پایش وفقی در محیط محاسباتی لبه با رویکرد شبکه عصبی عمیق

با رشد استفاده از خدمات محاسبات لبه در محیط‌های با منابع محدود، کاهش عملیات نظارت، مصرف منابع و حجم اطلاعات ارسالی به یکی از چالش‌های کلیدی تبدیل شده است. انتقال مداوم داده‌های نظارتی به سرور مرکزی منجر به مصرف بالای پهنای باند و افزایش بار محاسباتی می‌شود. روش‌های موجود مبتنی بر یادگیری ماشین اغلب نیازمند تغییرات سخت‌افزاری یا نرم‌افزاری بوده یا توانایی کافی در مدیریت پیش‌بینی‌های دقیق و تغییرپذیری جریان داده‌ها را ندارند.در این پژوهش، روشی مبتنی بر شبکه‌های عصبی gru برای پایش وفقی منابع در محیط‌های محاسباتی لبه پیشنهاد شده است. مدل پیشنهادی با استفاده از داده‌های تاریخی، مقادیر آینده سنجه‌های مختلف داده‌های نظارتی را با سطح اطمینان بالایی پیش‌بینی می‌کند. در صورت پایین بودن عدم قطعیت، داده‌های پیش‌بینی‌شده معتبر تلقی شده و از ارسال داده جدید جلوگیری می‌شود؛ در غیر این صورت، داده واقعی از گره‌های لبه دریافت می‌گردد .این رویکرد باعث کاهش حجم داده‌های انتقالی، بهبود کارایی شبکه و صرفه‌جویی در مصرف منابع محاسباتی و پهنای باند می‌شود. ارزیابی‌ها نشان‌دهنده بهبود دقت پیش‌بینی و کاهش قابل توجه داده‌های منتقل‌شده است. همچنین، این روش بدون نیاز به تغییرات گسترده سخت‌افزاری، راهکاری موثر برای بهینه‌سازی نظارت و مدیریت منابع در محیط‌های محاسبات لبه با منابع محدود است.