مروری جامع بر مدیریت منابع و تخصیص هوشمند در محیط های لبه مه ابر برای سامانه های اینترنت اشیا

با گسترش سریع اینترنت اشیاء و افزایش حجم داده های تولید شده توسط دستگاه های هوشمند، مدیریت کارآمد منابع در محیط های لبه مه ابر به چالشی اساسی تبدیل شده است. این محیط ها با ناهمگنی زیرساخت ها، بارهای کاری پویا، تحرک کاربران و نوسانات شبکه مواجه اند و نیازمند تخصیص و زمان بندی بلادرنگ منابع برای بهینه سازی معیارهای متضاد کیفیت خدمات از جمله تاخیر، مصرف انرژی، هزینه و تعادل بار هستند. رایانش ابری ظرفیت پردازشی بالایی ارائه می دهد، اما تاخیر انتقال و عدم آگاهی مکانی آن را برای کاربردهای حساس به زمان ناکارآمد می سازد؛ در مقابل رایانش لبه و مه با پردازش نزدیک به منبع، تاخیر را کاهش می دهند هرچند با محدودیت منابع روبرو هستند. پژوهش های اخیر نشان می دهند که ترکیب روش های بهینه سازی فراابتکاری مانند الگوریتم های چندهدفه و متاهیوریستیک و یادگیری ماشین به ویژه یادگیری تقویتی عمیق و شبکه های عصبی گراف، توانایی چشمگیری در تخصیص هوشمند منابع و سازگاری با تغییرات بار کاری دارد. چارچوب های دو مرحله ای طبقه بندی وظایف و مدل های هیبریدی یادگیری تقویتی زمان پاسخ، مصرف انرژی و هزینه های عملیاتی را کاهش داده و توزیع عادلانه منابع را تضمین می کنند. این رویکردها مدیریت پویا و مقیاس پذیر را در کاربردهای حساس به تاخیر مانند شهرهای هوشمند، اتوماسیون صنعتی، مراقبت های بهداشتی و نظارت بلادرنگ فراهم می آورند. این مقاله با ارائه طبقه بندی جامع روش های موجود، نقاط ضعف، خلاهای پژوهشی و چالش های پیش رو را شناسایی کرده و مسیرهای تحقیقاتی آینده برای توسعه سامانه های هوشمند، انعطاف پذیر و مقیاس پذیر اینترنت اشیاء را پیشنهاد می دهد.

کلیدواژه ها:

اینترنت اشیا ، محاسبات لبه مه ابر ، بهینه سازی ترکیبی ، یادگیری تقویتی عمیق