CV Personal Website
QR


S.Morteza Bababmir

S.Morteza Bababmir

Professor

College: Faculty of Electrical and Computer Engineering

Department: Software engineering

Degree: Ph.D

CV Personal Website
QR
S.Morteza Bababmir

Professor S.Morteza Bababmir

College: Faculty of Electrical and Computer Engineering - Department: Software engineering Degree: Ph.D |

کاهش تاخیر انتقال در محیط محاسبات لبه سیار با استفاده از روش یادگیری تقویتی عمیق

Authorsثریا غراوی,سید مرتضی بابامیر
Conference Titleششمین کنفرانس ملی انفورماتیک ایران
Holding Date of Conference2025-02-26 - 2025-02-27
Event Place1 - تهران
Presented byانجمن انفورماتیک ایران
PresentationSPEECH
Conference LevelNational Conferences

Abstract

محاسبات لبه سیار به سرعت در حال تبدیل شدن به یک زیرساخت¬ مناسب برای دستگاه¬های همراه و اینترنت اشیا است.محیط لبه سیار امکان ارائه خدمات با تأخیر بسیارکم نسبت به محیط¬های دیگر ابر را برای مشتریان فراهم می¬آورد. اما در چند سال اخیر با رشد روزافزون دستگاه¬های حساس به زمان در محیط لبه سیار ، با افزایش تاخیر انتقال و طول صف وظایف بر روی سرورهای لبه و نارضایتی کاربران روبرو هستیم. بنابراین در این مقاله قرار است، یک استراتژی تخلیه وظایف محاسباتی بهینه مبتنی بر الگوریتم یادگیری عمیق در محیط رایانش لبه سیار جهت کاهش تاخیرات انتقال و در نتیجه کاهش زمان پاسخ ارائه دهیم. این بهینه-سازی شامل دو بخش است: در بخش اول، ابتدا تشخیص داده می¬شود وظایف در دستگاه همراهی که آن را تولید کرده¬اند، پردازش شوند، یا در سرورهای لبه جهت پردازش تخلیه شوند. در بخش دوم، اگر تصمیم بر تخلیه وظایف بر روی سرورهای لبه گرفته شد، مناسبترین سرور لبه جهت پردازش با در نظر گرفتن تحرک کاربران، فاصله و معیار کاهش زمان انتقال انتخاب می¬شود. با مقایسه روش پیشنهادی با سایر روش¬های ارائه شده در این زمینه، روش پیشنهادی از نظر مدت زمان انتقال بهبود قابل توجهی داشته است.

Paper URL