حل مسئله چندهدفه مکان یابی سرویس های اینترنت اشیاء در محاسبات مه با استفاده از رویکردهای یادگیری تقویتی
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
1 - دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار، گروه مهندسی کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: اینترنت اشیا, محاسبات مه, مکان &rlm, یابی سرویس, یادگیری تقویتی, محاسبات ابر,
ملخص المقالة :
اینترنت اشیاء داده بسیاری را تولید می کند و پردازش حجم زیادی از این اطلاعات در مراکز داده ابری صورت می گیرد. انتقال داده ها به ابر، منجر به ایجاد تاخیر بسیاری در سرویس های اینترنت اشیاء می شود. بنابراین، به جهت افزایش سرعت در ارائه سرویس ها، باید منابع تا جای ممکن نزدیک به کاربران قرار داده شوند. در این مقاله، یک چارچوب محاسبات مفهومی مبتنی بر میان افزار کنترل ابر-مه به‌منظورمکان یابی بهینه سرویس های اینترنت اشیاء پیشنهاد می شود. در روش پیشنهادی با در نظر گرفتن ناهمگن بودن برنامه ها و منابع، یک مدل برنامه‌ریزی خودمختار برای مدیریت درخواست های سرویس با توجه به برخی محدودیت ها به روش تحلیلی ارائه می شود. برای حل مسئله مکان یابی سرویس های اینترنت اشیاء، یک رویکرد تکاملی خودمختار مبتنی بر رویکردهای یادگیری تقویتی با هدف استفاده حداکثر از منابع مه و بهبود کیفیت سرویس پیشنهاد می شود. لذا از الگوریتم رویکرد یادگیری تقویتی جدید با هدف حداکثرسازی پاداش تجمعی بلندمدت استفاده شده است. مطالعات تجربی بر روی یک محیط مصنوعی شبیه سازی شده بر اساس فاکتورهای ارزیابی مختلف شامل استفاده از مه، هزینه سرویس، زمان پاسخ و تاخیر سرویس انجام شده است. به طور میانگین، نتایج روش پیشنهادی نسبت به روش های FSP-ODMA، SPP-GWO، CSA-FSPP و GA-FSP به ترتیب 4.6%، 2.4%، 3.4% و 1.1% برتری را نشان می دهد.
[1] Hassan, H. O., Azizi, S., & Shojafar, M. (2020). Priority, network and energy-aware placement of IoT-based application servicesin fog-cloud environments. IET communications, 14(13), 2117-2129.
[2] Brogi, A., Forti, S., & Ibrahim, A. (2018, March). Optimising QoS-assurance, resource usage and cost of fog application deployments. In International Conference on Cloud Computing and Services Science (pp. 168-189). Springer, Cham.
[3] Chen, Y., Li, Z., Yang, B., Nai, K., & Li, K. (2020). A Stackelberg game approach to multiple resources allocation and pricing in mobile edge computing. Future Generation Computer Systems, 108, 273-287.
[4] Dastjerdi, A. V., & Buyya, R. (2016). Fog computing: Helping the Internet of Things realize its potential. Computer, 49(8), 112-116.
[5] Ghobaei‐Arani, M., Souri, A., Safara, F., & Norouzi, M. (2020). An efficient task scheduling approach using moth‐flame optimization algorithm for cyber‐physical system applications in fog computing. Transactions on Emerging Telecommunications Technologies, 31(2), e3770.
[6] Goswami, P., Mukherjee, A., Maiti, M., Tyagi, S. K. S., & Yang, L. (2021). A Neural Network Based Optimal Resource Allocation Method for Secure IoT Network. IEEE Internet of Things Journal.
[7] Askarzadeh, A. (2016). A novel metaheuristic method for solving constrained engineering optimization problems: crow search algorithm. Computers & Structures, 169, 1-12.
[8] Ibrahim, A., Noshy, M., Ali, H. A., & Badawy, M. (2020). PAPSO: A power-aware VM placement technique based on particle swarm optimization. IEEE Access, 8, 81747-81764.
[9] Jia, B., Hu, H., Zeng, Y., Xu, T., & Yang, Y. (2018). Double-matching resource allocation strategy in fog computing networks based on cost efficiency. Journal of Communications and Networks, 20(3), 237-246.
[10] Karatas, F., & Korpeoglu, I. (2019). Fog-based data distribution service (F-DAD) for Internet of Things (IoT) applications. Future Generation Computer Systems, 93, 156-169.
[11] Etemadi, M., Ghobaei-Arani, M., & Shahidinejad, A. (2020). Resource provisioning for IoT services in the fog computing environment: An autonomic approach. Computer Communications, 161, 109-131.
[12] Nayeri, Z. M., Ghafarian, T., & Javadi, B. (2021). Application placement in Fog computing with AI approach: Taxonomy and a state of the art survey. Journal of Network and Computer Applications, 185, 103078.
[13] Yan, S., Jiao, M., Zhou, Y., Peng, M., & Daneshmand, M. (2020). Machine-learning approach for user association and content placement in fog radio access networks. IEEE Internet of Things Journal, 7(10), 9413-9425.
[14] Sami, H., Mourad, A., Otrok, H., & Bentahar, J. (2020, June). Fscaler: Automatic resource scaling of containers in fog clusters using reinforcement learning. In 2020 international wireless communications and mobile computing (IWCMC) (pp. 1824-1829). IEEE.
[15] Suryadevara, N. K. (2021). Energy and latency reductions at the fog gateway using a machine learning classifier. Sustainable Computing: Informatics and Systems, 31, 100582.
[16] Gazori, P., Rahbari, D., & Nickray, M. (2020). Saving time and cost on the scheduling of fog-based IoT applications using deep reinforcement learning approach. Future Generation Computer Systems, 110, 1098-1115.
[17] Guerrero, C., Lera, I., & Juiz, C. (2019). Evaluation and efficiency comparison of evolutionary algorithms for service placement optimization in fog architectures. Future Generation Computer Systems, 97, 131-144.
[18] Aburukba, R. O., AliKarrar, M., Landolsi, T., & El-Fakih, K. (2020). Scheduling Internet of Things requests to minimize latency in hybrid Fog–Cloud computing. Future Generation Computer Systems, 111, 539-551.
[19] Salimian, M., Ghobaei‐Arani, M., & Shahidinejad, A. (2021). Toward an autonomic approach for Internet of Things service placement using gray wolf optimization in the fog computing environment. Software: Practice and Experience, 51(8), 1745-1772.
[20] Skarlat, O., Schulte, S., Borkowski, M., & Leitner, P. (2016, November). Resource provisioning for IoT services in the fog. In 2016 IEEE 9th international conference on service-oriented computing and applications (SOCA) (pp. 32-39). IEEE.
[21] Goudarzi, M., Wu, H., Palaniswami, M., & Buyya, R. (2020). An application placement technique for concurrent IoT applications in edge and fog computing environments. IEEE Transactions on Mobile Computing, 20(4), 1298-1311.
[22] Goudarzi, M., Palaniswami, M. S., & Buyya, R. (2021). A distributed deep reinforcement learning technique for application placement in edge and fog computing environments. IEEE Transactions on Mobile Computing.
[23] Murtaza, F., Akhunzada, A., ul Islam, S., Boudjadar, J., & Buyya, R. (2020). QoS-aware service provisioning in fog computing. Journal of Network and Computer Applications, 165, 102674.
[24] Faraji Mehmandar, M., Jabbehdari, S., & Haj Seyyed Javadi, H. (2020). A dynamic fog service provisioning approach for IoT applications. International Journal of Communication Systems, 33(14), e4541.
[25] Skarlat, O., Nardelli, M., Schulte, S., Borkowski, M., & Leitner, P. (2017). Optimized IoT service placement in the fog. Service Oriented Computing and Applications, 11(4), 427-443.
[26] Khosroabadi, F., Fotouhi-Ghazvini, F., & Fotouhi, H. (2021). SCATTER: Service Placement in Real-Time Fog-Assisted IoT Networks. Journal of Sensor and Actuator Networks, 10(2), 26.
[27] Liu, C., Wang, J., Zhou, L., & Rezaeipanah, A. (2022). Solving the Multi-Objective Problem of IoT Service Placement in Fog Computing Using Cuckoo Search Algorithm. Neural Processing Letters. https://doi.org/10.1007/s11063-021-10708-2.
[28] Zhao, D., Zou, Q., & Boshkani Zadeh, M. (2022). A QoS-Aware IoT Service Placement Mechanism in Fog Computing Based on Open-Source Development Model. Journal of Grid Computing, 20(2), 1-29.
[29] Ghobaei-Arani, M., & Shahidinejad, A. (2022). A cost-efficient IoT service placement approach using whale optimization algorithm in fog computing environment. Expert Systems with Applications, 200, 117012.
[30] Jayadeva, S. M., Al Ayub Ahmed, A., Malik, R., Shaikh, A. A., Siddique, M., & Naved, M. (2023). Roles of Cloud Computing and Internet of Things in Marketing Management: A Critical Review and Future Trends. In Proceedings of Second International Conference in Mechanical and Energy Technology (pp. 165-173). Springer, Singapore.
[31] Kaelbling, L. P., Littman, M. L., & Moore, A. W. (1996). Reinforcement learning: A survey. Journal of artificial intelligence research, 4, 237-285.
[32] Natesha, B. V., & Guddeti, R. M. R. (2021). Adopting elitism-based Genetic Algorithm for minimizing multi-objective problems of IoT service placement in fog computing environment. Journal of Network and Computer Applications, 178, 102972.
