طراحی معماری هوشمند کم مصرف مبتنی بر یادگیری فدرال و TinyML برای سیستم های اینترنت اشیا

با توسعه روزافزون و نفوذ مهارناپذیر فناوری اینترنت اشیا در ابعاد مختلف زندگی مدرن، میلیاردها دستگاه ناهمگون در بسترهای محیطی، پزشکی، صنعتی و شهری به شبکه متصل شده و جریان های عظیمی از داده های کلان را تولید می کنند. پردازش بلادرنگ و استخراج دانش از این داده ها، بسترساز شکل گیری زیرساخت های هوشمند است. با این حال، معماری های سنتی مبتنی بر رایانش ابری متمرکز به دلیل مواجهه با چالش های ساختاری نظیر تاخیرهای غیرقابل قبول در شبکه، مصرف پهنای باند کلان، هزینه های سرسام آور انتقال داده و مخاطرات جدی پیرامون حریم خصوصی و امنیت داده های حساس، دیگر پاسخگوی نیازهای رو به رشد این اکوسیستم نیستند.در پاسخ به این چالش ها، این پژوهش یک معماری نوین، منسجم و هوشمند کم مصرف بر پایه تلفیق پارادایم های هوش مصنوعی لبه ای ، یادگیری فدرال و یادگیری ماشین ریزمقیاس ارائه می دهد. در معماری پیشنهادی، هوش مصنوعی با بهره گیری از تکنیک های فشرده سازی مدل در قالب TinyML، مستقیما بر روی میکروکنترلرها و سیستم های نهفته کم مصرف با منابع سخت افزاری به شدت محدود مستقر می شود. هم زمان، با به کارگیری یادگیری فدرال، فرآیند بهینه سازی و آموزش مدل های یادگیری ماشین به صورت توزیع شده و بدون نیاز به انتقال داده های خام به سرور مرکزی صورت می پذیرد؛ امری که تنها با تبادل پارامترها و وزن های محلی مدل محقق شده و ضمن کاهش چشمگیر مصرف انرژی ارتباطی، سدی مستحکم در برابر نقض حریم خصوصی کاربران ایجاد می کند. تحلیل و ارزیابی نظام مند پیشینه پژوهش نشان می دهد که این همگرایی ساختاری، علاوه بر بهینه سازی مصرف توان مصرفی گره های پایانی، شاخص های کیفیت سرویس نظیر تاخیر پردازش را در کاربردهای حیاتی همچون سلامت هوشمند، صنعت نسل چهارم و شهرهای هوشمند به طور معناداری ارتقا می بخشد.

کلیدواژه ها:

اینترنت اشیا ، هوش مصنوعی لبه ای ، یادگیری فدرال ، یادگیری ماشین ریزمقیاس ، رایانش لبه ای ، حفظ حریم خصوصی ، سیستم های هوشمند کم مصرف