تخلیه بار محاسباتی مشارکتی مبتنی بر هوش مصنوعی در رایانش لبه

رشد فزاینده ی کاربردهای محاسبات فشرده و حساس به تاخیر به ویژه در حوزه هایی نظیر اینترنت اشیاء و واقعیت افزوده مجازی محدودیت های رایانش ابری متمرکز را برجسته ساخته است. در پاسخ به این چالش، رایانش لبه به عنوان یک پارادایم محوری مطرح شده است که با محلی سازی محاسبات در نزدیکی منبع داده به این چالش ها پاسخ می دهد. پیچیدگی ذاتی تصمیم گیری برای تخلیه بار محاسباتی بهینه در محیط های لبه ی ناهمگون و متغیر با زمان روش های سنتی مبتنی بر قانون را ناکارآمد می سازد. در این مقاله، به هوش مصنوعی به عنوان یک فناوری کلیدی جهت تسهیل نمودن استراتژی های تخلیه بار هوشمند خودمختار و تطبیق پذیر پرداخته شده است؛ استراتژی هایی که قادرند تخصیص منابع و زمان بندی را به صورت بلادرنگ بهینه سازی کنند. در این مقاله یک بررسی جامع از پیشرفته ترین تکنیک های هوش مصنوعی به کار رفته در تخلیه بار محاسباتی مشارکتی ارائه شده و یک طبقه بندی ساخت یافته شامل یادگیری ماشین، یادگیری تقویتی عمیق و یادگیری فدرال معرفی شده است. علاوه بر این مسیرهای تحقیقاتی امیدبخش آینده، از جمله ادغام هوش مصنوعی قابل توضیح (XAI)، دوقلوهای دیجیتال و نوآوری های پیشنهادی در فناوری های ۶G، ترسیم شده است. این مقاله راهنمایی برای محققان و متخصصان این حوزه است و استفاده از استراتژی های مبتنی بر هوش مصنوعی را به عنوان امری ضروری برای پیشبرد حوزه رایانش لبه هوشمند مورد توجه قرار می دهد.

کلیدواژه ها:

رایانش لبه ، تخلیه بار محاسباتی ، یادگیری تقویتی عمیق ، یادگیری فدرال ، بهینه سازی ، تاخیر ، تخصیص منابع