ارائه مکانیسمی کارآمد برای تعیین تابعی برای توزیع بارکاری در محاسبات مه با استفاده از سیستم های دسته بند یادگیر

با توسعه سریع اینترنت اشیا ، الگوی محاسبات مه به عنوان یک راه حل جذاب برای پردازش داده ها در برنامه ها ی اینترنت اشیا ارائه شده است. در محیط مه ، برنامه ها ی اینترنت اشیا توسط گره ها ی محاسباتی میانی در مه و همچنین کارگزارهای فیزیکی در مراکز داده ابری اجرا می شوند. از این رو، مسائل مربوط به مدیریت منابع و مدیریت انرژی به عنوان یکی از مشکلات چالش برانگیز در محاسبات مه باید مورد توجه قرار گیرد. اخیرا پژوهش هایی برای ایجاد تعادل بین انرژی و هزینه در محاسبات مه صورت گرفته است. در این پژوهش ضمن بررسی این رویکردها روشی کارآمد برای تقریب تابع توزیع بار با دو روش مبتنی بر سیستم های یادگیر دسته بند به نام XCSF و BCM-XCSF در گرههای پردازشی مه به منظور بهینه سازی هرچه بیشتر رویکردهای قبلی و مدیریت منابع پردازشی مه ارائه شده است. این دو روش در داشتن یک حافظه برای نگهداری بهترین دستهبند ها با هم متفاوت هستند. نتایج آزمایش ها نشان می دهند که این دو روش همانند XCS و BCM-XCS توزیع بار مناسبی دارند. این دو روش بخصوص روش BCM-XCSF افزون بر این که سربار محاسباتی را کم می کنند روش اخیر، حدود ۶۰ درصد تاخیر را کاهش میدهد و مصرف انرژی را بهینه تر می کند.

کلیدواژه ها:

اینترنت اشیا ، پردازش مه ، پردازش لبه ، تخمین تابع ، سیستم های دسته بند یادگیر