ارائه مکانیسمی کارآمد برای توزیع بار محاسباتی در پردازش مه آلود با استفاده از انرژی های تجدید پذیر

در سال های اخیر پردازش داده ها در لبه شبکه (محاسبات مه) بسیار رایج شده است. این نوع پردازش به ما کمک می کند تا درخواست های حساس به تاخیر، به صورت محلی در لبه شبکه انجام شود. از طرفی تامین انرژی موردنیاز برای این محاسبات در لبه شبکه، پرهزینه و گاهی غیرممکن است؛ بنابراین استفاده از انرژی های تجدید پذیر، به عنوان منبع تغذیه اصلی یا حتی تنها منبع انرژی، در بسیاری از سناریوها لازم است. با این حال، به دلیل داشتن وقفه زیاد و غیرقابل پیش بینی بودن انرژی های تجدید پذیر، ارائه کیفیت بالای خدمات به کاربران برای استفاده از انرژی در لبه های شبکه دچار چالش می شود. در این پژوهش به بررسی چالش های موجود منابع تجدید پذیر در محاسبات مه پرداخته و الگوریتم مدیریت منابع مبتنی بر یادگیری تقویتی پیشنهاد می شود. روش پیشنهادی سیاست تخصیص بار را به صورت پویا، میان ابر و سرورهای لبه یاد می گیرد. نتایج شبیه سازی موید آن است که این الگوریتم هزینه بلندمدت سیستم (شامل تاخیر خدمات و هزینه عملیاتی) را کاهش می دهد.

کلیدواژه ها:

محاسبات مه ، اینترنت اشیا ، یادگیری ماشین