بهبود کنترل جریان در معماری بازگشتی بین شبکه ای RINA به کمک شبکه های عصبی درهم پیچش CNN

برخلاف معماری های سنتی شبکه که در آن لایه ها به عنوان واحدهای مدولار تعریف شده اند، تنها یک نوع لایه خدمات ارتباطی در معماری RINA وجود دارد. پروتکل های داخلی این معماری می بایست اشتراکات را به حداکثر رسانده و سازگاری با نیازهای عملیاتی مختلف هر لا یه را فراهم آورد. ما در این پژوهش با بکارگیری شبکه عصبی درهم پیچش به شناسایی عوامل موثر در کنترل جریانپرداخته ایم. و پس از آن با آموزش اولیه تابع هدف و داده های موجود به آزمایش نهایی نتایج و محدودیت ها که بیانگر شناسایی مناسب ترین مسیرهای مابین گره ها می باشند می پردازیم که در آن سطح انرژی همه نودهای شبکه به تناسب هم کاهش پیدا کرده و با توجه به کاربرد شبکه و اطلاعات رد و بدل شده، کیفیت سرویس مناسبی را ارائه داده و با بهینه سازی پارامترهایی مانند مسیر مناسب، پهنای باند، انتقال داده و مصرف انرژی، بهینه سازی کنترل جریان را انجام داده ایم و با این عمل گستردگی گستره ی سطح پوشش را نشان داده ایم . ما در این مقاله مسیریابی مناسب در راستای نیل به اهداف بهین هسازی ارتباطات میان لایه ای و گره ای را انجام داده ایم، که این امر بهبود عملکرد باتری و بهینه سازی آن را در پی داشته است.ما الگوریتم پیشنهادی را با نرم افزار متلب شبیه سازی کرده ایم. نتایج نشان می دهد که کارایی ۴ % بهتر شده است هرچند که هزینه محاسباتی ۲.۶۷ % درصد افزایش پیدا کرده است.

کلیدواژه ها:

الگوریتم درهم پیچش ، پروتکل شبکه عصبی ، کانالوشن ، کنترل جریان ، معماری بازگشتی بین شبکه ، مسیر بهینه ، بهین هسازی ، هوش مصنوعی.