ارائه یک الگوریتم کارآمد مبتنی بر اتوماتای یادگیر برای تامین منابع در محیط مه

در سالهای اخیر، خدمات اینترنت اشیاء(iot (در راستای ارتقای کیفیت زندگی در حوزه های مختلف افزایش یافته است. اتصال به ابر و استفاده از خدمات آن امری عمومی شده و متخصصین دنبال راه هایی برای تکمیل رایانش ابری در جهت استفاده از آن در فن آوری اینترنت اشیاء هستند که در چند دهه آینده، همه چیز را آنلاین خواهد کرد. یکی از راه ها برای رسیدن به هدف کاهش تاخیر، پردازش فوری و ازدحام در شبکه، رایانش مه است که در آن رایانش ابری به لبه شبکه گسترش پیدا میکند. از سوی دیگر، به خاطر محدودیتهای منابع سخت افزاری مه در مقایسه با ابر وماهیت پویا وغیرقابل پیش بینی محیط مه، تامین پویای منابع سرویسهای مه چالش برانگیز است. تطبیق میزان منابع با نوسانات بار کاری برنامه های کاربردی اینترنت اشیا به صورت اتوماتیک باعث میشود که حداقل منابع مه براساس حجم کاری دستگاه iot به آن اختصاص داده شود و بدین ترتیب پارامترهای sla و qos برآورده شوند. در این مقاله، بعد از معرفی چارچوب جدید مبتنی بر متدولوژی حلقوی mape، یک رویکرد تامین پویای منابع برای برنامههای کاربردی اینترنت اشیا بر اساس ترکیب مفهوم رایانش خودمختار و تکنیکهای یادگیری تقویتی ارائه داده ایم.رویکرد پیشنهادی، از یادگیری تقویتی به عنوان تصمیم گیرنده در فاز برنامه ریزی و از تکنیک رگرسیون خطی در فاز تحلیل استفاده میکند.رویکرد پیشنهادی را تحت دو بار کاری مورد ارزیابی قرار داده ایم..

an efficient algorithm based on learning automata for resource provisioning in fog environment

an efficient dynamic fog service provisioning approach for iot applications abstract in recent years, internet of things (iot) services have expanded to promote the quality of life in different areas. connecting to cloud and utilizing its services are now public and common, and the experts seek to find some ways to complete cloud computing to use it in iot, which in next decades will make everything online. fog computing, where the cloud computing expands to the edge of the network, is one way to achieve the objectives of delay reduction, immediate processing and network congestion. on the other hand, concerning the limitations in hardware resources of fog compared to cloud, and the dynamic and unpredictable fog environment, provision of dynamic fog services is a challenge. automatic matching of the resources to the workload oscillations of iot applications leads to allocation of minimum fog resources to iot device, based on the workload; and therefore, satisfaction of service level agreement (sla) and quality of satisfaction (qos) parameters. in this paper, a method based on the control mape-k loop has been introduced. moreover, an approach for dynamic provisioning of resources for iot applications has been presented based on combined concept of autonomic computing and reinforcement learning (rl) techniques. the proposed technique utilizes rl as decision maker in planning phase and linear regression technique in analysis phase. the proposed method has been evaluated through two workloads. the results of simulation tests show that the presented approaches reduce the delay in provision of services, total cost and sla violation compared to other approaches. this is indicative of the potential of fog computing to insure the quality of services (qos) and experience.