ارائه روشی مبتنی بر یادگیری تقویتی جهت شناسایی وظایف برنامه کاربردی اینترنت اشیا در محاسبات مه

برنامه های کاربردی اینترنت اشیا از تعدادی وظیفه تشکیل شده است که در ارتباط با یکدیگر داده های حسگری در حوزه کاربردهای شهری، کشاورزی وصنعتی را جمع آوری و تحلیل میکنند. هر وظیفه در برنامه کاربردی اینترنت اشیا، باید داده های تعدادی حسگر را دریافت نموده و از آنها برای آموزش مدل پیشبینی کننده استفاده کند. مدلهای آموزش دیده برای تحلیل هایی مانند تشخیص ناهنجاری و تشخیص حمله استفاده میشوند. تعداد وظایف و همچنین حسگرهایاختصاص یافته به هر وظیفه اثر مهمی بر هزینه استقرار و کارایی برنامه کاربردی اینترنت اشیا دارد. در این مقاله یک روش مبتنی بر یادگیری تقویتی ارائه شده کهبه شکل تطبیق پذیر ساختار بهینه برنامه کاربردی اینترنت اشیا را از لحاظ نحوه پیکربندی وظایف یاد میگیرد. ساختار بهینه برنامه کاربردی با هدف کمینه کردنهزینه استقرار آن در بستر محاسبات مه و در عین حال بیشینه نمودن کارایی آن تعیین می گردد. در این پژوهش از الگوریتم ddpg جهت تعیین ساختار بهینهاستفاده شده است. کارایی برنامه کاربردی در اینجا از نظر درجه همگرایی مدل آموزش داده شده با استفاده از رویکرد یادگیری فدرال سنجیده میشود. نتایج نشانمیدهد که روش پیشنهادی نسبت به روش های پایه تعیین وظایف مانند روش متمرکز و روش محاسبات لبه ای با 16 %بهبود عمل میکند.