مدیریت منابع انرژی کارآمد برای اینترنت اشیا شناختی بر اساس آتوماتای یادگیر

حرکت نودها و محدودیت انرژی آنها در شبکه‏های اینترنت اشیا شناختی منجر به پیچیده شدن شرایط شبکه می‏شود، به‏طوری که داشتن یک مکانیزم بهره‏وری انرژی کارآمد امری مهم در این شبکه‏ها محسوب می‏شود و می‏تواند انرژی مصرفی در شبکه را کاهش دهد،عناصر شبکه ( شامل نودها، سیاست‏ها و رفتارها ) به دلیل محدود بودن در وضعیت، دامنه و مکانیزم‏های پاسخ، قادر به ایجاد سازگاری هوشمند با محیطی که در آن عمل می‏کنند، نیستند و سازگاری در این شبکه‏ها معمولا به صورت انفعالی است. به همین دلیل از الگوریتم‏های بهره‏وری انرژی انتظار می‏رود که بتوانند خودشان را با تغییرات محیط از طریق یک راهکار پیشگیرانه سازگار کنند. از طرفی فرماندهی انتظامی جمهوری اسلامی ایران(فراجا)به جهت فعالیت در عرصه نظم و امنیت با حجم بسیار گسترده‏ای از اطلاعات در حوزه‏های گوناگون اجتماعی، امنیتی، اقتصادی و فرهنگی در ارتباط است، به همین دلیل برای رسیدن به اهداف مذکور، این مقاله یک راهکار‏ جدیدی rmlab را برای بهره‏وری انرژی مبتنی بر آتوماتای یادگیر از دیدگاه شبکه‏های شناختی ارائه کرده است، که با استفاده از آتوماتای یادگیر توان ارسال نودهای شبکه برای مدیریت مصرف انرژی به‏صورت خودسازمان‏ده،خودآگاه و پویاتنظیم می‏شود و از عمده نقاط قوت این روش نسبت به روش‏های موجود این است که شبکه قادر به سازمان‏دهی، مدیریت و بازسازی خودش است. نتایج آزمایشات نشان می‏دهد که بررسی بهره‏وری انرژی از دیدگاه شبکه شناختی منجر به بهبود پارامترهای کیفیت سرویس از جمله توان عملیاتی و تاخیر انتها به انتها در شبکه نسبت به دیگر روش‏های بهره‏وری انرژی شده است.

rmlab: energy-efficient resource management for cognitive internet of things based on learning automata

the mobility of the nodes and their limited energy supply in cognitive internet of things networks leads to complexity of network conditions. so that having efficient energy mechanism is considered important in these networks and can reduce energy consumption in the network. network elements (including nodes, policies and behaviors) are not able to create intelligent adaptation to the environment in which they operate due to being limited in their status, scope and response mechanisms and compatibility in these networks is usually passive. for this reason energy efficiency algorithms are expected to be able to adapt themselves to environmental changes through a preventive solution. on the other hand the administration command of the islamic republic of iran(farja) is in contact with a large amount of information in various social, security, economic and cultural fields in order to work in the field of order and security. therefore to achieve aforementioned purposes. this paper presents a new rmlab solution for energy efficiency based on learning automata from the perspective of cognitive networks. which is self organizing, self aware and dynamically regulated by use of learning automata to send network nodes to manage energy consumption and one of the main strengths of this method compared to existing methods is that network able to organize, manage and rebuild itself. the experimental results show that examining energy efficiency from perspective of cognitive network leads to improvement of quality of service parameters, including throughput and end to end delay in network compared with other energy efficiency methods.