تخصیص بارکاری در لبه شبکه با استفاده از مدلهای یادگیری ماشین سبک با درنظر گرفتن محدودیت منابع

اعداد دستگاه های متصل به شبکه اینترنت اشیاء به سرعت گسترش یافته است. این امر، موجب افزایش قابل توجه بار محاسباتی در شبکه 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. پردازشبارهای کاری در لبه شبکه علاوه بر کاهش زمان پاسخ موجب افزایش کیفیت خدمات میشود. همچنین باید به محدودیت منابع در لبه شبکه توجه داشت. بنابراینعلاوه 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، از یکمدل یادگیری ماشین سبک بر پایه جنگل تصادفی با نام tinyrf برای متعادل کردن مصرف انرژی و کاهش تاخیر در پردازش بارهای کاری با درنظر گرفتنمحدودیت حافظه در لبه شبکه پیشنهاد شده است. نتایج آزمایش های ما نشان دهنده برتری tinyrf نسبت به روش های مشابه است. شبیه سازی نشان می دهدکه روش پیشنهادی میتواند علاوه بر توزیع بارکاری، سبب کاهش همزمان تاخیر و انرژی مصرفی و ایجاد مصالحه بین آنها و حافظه مصرفی شوند.