استفاده از محاسبات لبه برای کاربردهای قابل اعتماد و تاخیر کم در اینترنت اشیاء صنعتی (IIOT)

در این مقاله، یک چارچوب جدید برای بهبود قابلیت اطمینان و کاهش تاخیر در کاربردهای اینترنت اشیاء صنعتی (IIoT) ارائه شده است. با توجه به نیاز روزافزون به پردازش بلادرنگ در محیط های صنعتی و محدودیت های موجود در رایانش ابری، محاسبات لبه به عنوان یک راهکار موثر مورد توجه قرار گرفته است. محاسبات لبه با انتقال پردازش داده ها به نودهای نزدیک تر به منبع تولید داده، باعث کاهش تاخیر و افزایش قابلیت اطمینان سیستم می شود. این تحقیق بر روی ترکیب محاسبات لبه و رایانش ابری متمرکز است و با استفاده از کوبرنتز، یک مدل بهینه برای مدیریت منابع محاسباتی و کانتینری ارائه می کند. مدل پیشنهادی با استفاده از کانتینرها و ابزارهای مدیریت خودکار منابع، امکان بهبود در عملکرد سیستم را در شرایط مختلف کاری فراهم می کند. آزمایش ها و ارزیابی های انجام شده نشان می دهد که این مدل در مقایسه با ماشین های مجازی (VMs) به طور قابل توجهی تاخیر پردازشی را کاهش می دهد و پایداری سیستم را در مواجهه با افزایش بار کاری حفظ می کند. این تحقیق از الگوریتم های ژنتیک و بهینه سازی ازدحام ذرات برای بهینه سازی تخصیص منابع در سیستم های لبه و ابری استفاده کرده است. علاوه بر مقایسه عملکرد هر یک از این الگوریتم ها به صورت مجزا، ترکیب این سه الگوریتم نیز ارزیابی شده است تا عملکرد بهینه تری در تخصیص منابع و کاهش هزینه های پردازشی به دست آید. نتایج نشان می دهد که ترکیب این سه الگوریتم توانسته است بالاترین بهره وری را در کاهش تاخیر، بهبود تخصیص منابع و پایداری سیستم در شرایط مختلف بار کاری ارائه دهد. مدل پیشنهادی با استفاده از کوبرنتز و کانتینرها قابلیت مدیریت پویا و خودکار منابع را فراهم می کند که منجر به کاهش هزینه های عملیاتی و افزایش بهره وری در محیط های صنعتی می شود. چارچوب ارائه شده با توانایی مدیریت خودکار و انعطاف پذیر منابع، قادر است در محیط های صنعتی که نیاز به پاسخگویی سریع و قابلیت اطمینان بالا دارند، عملکرد سیستم های IIoT را بهبود دهد.

کلیدواژه ها:

اینترنت اشیاء صنعتی ، محاسبات لبه ، رایانش ابری ، کانتینرها ، کوبرنتز ، کاهش تاخیر ، قابلیت اطمینان