بهبود انتقال وظایف با استفاده از منطق فازی نوع 2 و الگوریتم یادگیری تقویتی با سیاست مجاور برای افزایش عملکرد برنامه های اینترنت اشیاء

این مقاله روش نوین مهاجرت وظایف ارائه می‌دهد که برای بهبود کارایی برنامه‌ های اینترنت اشیا در یک معماری سه‌ لایه در محیط محاسبات مه و ابر طراحی شده است. لایه اینترنت اشیا شامل دستگاه‌های هوشمندی است که تعداد زیادی وظایف تولید می‌کنند؛ وظایفی که هر یک دارای مشخصات متنوعی مانند اندازه، نیازهای محاسباتی، نیاز های ارتباطی و محدودیت‌ های زمانی هستند. به دلیل محدودیت ذخیره‌سازی و ظرفیت محاسباتی دستگاه‌های اینترنت اشیا، لازم است این وظایف به لایه‌های مختلف منتقل شوند تا پردازش موثری انجام شود و اهداف کیفیت خدمات (qos) برآورده شوند. برای حل این چالش، از یک برنامه‌ریز وظایف مبتنی بر منطق فازی نوع 2 استفاده شده است تا تصمیم‌گیری‌های هوشمندانه‌ای برای مهاجرت وظایف انجام دهد. این برنامه‌ریز بر اساس ویژگی‌های وظایف، مناسب‌ترین لایه پردازشی را انتخاب می‌کند. علاوه بر این، در این مقاله از یادگیری عمیق تقویتی بهینه‌سازی سیاست مجاور (ppo) استفاده شده است تا با مهاجرت مناسب وظایف سطح مه، تعادل بار میان گره‌های همکار حفظ گردد. نتایج تجربی نشان می‌دهند که طرح پیشنهادی در مقایسه با روش‌های پیشرفته موجود، از نظر کاهش تاخیر، مصرف انرژی، استفاده از شبکه، توان عملیاتی و نرخ مهاجرت وظایف عملکرد بهتری دارد.

improving task offloading using type-2 fuzzy logic and proximal policy reinforcement learning to enhance iot application performance

this paper presents a novel task offloading approach designed to improve the efficiency of iot applications within a three-layer architecture in fog and cloud computing environments. the iot layer consists of smart devices that generate numerous tasks, each with diverse characteristics such as size, computational requirements, communication needs, and time constraints. due to the storage and computational limitations of iot devices, it is necessary to offload these tasks to different layers to ensure efficient processing and meet quality of service (qos) objectives.to address this challenge, a type-2 fuzzy logic-based task scheduler is employed to make intelligent task migration decisions. this scheduler selects the most suitable processing layer based on the task characteristics. additionally, this paper leverages proximal policy optimization (ppo) deep reinforcement learning to maintain load balancing among cooperative nodes in the fog layer through optimal task migration. experimental results demonstrate that the proposed scheme outperforms existing advanced methods in terms of reducing latency, energy consumption, network utilization, throughput, and task migration rate.