رویکردی کارآمد برای تامین پویای سرویس های اینترنت اشیاءروی زیرساخت رایانش مه

پیشرفت های اخیر در فناوری اینترنت اشیاء منجر به گسترش کاربردهای آن در حوزه های مختلفی مانند ساختمان ها، شهرها، مراقبت های بهداشتی و غیره شده است. رایانش مه به عنوان یک پلتفرم توزیع شده در لبه شبکه، امکان اجرای برنامه های کاربردی اینترنت اشیاء را به صورت بلادرنگ فراهم می کند. به دلیل پویایی محیط مه و تغییرات مداوم در رفتار برنامه های اینترنت اشیاء، یکی از چالش های اصلی، تامین بهینه و پویای سرویس های اینترنت اشیاء بر روی منابع موجود در محیط مه است. این مطالعه با هدف ارائه یک مکانیزم تامین سرویس بهینه و پویا، از تکنیک های یادگیری تقویتی مانند اتوماتای یادگیر استفاده کرده است. چارچوب پیشنهادی این مطالعه شامل یک معماری سه لایه (اشیاء، مه و ابر) و یک مولفه مدیر تامین سرویس پویا است که از سه زیرمولفه مانیتورینگ درخواست های سرویس و وضعیت گره های مه، تحلیل گر بار کاری و ارائه دهنده سرویس، تشکیل شده و وظیفه تامین سرویس های مورد نیاز در لایه مه را بر عهده دارد. این مکانیزم در سه سناریوی مختلف ارزیابی شده است که شامل بررسی جریان ترافیک واقعی، مقایسه با راه حل های بهینه و تاثیر آستانه تاخیر سرویس می شود. نتایج شبیه سازی نشان می دهد که روش پیشنهادی در مقایسه با سایر مکانیزم ها، تاخیر سرویس، هزینه و نقض تاخیر را به طور موثری کاهش می دهد.

an efficient approach for dynamic iot service provisioning on the fog infrastructure

recent advancements in internet of things (iot) technology have led to its widespread adoption across various domains، such as smart buildings، cities، and healthcare. fog computing، as a distributed platform at the network edge، enables real-time execution of iot applications. due to the dynamic nature of fog environments and the continuously changing behavior of iot applications، one of the key challenges is the optimal and dynamic provisioning of iot services over available fog resources. this study aims to address this challenge by proposing a dynamic and optimal service provisioning mechanism using reinforcement learning techniques، such as learning automata. the proposed framework consists of a three-tier architecture (iot، fog، and cloud layers) and a dynamic service provisioning manager (dspm) component. the dspm comprises three subcomponents: a service request and fog node status monitor، a workload analyzer، and a service provider، which collectively handle service provisioning at the fog layer. the mechanism is evaluated under three distinct scenarios: analysis of real-world traffic flow، comparison with optimal solutions، and the impact of service delay thresholds.simulation results demonstrate that the proposed approach effectively reduces service delay، cost، and delay violation compared to existing mechanisms.