تحلیلی بر محاسبات لبه و لایه های مه و ابر در شبکه های اینترنت اشیاء

رشد شتابان اینترنت اشیاء (IoT) و تولید حجم عظیم داده توسط دستگاه ها، انتقال مستقیم اطلاعات به ابر را با چالش های جدی نظیر سربار ارتباطی، تاخیر بالا و مصرف انرژی زیاد مواجه کرده است. برای مدیریت کارآمدتر، معماری های چندلایه و تکنیک های بهینه سازی گوناگونی مطرح شده اند. این مقاله مروری به بررسی جامع و یکپارچه معماری محاسباتی چهارلایه شامل دستگاه، غبار، لبه/مه و ابر در بستر اینترنت اشیاء می پردازد. هدف اصلی پژوهش، تحلیل نقش تکنیک های پیشرفته یادگیری ماشین در بهینه سازی این معماری توزیع شده برای غلبه بر محدودیت های محاسبات ابری سنتی است. با مرور نظام مند جدیدترین مطالعات معتبر، کارایی روش هایی همچون یادگیری تقویتی عمیق و یادگیری فدرال در بهبود عملکرد شبکه ارزیابی شده است. بررسی ها نشان می دهد که پیاده سازی هوشمندانه این تکنیک ها دستاوردهای قابل توجهی از جمله کاهش تاخیر در «برون سپاری وظایف» و تقلیل سربار ارتباطی را ضمن حفظ حریم خصوصی داده ها به همراه داشته است. همچنین، ضمن تحلیل مطالعات موردی در حوزه های کشاورزی هوشمند، شهرهای هوشمند، سلامت دیجیتال و صنعت، چالش های کلیدی نظیر داده های دارای توزیع ناهمسان، محدودیت های انرژی و امنیت شناسایی شده اند. در نهایت، با هدف گذاری برای پژوهش های آتی، یک نقشه راه تحقیقاتی در سه بازه زمانی کوتاه مدت، میان مدت و بلندمدت ارائه شده است تا مسیر دستیابی به سیستم های اینترنت اشیاء پایدارتر، امن تر و مقیاس پذیرتر ترسیم گردد.

کلیدواژه ها:

اینترنت اشیاء ، محاسبات لبه ، لایه مه ، لایه ابر ، یادگیری تقویتی ، تکنیک های بهینه سازی