این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهشنامه پردازش و مدیریت اطلاعات، جلد ۳۷، شماره ۳، صفحات ۶۹۵-۷۲۰
عنوان فارسی ارائه مدل توصیه‌گر برای بهبود عملکرد بلاکچین در اینترنت اشیاء با رویکرد یادگیری تقویتی عمیق
چکیده فارسی مقاله با پیشرفت جامعه بشری و فناوری اطلاعات و ارتباطات، اینترنت اشیاء در ابعاد مختلف زندگی روزمره مردم و صنایع نفوذ کرده است. باوجود تمامی تسهیلات اینترنت اشیاء، به دلیل ساختار ضعیف امنیتی تبدیل به یکی از اهداف هکرها شده است. فناوری نوظهور بلاکچین با توجه به ویژگی‌های ذاتی از قبیل توزیع‌شدگی، امنیت، تغییرناپذیری و قابل بررسی بودن تبدیل راه‌حلی مناسب برای تأمین امنیت اینترنت اشیاء شده‌است. با این وجود ادغام اینترنت اشیاء و بلاکچین دارای چالش‌هایی از قبیل تأخیر، گذردهی، مقیاس‌پذیری و محدودیت توان دستگاه است. روش‌های یادگیری ماشین در حل مسائل پیچیده که برای انسان دشوار است، کارایی مناسبی از خود نشان داده‌اند. به همین دلیل اخیراً به عنوان یکی از روش‌های حل چالش‌های بلاکچین در اینترنت اشیاء مطرح شده‌اند. در این پژوهش برای بهبود چالش‌های بلاکچین در اینترنت اشیاء یک مدل جدید مبتنی بر عامل توصیه‌گر ارائه داده‌ایم. هدف مدل بهبود چالش گذردهی پایین بلاکچین در اینترنت اشیاء و همچنین محدودیت منابع دستگاه‌های اینترنت اشیاء برای استفاده از بلاکچین است. برای بهبود گذردهی عامل توصیه‌گر که از یادگیری تقویتی عمیق استفاده می‌کند با تنظیم اندازه و زمان ساخت بلاک می‌تواند گذردهی را بهبود دهد. همچنین، با توجه به توان محاسباتی دستگاه اینترنت اشیا‌ء و میزان انرژی مورد نیاز برای فرآیند؛ استخراج بین انجام فرآیند استخراج در دستگاه اینترنت اشیاء و یا واگذاری به لایه لبه محاسباتی، رویکرد بهینه را اتخاذ می‌کند. رویکرد بهینه در این پژوهش رویکردی است میزان تأخیر و انرژی مصرفی فرآیند استخراج را کمینه سازد. در این پژوهش علاوه بر ارائه معماری منطقی، به گردش کار عناصر مدل پیشنهادی را نیز با جزئیات پرداخته شده‌است. طراحی مدل پییشنهادی را توسط روش اصل واحد برای حل چالش‌های بلاکچین در اینترنت اشیاء  مورد بررسی قرار گرفته است و نقاط ضعف و قوت مدل بیان شده ‌است.
کلیدواژه‌های فارسی مقاله بلاکچین، اینترنت اشیاء، گذردهی، عامل توصیه‌گر، یادگیری تقویتی عمیق.
عنوان انگلیسی Provision of a recommender model for performance improvements for blockchain in the Internet of Things with a deep reinforcement learning approach
چکیده انگلیسی مقاله With the advancement of human society and information and communication technology, the Internet of Things has penetrated into various aspects of the daily lives of people and industries. Emerging blockchain technology has become a viable solution to IoT security due to its inherent characteristics such as distribution, security, immutability, and traceability. However, the integration of IoT and blockchain has challenges such as latency, throughput, scalability, and device power limitation. Recent research has focused on the role of artificial intelligence methods in improving IoT performance in blockchain. According to the studies, there are few effects on improving the performance of IoT devices with limited power, so in this study, a conceptual model for improving blockchain performance in IoT devices with limited power by deep reinforcement learning is proposed. According to studies, there is little research on improving the performance of IoT devices with limited power, so in this study, a conceptual model to improve blockchain performance in IoT devices with limited power by deep reinforcement learning is proposed. In this model, Internet devices with limited power can delegate their extraction task to the mobile edge computing layer. The presented model has six layers of perception, data, network, consensus, mobile edge computing and application, which are explained in detail. In this model, to improve the throughput and select the mining method, a recommender located in the mobile edge computation layer is used. recommender systems are adjusted by adjusting the size and time of building blocks to improve the throughput and also tries to minimize the delay and energy consumption of the mining operation by selecting suitable method. To achieve good performance in reinforcement learning, the use of Q learning and long- short term memory is suggested. the use of deep reinforcement learning is to set the block size by considering the transmission delay in order to increase throughput as well as mining with respect to the minimum delays and energy consumption in the proposed conceptual model can improve the performance of blockchain in the IoT.
کلیدواژه‌های انگلیسی مقاله Blockchain, Internet of Things, Reinforcement Learning, Q Learning, Long–Short Term Memory.
نویسندگان مقاله الناز ربیعی‌نژاد | Elnaz Rabieinejad,
Toosi University of Technology, Faculty of Industrial Engineering, Department of Information Technology, Tehran, Iran;
دانشگاه صنعتی خواجه نصیرالدین طوسی؛ تهران؛ ایران.

شهریار محمدی | Shahriar Mohammadi
K.N.Toosi University of Technology, Faculty of Industrial Engineering, Department of Information Technology, Tehran, Iran;
دانشگاه صنعتی خواجه نصیرالدین طوسی؛ تهران؛ ایران.

مهدی یادگاری | Mahdi Yadegari
Toosi University of Technology, Faculty of Industrial Engineering, Department of Information Technology, Tehran, Iran;
دانشگاه صنعتی خواجه نصیرالدین طوسی؛ تهران؛ ایران.

نشانی اینترنتی http://jipm.irandoc.ac.ir/browse.php?a_code=A-10-8887-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده اینترنت اشیا
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات