این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۱۰، شماره ۳، صفحات ۷۳-۸۵
عنوان فارسی تخصیص منابع محاسباتی در محاسبات مه اینترنت اشیا با استفاده از الگوریتم بهینه سازی مبتنی بر آموزش - یادگیری
چکیده فارسی مقاله از آنجا که اینترنت اشیا با حجم زیادی از داده‌ سروکار دارد، پردازش و ذخیره این حجم از داده به راحتی امکان پذیر نیست. با این حال، بسیاری از برنامه‌های آن از چالش‌های محاسبات ابری مانند تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی رنج می‌برند. محاسبات مه، به ارائه راه‌حل‌هایی برای این چالش‌ها کمک می‌کند. این مقاله، شامل یک شبیه سازی شبکه اینترنت اشیا برای تخصیص منابع اشتراکی بهینه درمحاسبات مه است که برای حل مسئله از نوع MINLP است که هدف آن بیشینه کردن سود ارائه‌دهندگان خدمات ابری از طریق محاسبات مه است. معماری شبکه، شامل سه لایه ارائه‌دهندگان خدمات ابری، گره‌های مه و کاربران است. در این مقاله، شبکه سه لایه‌ایی شبیه‌سازی شده و الگوریتم مورد استفاده در این مسأله، الگوریتم بهینه‌سازی مبتنی بر آموزش - یادگیری می‌‌‌باشد، که با استفاده از دو فاز یادگیری و آموزش برای سه پارامتر درآمد ارائه‌دهندگان ابری، میانگین تاخیر و رضایت کاربران که برای انتخاب بهترین گره مه با هدف تخصیص منابع مشترک می‌باشد. این الگوریتم به روی مدل اجرا شده و با روش تصادفی مقایسه می‌شود. این مدل و الگوریتم، نسبت به الگوریتم‌های استفاده شده در حل مدل‌های مشابه این مسأله، سود ارائه‌دهندگان خدمات را افزایش می‌دهد.
کلیدواژه‌های فارسی مقاله تخصیص منابع مشترک، محاسبات مه، الگوریتم بهینه‌سازی مبتنی بر آموزش - یادگیری، بهینه‌سازی، MINLP،
عنوان انگلیسی Computational Resource Allocation in IoT Fog Computing using Teaching–Learning-Based Optimization Algorithm
چکیده انگلیسی مقاله Because the Internet of Things (IoT) deals with large amounts of data, it is not easy to process and store this amount of data. However, many of its applications suffer from cloud computing challenges such as latency, location awareness and real-time mobility support. Fog calculations help provide solutions to these challenges. This paper includes an IoT network simulation for allocating optimal shared resources in fog computing to solve the mix integer nonlinear programming (MINLP) problem, which aims to maximize the profitability of cloud service providers through fog computing. The network architecture consists of three layers: cloud service providers, fog nodes, and users. In this paper, the three-layer network is simulated and the algorithm used in this problem is the Teaching–Learning-Based Optimization (TLBO) algorithm, which uses two phases of learning and teaching for the three parameters of cloud service providers’ revenue, average delay and user satisfaction for selecting the best node with the aim of allocating shared resources. This algorithm is implemented on the model and compared with a random method. This model and algorithm increases the profit of service providers compared to the algorithms used to solve similar models.
کلیدواژه‌های انگلیسی مقاله تخصیص منابع مشترک, محاسبات مه, الگوریتم بهینه‌سازی مبتنی بر آموزش - یادگیری, بهینه‌سازی, MINLP
نویسندگان مقاله زهرا محمودی |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران

الهام دربانیان |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران

محسن نیک رأی |
دانشکده مهندسی کامپیوتر و فن آوری اطلاعات، دانشگاه قم، قم، ایران

نشانی اینترنتی https://jscit.nit.ac.ir/article_139209_96f9c40468ff2a336c747419cd6e03a5.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات