IoT-Pi: یک چارچوب سبک وزن مبتنی بر یادگیری ماشین برای محاسبات توزیع شده مقرون به صرفه با استفاده از IoT

با افزایش سریع قابلیت محاسباتی دستگاه های اینترنت اشیا (IoT)، می توان برنامه های هوشمند و خودتطبیقی را بر روی گره های لبه توسعه داد. با رشد سریع فناوری های ابری، تقاضا برای معماری ترکیبی با ابر و IoT نیز افزایش یافته است. برای تامین نیازهای حیاتی و جامع در امر تحول معماری، یک چارچوب سبک وزن به نام IoT-Pi پیشنهاد شده است که با پیش بینی یادگیری ماشین بر پایه دستگاه رزبری پای بر روی گره های لبه IoT کار می کند و مدیریت چرخه عمر منابع ابری در سه فاز (نمونه، یادگیری، تطبیق) را ارائه می دهد. میزان دقت پیش بینی یادگیری ماشین در تکنیک پیشنهادی، در برخی از الگوریتم ها، به بیش از 70% می رسد که امکان پذیری و اثربخشی اجرای مدیریت منابع ابری بر روی دستگاه های IoT نظیر رزبری پای را نشان می دهد. فناوری های IoT با چیپست های کوچک و ظرفیت رایانشی قدرتمند در حال ظهور هستند که این امکان را فراهم می کنند تا دستگاه های تعبیه شده هوشمندتر شوند. این مقاله یک چارچوب مبتنی بر IoT و یادگیری ماشین ارائه می دهد که به کمک آن می توان به مدیریت انعطاف پذیر چرخه عمر منابع ابر، شناسایی حالت بلااستفاده منابع و کاهش هزینه های رایانشی دست یافت. چارچوب IoT-Pi همچنین امکان اجرای وظایف یادگیری ماشین مدرن و بهینه سازی منابع ابری با استفاده از تکنیک های نوین را فراهم می کند. در این چارچوب، گره های IoT با کمترین وابستگی، می توانند از طریق کتابخانه های اتصال HTTP به اطلاعات مورد نیاز دسترسی پیدا کنند و داده ها را برای پیش پردازش، مهندسی ویژگی و آموزش مدل های یادگیری ماشین ذخیره سازی نمایند. از سوی دیگر، سمت سرور از چارچوب میکروسرویس وب و پشتیبان حافظه نهان بهره می برد که امکان مدیریت داده ها و تعاملات با منابع ابری را فراهم می سازد. این چارچوب، مدیریت منابع ابری را با هدف کاهش هزینه ها و بهبود عملکرد انجام می دهد. در آزمایشات، مدل های مختلف یادگیری ماشین مانند طبقه بندی کننده های SVM، kNN، و MLP پیاده سازی شده اند. نتایج نشان می دهد که دقت پیش بینی در این مدل ها بیش از 70% بوده و این چارچوب توانایی بهبود عملکرد در مدیریت منابع ابری و کاهش هزینه های اجرایی را دارد. همچنین، مقایسه ها نشان می دهند که IoT-Pi در مقایسه با روش های موجود، مصرف منابع کمتری داشته و دقت بیشتری ارائه می کند. این چارچوب به طور خاص در کاربردهایی نظیر شبیه سازی استفاده از CPU، مدیریت چرخه حیات منابع ابری و تحلیل داده های ذخیره شده بر روی دستگاه های IoT بسیار موثر بوده است و می تواند به عنوان مدلی برای توسعه سیستم های مقرون به صرفه مبتنی بر IoT و یادگیری ماشین در نظر گرفته شود.

کلیدواژه ها:

رایانش ابری_ رایانش توزیع شده_ IoT ، یادگیری ماشین