بهینه سازی زمان بندی در محیط های محاسباتی مه با رویکرد یادگیری ماشین

پیشرفت در اینترنت اشیاء(IoT) منجر به تولید داده ها با حجم و نرخ بسیار زیاد شده است. لبه شبکه منابع محاسباتی محدودی برای ارائه پاسخ سریع به برنامه های بلادرنگ دارد. منابع در لبه شبکه به دلیل عوامل هزینه و امکان سنجی محدود هستند. بنابراین، نیازمند سیاست های زمان بندی هستیم که بر روی محیط های ناپایدار و پویا، موثر و سربار کمتری نسبت به روش های پیشین داشته باشد. نوآوری این پژوهش ایجاد یک مدل جدید بنام BMR است که در آن برای افزایش دقت، از شبکه عصبی Resnet استفاده شده است. همچنین در این مدل ویژگی هایی فراهم شده تا منابع محاسباتی در سطح مراکز داده برای توزیع متعادل بارکاری، انعطاف پذیری بالایی داشته باشند. بنابراین برای کاهش انرژی مصرفی و زمان پاسخ گره های محاسباتی می توانند به دسته های مختلف تقسیم بندی شوند. همچنین تعداد مهاجرت ها نسبت به مدل های مشابه برای رسیدن به حداکثر بهروری ظرفیت شبکه و در نتیجه زمان پاسخ نسبت به روش های گذشته بهینه شده است. آزمایش های انجام شده از مدل BMR در محیط شبیه سازی شده و روی داده های واقعی از مجموعه داده بیت برین (Bitbrain) انجام شده است. نتایج، بهبودهای قابل توجهی در تعادل مصرف بار و زمان و تعداد مهاجرت ها و بهروری انرژی در مقایسه با روش های پیشین به دست آورده است.