ارائه روشي مبتني بر يادگيري تقويتي جهت شناسايي وظايف برنامه كاربردي اينترنت اشيا در محاسبات مه

برنامه هاي كاربردي اينترنت اشيا از تعدادي وظيفه تشكيل شده است كه در ارتباط با يكديگر داده هاي حسگري در حوزه كاربردهاي شهري، كشاورزي و صنعتي را جمع آوري و تحليل ميكنند. هر وظيفه در برنامه كاربردي اينترنت اشيا، بايد داده هاي تعدادي حسگر را دريافت نموده و از آنها براي آموزش مدل پيش بيني كننده استفاده كند. مدلهاي آموزش ديده براي تحليل هايي مانند تشخيص ناهنجاري و تشخيص حمله استفاده ميشوند. تعداد وظايف و همچنين حسگرهاي اختصاص يافته به هر وظيفه اثر مهمي بر هزينه استقرار و كارايي برنامه كاربردي اينترنت اشيا دارد. در اين مقاله يك روش مبتني بر يادگيري تقويتي ارائه شده كه به شكل تطبيق پذير ساختار بهينه برنامه كاربردي اينترنت اشيا را از لحاظ نحوه پيكربندي وظايف ياد ميگيرد. ساختار بهينه برنامه كاربردي با هدف كمينه كردن هزينه استقرار آن در بستر محاسبات مه و در عين حال بيشينه نمودن كارايي آن تعيين مي گردد. در اين پژوهش از الگوريتم DDPG جهت تعيين ساختار بهينه استفاده شده است. كارايي برنامه كاربردي در اينجا از نظر درجه همگرايي مدل آموزش داده شده با استفاده از رويكرد يادگيري فدرال سنجيده ميشود. نتايج نشان ميدهد كه روش پيشنهادي نسبت به روش هاي پايه تعيين وظايف مانند روش متمركز و روش محاسبات لبه اي با 16 %بهبود عمل ميكند.