چارچوبی مبتنی بر شبکه های گراف عصبی و یادگیری تقویتی برای بهینه سازی مقیاسپذیر و امن سیستمهای ذخیره سازی توزیع شده

سیستم های ذخیره سازی توزیع شده پایه و اساس برنامه های کلیدی مانند محاسبات ابری، پردازش کلان داده، و مدیریت داده های پزشکی هستند. این مقاله چارچوبی مبتنی بر یادگیری عمیق را برای بهبود مقیاس پذیری، تحمل خطا، امنیت، و بهرهوری انرژی پیشنهاد می دهد. چارچوب پیشنهادی از شبکه های گراف عصبی (GNN) برای مدل سازی روابط گره های ذخیره سازی و یادگیری تقویتی برای بهینه سازی پویای توزیع داده ها بهره می برد. این چارچوب با پیش بینی خرابی گره ها با دقت ۹۲%، کاهش ۳۵% تاخیر، و افزایش ۴۰% توان عملیاتی، عملکردی برتر نسبت به سیستم های موجود مانند Hadoop HDFS و Ceph ارائه می دهد. مدل های سبک وزن، مانند MobileNetV۲، با تکنیک های کوانتیزاسیون و هرس برای محیط های با منابع محدود، مانند سیستم های پزشکی، بهینه سازی شده اند. شبیه سازی ها با ابزار CR-SIM و ارزیابی های مقایسه ای با روش های سنتی و مبتنی بر هوش مصنوعی، برتری چارچوب را تایید می کنند. کاربردهای عملی شامل ذخیره سازی امن و سریع داده های پزشکی، مانند تصاویر رادیوگرافی، و پلتفرم های ابری است. همچنین محدودیت های محاسباتی و چالش های پیاده سازی را بررسی کرده و رهنمودهایی برای توسعه آینده ارائه می دهد.

کلیدواژه ها:

ذخیره سازی داده های پزشکی ، سیستم های ذخیره سازی توزیع شده ، شبکه های گراف عصبی ، یادگیری عمیق