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 یا رفتار غیرمنتظره کاربر مواجه هستند. بدون کاهش فضای تطبیق، این عدم قطعیت ها می توانند اهداف سیستم را به خطر بیندازند. خود تطبیقی رویکردی رایج برای مقابله با چنین عدم قطعیت هایی است. هنگامی که در حین اجرا اهداف سیستم به خطر بیفتند، سیستم خودتطبیق باید با تجزیه وتحلیل کل فضای سازگاری، بهترین گزینه سازگاری را برای پیکربندی مجدد انتخاب کند. با این حال، تجزیه و تحلیل فضاهای سازگاری بزرگ با استفاده از روشهای معمولی و رسمی باعث هدر رفتن منابع و زمان شده و گاهی غیرممکن می شود. یکرویکرد برای مقابله با این مشکل استفاده از یادگیری ماشین برخط برای کاهش فضای سازگاری است. اما، این روشها نیز نیازمند انجام مهندسی ویژگی هستند تا یک یادگیرنده، جهت کاهش فضای سازگاری برخط آنهم فقط برای اهداف خاص، تعریف کنند. از طرفی راه حلی سیستماتیک که قادر به برآورده کردن انواع مختلف اهداف سازگاری باشد، وجود ندارد. برای مقابله با این محدودیت ها، در این مقاله از یادگیری عمیق برای کاهش فضای سازگاری استفاده می کنیم. یک چارچوب یادگیری قابل گسترش برای کاهش فضاهای سازگاری برخط که با کمک یادگیری بازنمایی به مهندسی ویژگی نیاز نداشته، و از طرفی می تواند انواع مختلف اهداف تطبیق را پشتیبانی کند: اهداف آستانه،اهداف بهینه سازی و اهداف نقطه تنظیمی. نتایج آزمایشات کارایی یادگیری عمیق را در افزایش سرعت تصمیم گیری و 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، اینترنت اشیا، کاهش فضای سازگاری