تحلیلی بر محاسبات لبه و لایه های مه و ابر در شبکه های اینترنت اشیاء

رشد شتابان اینترنت اشیاء (iot ) و تولید حجم عظیم داده توسط دستگاه‌ها، انتقال مستقیم اطلاعات به ابر را با چالش‌های جدی نظیر سربار ارتباطی ، تاخیر بالا و مصرف انرژی زیاد مواجه کرده است. برای مدیریت کارآمدتر، معماری‌های چندلایه و تکنیک‌های بهینه‌سازی گوناگونی مطرح شده‌اند. این مقاله مروری به بررسی جامع و یکپارچه معماری محاسباتی چهارلایه شامل دستگاه، غبار ، لبه/مه و ابر در بستر اینترنت اشیاء می‌پردازد. هدف اصلی پژوهش، تحلیل نقش تکنیک‌های پیشرفته یادگیری ماشین در بهینه‌سازی این معماری توزیع‌شده برای غلبه بر محدودیت‌های محاسبات ابری سنتی است. با مرور نظام‌مند جدیدترین مطالعات معتبر، کارایی روش‌هایی همچون یادگیری تقویتی عمیق و یادگیری فدرال در بهبود عملکرد شبکه ارزیابی شده است. بررسی‌ها نشان می‌دهد که پیاده‌سازی هوشمندانه این تکنیک‌ها دستاوردهای قابل‌توجهی از جمله کاهش تاخیر در «برون‌سپاری وظایف » و تقلیل سربار ارتباطی را ضمن حفظ حریم خصوصی داده‌ها به همراه داشته است. همچنین، ضمن تحلیل مطالعات موردی در حوزه‌های کشاورزی هوشمند، شهرهای هوشمند، سلامت دیجیتال و صنعت، چالش‌های کلیدی نظیر داده‌های دارای توزیع ناهمسان ، محدودیت‌های انرژی و امنیت شناسایی شده‌اند. در نهایت، با هدف‌گذاری برای پژوهش‌های آتی، یک نقشه راه تحقیقاتی در سه بازه زمانی کوتاه‌مدت، میان‌مدت و بلندمدت ارائه شده است تا مسیر دستیابی به سیستم‌های اینترنت اشیاء پایدارتر، امن‌تر و مقیاس‌پذیرتر ترسیم گردد.

an analysis of edge computing and fog and cloud layers in internet of things networks

the rapid growth of the internet of things (iot) and the massive volume of data generated by devices have made direct data transmission to the cloud face serious challenges, including communication overhead, high latency, and excessive energy consumption. to enable more efficient management, various multi-layer architectures and optimization approaches have been proposed. this survey paper presents a comprehensive and integrated review of a four-layer computational architecture—comprising the device, mist, edge/fog, and cloud layers—within the iot paradigm. the primary objective of this research is to analyze the role of advanced machine learning methods in optimizing this distributed architecture in order to overcome the limitations of traditional cloud computing. through a systematic review of the most recent and reputable studies, the effectiveness of techniques such as deep reinforcement learning and federated learning in improving network performance is evaluated. the findings indicate that the intelligent implementation of these methods yields significant benefits, including reduced latency in task offloading and decreased communication overhead, while preserving data privacy. furthermore, by analyzing case studies in smart agriculture, smart cities, digital health, and industry, key challenges such as non-iid data distributions, energy constraints, and security issues are identified. finally, a three-stage research roadmap—covering short-, mid-, and long-term horizons—is proposed to guide future research toward the development of more sustainable, secure, and scalable iot systems.