ارائه مکانیسمی کارآمد برای تعیین تابعی برای توزیع بارکاری در محاسبات مه با استفاده از سیستم های دسته بند یادگیر

با توسعه سریع اینترنت اشیا ، الگوی محاسبات مه به عنوان یک راه حل جذاب برای پردازش داده‌ها‌ در برنامه‌ها‌ی اینترنت اشیا ارائه شده است. در محیط مه ، برنامه‌ها‌ی اینترنت اشیا توسط گره‌ها‌ی محاسباتی میانی در مه و همچنین کارگزارهای فیزیکی در مراکز داده ابری اجرا ‌می‌شوند. از این رو، مسائل مربوط به مدیریت منابع و مدیریت انرژی به عنوان یکی از مشکلات چالش برانگیز در محاسبات مه باید مورد توجه قرار گیرد. اخیرا پژوهش هایی برای ایجاد تعادل بین انرژی و هزینه در محاسبات مه صورت گرفته است. در این پژوهش ضمن بررسی این رویکردها روشی کارآمد برای تقریب تابع توزیع بار با دو روش مبتنی بر سیستم های یادگیر دسته‌بند به نام xcsf و bcm-xcsf در گرههای پردازشی مه به منظور بهینه سازی هرچه بیشتر رویکردهای قبلی و مدیریت منابع پردازشی مه ارائه شده است. این دو روش در داشتن یک حافظه برای نگهداری بهترین دستهبند‌ها‌ با هم متفاوت هستند. نتایج آزمایش‌ ها نشان می دهند که این دو روش همانند xcs و bcm-xcs توزیع بار مناسبی دارند. این دو روش بخصوص روش bcm-xcsf افزون بر این که سربار محاسباتی را کم ‌می‌کنند روش اخیر، حدود 60 درصد تاخیر را کاهش میدهد و مصرف انرژی را نیز بهبود می بخشد.

an efficient mechanism to determine a function for load distribution in fog computing based on the use of learning classification systems

with the rapid development of the internet of things, the fog computing model has been introduced as an attractive solution for processing data in iot applications. in the fog environment, iot applications are executed by intermediate computational nodes in the fog, as well as physical servers in cloud data centers. therefore, issues related to resource management and energy management as challenging problems in fog computing need to be addressed. recently, research has been conducted to create a balance between energy and cost in fog computing. in this study, while examining these approaches, an efficient method for approximating the load distribution function using two learning classification systems called xcsf and bcm-xcsf in fog processing nodes has been presented to optimize previous approaches and manage fog processing resources as much as possible. these two methods differ in having memory to store the best classifiers. simulation results indicate that both xcs and bcm-xcs have appropriate load distribution. these two methods reduce computational overhead. particularly, the bcm-xcsf method not only reduces delays by about 60%, but also improves energy consumption.