بهبود توازن بار در محاسبات مه با استفاده از الگوریتم Q-Learning

محاسبات مه یک الگوی محاسباتی توزیع شده است که خدمات ارائه شده توسط ابر را به لبه شبکه گسترش می دهد. گره های مه جریان داده و درخواست های کاربر را در زمان واقعی پردازش می کنند. به منظور بهینه-سازی بهره وری منابع و زمان پاسخ، افزایش سرعت و کارایی، وظایف باید به صورت متوازن بین گره های مه توزیع شوند. لذا در این مقاله یک روش جدید جهت بهبود توازن بار در محیط محاسبات مه پیشنهاد شده است. در الگوریتم پیشنهادی، هنگامی که یک وظیفه از طریق دستگاه های موبایل برای گره مه ارسال می شود، گره مه با استفاده از یادگیری تقویتی تصمیم می گیرد که آن وظیفه را خودش پردازش کند، یا اینکه پردازش آن را به یکی از گره های مه همسایه یا به ابر واگذار کند. در ارزیابی انجام شده نشان داده شده که الگوریتم پیشنهادی با توزیع مناسب وظایف بین گره ها، تاخیر کمتری را برای اجرای وظایف نسبت به سایر روش های مقایسه شده به دست آورده است.