مروری نظام مند و الگوریتم محور بر یادگیری فدرال برای زمان بندی وظایف در محیط های ابرمه شبنم

معماری های محاسباتی ابرمه شبنم به منظور پشتیبانی از کاربردهای نوین مبتنی بر اینترنت اشیاء و هوش مصنوعی توسعه یافته اند. در این میان محاسبات شبنم به عنوان پایین ترین لایه این معماری با محدودیت های شدید منابع پردازشی، انرژی، حافظه و ناپایداری ارتباطی مواجه بوده و در نتیجه زمان بندی کارای وظایف در این لایه به یک چالش اساسی تبدیل شده است. از سوی دیگر یادگیری فدرال با امکان آموزش مدل های یادگیری ماشین بدون نیاز به تجمیع داده های خام به عنوان راهکاری نویدبخش برای تصمیم گیری هوشمند و حفظ حریم خصوصی در محیط های توزیع شده و منابع محدود مطرح است. این مقاله یک مرور نظام مند و تحلیلی بر پژوهش های اخیر پیرامون به کارگیری یادگیری فدرال در مسئله زمان بندی وظایف ارائه می دهد که تمرکز اصلی آن بر لایه شبنم بوده و نقش لایه های مه و ابر را به عنوان سطوح پشتیبان و هماهنگ کننده تبیین می کند. مطالعات منتخب بر اساس معیارهایی نظیر نوع الگوریتم، اهداف زمان بندی، ملاحظات منابع، سطح استقلال گره های شبنم و نحوه تعامل با لایه های بالادستی طبقه بندی و تحلیل شده اند. در ادامه، با شناسایی شکاف های پژوهشی موجود یک چارچوب تطبیقی شبنم محور برای طراحی و ارزیابی راهکارهای زمان بندی مبتنی بر یادگیری فدرال پیشنهاد می شود. نتایج این مرور نشان می دهد که رویکردهای فدرال به ویژه در ترکیب با یادگیری تقویتی، ظرفیت بالایی برای بهبود کارایی، انطباق پذیری و مقیاس پذیری در محیط های پویا و ناهمگن شبنم دارند؛ هرچند چالش هایی نظیر ناهماهنگی شدید منابع، سربار ارتباطی و پایداری همگرایی همچنان به عنوان مسیرهای باز پژوهشی باقی مانده اند.

کلیدواژه ها:

یادگیری فدرال ، زمان بندی وظایف ، محاسبات شبنم ، معماری ابرمه شبنم ، مرور نظام مند