مدل هزینه تخصیص استنتاج لبه مه-ابر در پایش سلامت

در سامانه های پایش سلامت مبتنی بر اینترنت اشیا پرسش کلیدی طراحی این است که وظیفه استنتاج مدل یادگیری ماشین باید در کدام لایه محاسباتی اجرا شود. ادبیات موجود عمدتا بر بهبود دقت مدل ها متمرکز است و انتخاب لایه استقرار را به صورت تجربی و موردی انجام می دهد؛ در نتیجه نتایج گزارش شده به بستر آزمایش وابسته اند و قابل تعمیم نیستند. مقاله حاضر رویکردی متفاوت اتخاذ می کند و به جای گزارش یک پیاده سازی خاص مدل، هزینه تحلیلی بسته فرم ارائه می دهد که تاخیر انتها به انتها، بار ارتباطی و مصرف انرژی دستگاه را به عنوان توابعی از پارامترهای سامانه بیان می کند. بر پایه این، مدل یک چارچوب سه لایه لبه-مه-ابر به همراه خط مشی تخصیص وظیفه مبتنی بر نرخ ارجاع طراحی شده است؛ نرخ ارجاع سهمی از رخدادها است که پس از غربالگری سبک در لبه به لایه بالاتر ارسال می شوند. تحلیل نقطه سربه سر نشان می دهد که شرط برتری چارچوب پیشنهادی بر معماری صرفا ابری و صرفا لبه ای را می توان به صورت نامعادله ای بسته بر حسب همین نرخ ارجاع بیان کرد. ارزیابی عددی مدل با مجموعه ای از مقادیر پارامتری متعارف نشان می دهد که با نرخ ارجاع ۱۵ درصد تاخیر هشدار حدود ۸۲ درصد، بار ارتباطی حدود ۸۷ درصد و مصرف انرژی دستگاه حدود ۵۶ درصد نسبت به معماری صرفا ابری کاهش می یابد. تاکید می شود که اعداد ارائه شده خروجی مستقیم روابط تحلیلی با فرض های صریح مقاله اند و نه گزارش اندازه گیری تجربی؛ ارزش آنها در نشان دادن رفتار و مرزهای مدل است، نه در ادعای عملکرد یک پیاده سازی مشخص.

کلیدواژه ها:

اینترنت اشیا ، شهر هوشمند ، رایانش لبه ، رایانش مه ، مدل هزینه تخصیص وظیفه