ارائه یک الگوریتم کارآمد مبتنی بر اتوماتا ی یادگیر برای تامین منابع درمحیط مه

در سال های اخیر، خدمات اینترنت اشیاء IOT در راستای ارتقای کیفیت زندگی در حوزه های مختلف افزایش یافته است. اتصال به ابر و استفاده از خدمات آن امری عمومی شده و متخصصین دنبال راه هایی برای تکمیل رایانش ابری در جهت استفاده از آن درفن آوری اینترنت اشیاء هستند که در چند دهه آینده، همه چیز را آنلاین خواهد کرد. یکی از راه ها برای رسیدن به هدف کاهش تاخیر،پردازش فوری و ازدحام در شبکه، رایانش مه است که در آن رایانش ابری به لبه شبکه گسترش پیدا می کند. از سوی دیگر، به خاطرمحدودیت های منابع سخت افزاری مه در مقایسه با ابر وماهیت پویا وغیرقابل پیش بینی محیط مه، تامین پویای منابع سرویس هایمه چالش برانگیز است. تطبیق میزان منابع با نوسانات بار کاری برنامه های کاربردی اینترنت اشیا به صورت اتوماتیک باعث می شود که حداقل منابع مه براساس حجم کاری دستگاه IoT به آن اختصاص داده شود و بدین ترتیب پارامترهای QoS,SLA برآورده شوند. در این مقاله، بعد از معرفی چارچوب جدید مبتنی بر متدولوژی حلقوی MAPE یک رویکرد تامین پویای منابع برای برنامه های کاربردی اینترنت اشیا بر اساس ترکیب مفهوم رایانش خودمختار و تکنیک های یادگیری تقویتی ارائه داده ایم. رویکرد پیشنهادی، از یادگیری تقویتی به عنوان تصمیم گیرنده در فاز برنامه ریزی و از تکنیک رگرسیون خطی در فاز تحلیل استفاده می کند.رویکردپیشنهادی را تحت دو بار کاری مورد ارزیابی قرار داده ایم . .

کلیدواژه ها:

اینترنت اشیا ، رایانش ابری ، رایانش مه ، متدولوژی حلقویMAPE ، رگرسیون خطی ، تخطی های SLA