کاظم نیک فرجام - دانشجوی دکترای مهندسی نرم افزار -دانشگاه آزاد اسلامی واحد قزوین

سیستم های نرم افزاری در بستر اینترنت اشیا با شرایط عملیاتی نامشخصی مانند تغییرات ناگهانی در دسترسی به منابع یارفتار غیرمنتظره کاربر مواج هستند خود تطبیقی رویکردی رایج برای مقابل با چنین عدم قطعیت هایی است. هنگامی که درحین اجرا اهداف سیستم به خطر بیفتند، سیستم خودتطبیق باید با تجزیه و تحلیل کل فضای سازگاری، بهترین گزینهسازگاری را برای پیکربندی مجدد انتخاب کند. با این حال، تجزیه و تحلیل فضاهای سازگاری بزرگ با استفاده از روش هایمعمولی و رسمی باعث هدر رفتن منابع و زمان شده و گاهی غیرممکن می شود. یک رویکرد برای مقابل با این مشکل استفادهاز یادگیری ماشین برخط برای کاهش فضای سازگاری است. اما، این روش ها نیز نیازمند انجام مهندسی ویژگی هستند تا یکیادگیرنده، جهت کاهش فضای سازگاری برخط آنهم فقط برای اهداف خاص، تعریف کنند. از طرفی راه حلی سیستماتیک کهقادر به برآورده کردن انواع مختلف اهداف سازگاری باشد، وجود ندارد. برای مقابل با این محدودیت ها، از یادگیری عمیق برایکاهش فضای سازگاری استفاده می کنیم. یک چارچوب یادگیری قاب گسترش برای کاهش فضاهای سازگاری برخط که باکمک یادگیری بازنمایی به مهندسی ویژگی نیاز نداشت ، و از طرفی می تواند انواع مختلف اهداف تطبیق را پشتیبانی کند:اهداف آستانه، اهداف بهینه سازی و اهداف نقطه ای. نتایج آزمایشات کارایی یادگیری عمیق را در افزایش سرعت تصمیم گیریو کاهش تاخیر شبکه و همچنین کاهش نرخ از دست دادن بسته ها برای ترکیب های مختلف اهداف سازگاری نشان می دهد.

یادگیری عمیق، سیستم خودتطبیق در اینترنت اشیا، کاهش فضای سازگاری