بهینه سازی جانمایی چند منظوره سرویس‌های اینترنت اشیا در رایانش ابری با استفاده از الگوریتم‌ بهینه‌سازی نهنگ و شبکه عصبی mlp

با رشد روزافزون کاربردهای اینترنت اشیا (iot)، استفاده از آن‌ها برای تسهیل فعالیت‌های روزمره در حوزه‌های مختلف در جهت افزایش کیفیت زندگی انسان به‌طور چشمگیری افزایش یافته است. رایانش مه به‌عنوان یک راه حل محاسباتی توزیع شده برای خدمت به این برنامه‌ها با استفاده از گره‌های مه موجود در مجاورت دستگاه‌های iot پدیدار شده‌اند. برنامه‌های اینترنت اشیا در قالب چندین خدمات iot با الزامات مختلف کیفیت خدمات (qos) توسعه یافته‌اند که می‌توانند بر روی گره‌های مه مستقر شوند. از این رو، یافتن یک طرح جانمایی خدمات کارآمد برای بهره‌برداری از قابلیت‌های منابع مختلف در اکوسیستم مه یکی از مسائل چالش برانگیز است که باید در نظر گرفته شود. در این پژوهش، یک راه‌حل کارآمد جانمایی خدمات iot بر اساس شبکه عصبی پرسپترون چندلایه (mlp) و الگوریتم بهینه‌ساز نهنگ (woa) برای استقرار برنامه‌های اینترنت اشیا در زیرساخت مه پیشنهاد داده شده است. راه حل پیشنهادی الزامات qos خدمات اینترنت اشیا و قابلیت‌های گره‌های مه موجود را برای تعیین یک سرویس کارآمد نظارت می‌کند. طرح جانمایی ابتدا به کمک مدل mlp تخمین زده می‌شود؛ سپس با استفاده از روش فراابتکاری الگوریتم‌های بهینه‌‌سازی می‌گردد. در رویکرد حاضر، از توان عملیاتی، مصرف انرژی و تاخیر به‌عنوان توابع هدف برای یافتن طرح جانمایی خدمات اینترنت اشیا مطلوب استفاده کرده است. نتایج شبیه‌سازی نشان می‌دهد که راه‌حل پیشنهادی مصرف منابع و نسبت پذیرش خدمات را افزایش می‌دهد و تاخیر سرویس و مصرف انرژی را در مقایسه با سایر رویکردهای فراابتکاری کاهش می‌دهد.

multi-objective optimization of iot service placement in cloud computing using whale optimization algorithm and mlp neural network

with the rapid growth of internet of things (iot) applications, the use of this technology to facilitate daily activities across various fields has significantly increased and contributed to improving the quality of human life. in this context, fog computing has emerged as a distributed computational solution to support these applications using fog nodes located close to iot devices. iot-related programs have been developed in the form of multiple iot services with different quality of service (qos) requirements, which can be deployed on fog nodes. therefore, identifying a suitable layout scheme for service placement and optimizing the capabilities of various resources in the fog ecosystem is one of the significant challenges that must be considered. this research presents an efficient solution for iot service placement based on a multi-layer perceptron (mlp) neural network and the whale optimization algorithm (woa), designed for deploying iot applications within fog infrastructure. the proposed solution examines the qos requirements of iot services and the capabilities of existing fog nodes to determine an efficient service placement. initially, the placement scheme is estimated using the mlp model and then optimized using heuristic optimization methods. in this approach, parameters such as throughput, energy consumption, and delay are used as objective functions to achieve an optimal service placement scheme. simulation results indicate that this proposed solution increases resource utilization and service acceptance rates while reducing service delay and energy consumption compared to other heuristic methods.