بر این چالش، محاسبات ابری به عنوان یک راهکار مناسب ارائه شد. اما محاسبات ابری تاخیر قابل توجهی را برای پردازش بارها متحمل می‌شد. پردازش بارهای کاری در لبه شبکه و به صورت محلی تاخیر را کاهش می‌دهد. اما، به دلیل محدودیت منابع محاسباتی در لبه شبکه، مدیریت منابع و بهینه‌سازی استفاده از آنها از چالش‌های اساسی در پردازش لبه است. بنابراین علاوه بر توزیع بارکاری در لبه شبکه و حفظ تعادل بین انرژی مصرفی و تاخیر، باید محدودیت منابع مانند حافظه مصرفی را در نظر گرفت. در این مقاله، یک روش برخط مبتنی بر سیستم‌های طبقه بندی کننده یادگیری xcs (lcs)، با نام tinyxcs و یک روش برون‌خط مبتنی بر درخت تصمیم با نام tinydt، برای متعادل کردن مصرف انرژی و کاهش تاخیر در پردازش بارهای کاری با درنظر گرفتن محدودیت حافظه در لبه شبکه پیشنهاد شده است. نتایج آزمایش‌های ما نشان‌دهنده برتری tinyxcs و tinydt نسبت به روش‌های مشابه است. شبیه‌سازی نشان می‌دهد که روش‌های پیشنهادی می‌توانند علاوه بر توزیع بارکاری، سبب کاهش همزمان تاخیر و انرژی مصرفی و ایجاد مصالحه بین آن‌ها و حافظه مصرفی شوند.

development of tiny machine learning models for optimal distribution of workloads at edge networks

the number of devices connected to the internet of things has been expanded rapidly. this issue has caused a significant increase in the computational load in the networks. to overcome this challenge, cloud computing was presented as a suitable solution. however, cloud computing suffers significant delay to process workloads. processing workloads at the edge of the network and locally leads to reduced latency. but due to the limitation of computing resources at the edge, managing and optimizing resources is considered one of the main challenges. therefore, in addition to distributing the workloads at the edge of the network and maintaining the balance between energy consumption and delay, the limitation of resources such as memory consumption should be considered. in this paper, an online method based on xcs learning classifier systems (lcs), named tinyxcs, and an offline method based on decision tree, named tinydt, are proposed to balance energy consumption and reduce delay in processing workloads considering the memory limitation at edge. the experimental results show the superiority of tinyxcs and tinydt over similar methods. the simulation shows that in addition to workload distribution, the proposed methods can simultaneously reduce delay and energy consumption and create a compromise between them and memory consumption.