پیاده سازی موثر الگوریتم های یادگیری ماشین بر روی گره های لبه در اینترنت اشیاء

گره های محاسباتی تعبیه شده، به سرعت در حال گسترش در همه جنبه های زندگی بشر امروزی هستند و کاربردهای مفیدی در زمینه هایی مانند سیستم های پوشیدنی برای ن ظارت بر سلامت، سیستم های بی سیم برای کنترل نظامی، سیستم های شبکه در اینترنت اشیا، لوازم هوشمند برای اتوماسیون خانگی و سیستم های ترمز ضد قفل در خودروها دارند. روند تحقیقاتی اخیر در فناوری های محاسباتی، نیاز به پیاده سازی روش های یادگیری ماشین در گره های محاسباتی تعبیه شده برای کاربردهای متتنوع را نشان می دهد. همگرایی الگوریتم های یادگیری ماشین و سیستم های تعبیه شده که در آن مدل های یادگیری محاسباتی، سیستم های تعبیه شده با منابع محدود را هدف قرار داده است، فرصت های فراوانی را برای تحقیق در فناوری های محاسباتی بر روی گره های لبه در ا ینترنت اشیاء فراهم کرده است. اگرچه تحقیقات در این زمینه در ابتدای راه است، با این حال تحقیقات زیادی شامل بهینه ساز ی مدل های مختلف یادگیری ماشین در محیط های با منابع محدود، توسعه معماری های سخت افزاری کارآمد شامل واحدهای شتاب دهنده برای تسریع در پیاده سازی الگوریتم های محاسباتی و معماری های سخت افزاری تخصصی جدید و نوآورانه برای برآورده نمودن الزامات کارائی در سطوح بالای این مدل ها، انجام شده است. لذا، نیاز به بررسی، تجزیه و تحلیل دیدگاه های مختلف برای ارائه مفاهیم بنیادی یادگیری ماشین بر روی گره های محاسباتی با منابع محدود با درنظر داشتن معماری کامپیوتر هدف، وجود دارد. در مجخوع پیاده سازی الگوریتم های یادگیری ماشین در گره های محاسباتی لبه در اینترنت اشیاء نیاز به ارائه راه حل هایی برای مشکلات پیچیده در این عصر کلان داده دارد. در این مقاله الگوریتم های یادگیری ماشین اعم مانند درخت تصمیم، k- نزدیک ترین همسایه، رگرسیون لجستیک و جنگل تصادفی مدلسازی شده اند. با تحلیل مقایسه ای الگوریتم ها، درخت تصمیم به عنوان مدلی با عملکرد مناسب با درنظر گرفتن دقت مدل (۹۲.۱۷%)، میزان حافظه مصرفی و پیچیدگی محاسباتی الگوریتم معرفی می شود.

کلیدواژه ها:

یادگیری ماشین ، سیستم های تعبیه شده ، گره های لبه ، اینترنت اشیاء