QoS Optimization Technique with Deep Reinforcement Learning in SDN-Based IoT
محل انتشار: مجله مهندسی برق مجلسی، دوره: 15، شماره: 3
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 217
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MJEE-15-3_010
تاریخ نمایه سازی: 24 بهمن 1401
چکیده مقاله:
In recent years, exponential growth of communication devices in Internet of Things (IoT) has become an emerging technology which facilitates heterogeneous devices to connect with each other in heterogeneous networks. This communication requires different level of Quality-of-Service (QoS) and policies depending on the device type and location. To provide a specific level of QoS, we can utilize emerging new technological concepts in IoT infrastructure, software-defined network (SDN) and, machine learning algorithms. We use deep reinforcement learning in the process of resource management and allocation in control plane. We present an algorithm that aims to optimize resource allocation. Simulation results show that the proposed algorithm improved network performances in terms of QoS parameters, including delay and throughput compared to Random and Round Robin methods. Compared to similar methods the performance of the proposed method is also as good as the fuzzy and predictive methods.
کلیدواژه ها:
نویسندگان
Mohammadreza Moslehi
Department of Computer Engineering, University of Kashan, Kashan, Iran.
Hossein Ebrahimpor-Komleh
Department of Computer Engineering, University of Kashan, Kashan, Iran.
Salman Goli
Department of Computer Engineering, University of Kashan, Kashan, Iran.
Reza Taji
Independent Researcher in the Field of AI and Neural Networking.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :