جلسه دفاع پایان نامه: علی رحیمیان، گروه مهندسی کامپیوتر
عنوان پایان نامه: پایش وفقی در محیط های محاسبات لبه ای با رویکرد شبکه عصبی عمیق
ارائه کننده: علی رحیمیاناستاد راهنما: دکتر سعید جلیلی استاد مشاور: دکتر نصرالله مقدم چرکریاستاد ناظر داخلی: دکتر مهدی رعایایی اردکانی استاد ناظر خارج از دانشگاه: دکتر اصغر تاج الدین (دانشگاه زنجان) تاریخ: 1403/12/13 ساعت: ۸:۳۰ تا ۱۰ مکان: دانشکده مهندسی برق و کامپیوتر - طبقه ۸ - اتاق شیشه ای
چکیده: با رشد فزاینده استفاده از خدمات محاسبات لبه ای در محیط های با منابع محدود، کاهش عملیات نظارت بر عملکرد و کاهش مصرف منابع دستگاه های لبه ای و در نهایت کاهش حجم اطلاعات ارسالی به یکی از چالش های کلیدی در این حوزه تبدیل شده است. در چنین محیط هایی، انتقال مداوم داده های نظارتی به سرور مرکزی منجر به مصرف پهنای باند بالا و افزایش بار محاسباتی می شود. بسیاری از روش های سنتی برای کاهش این حجم از انتقال داده ها، نیازمند تغییرات سخت افزاری یا نرم افزاری در گره های منبع و مقصد هستند یا توانایی کافی برای مدیریت پیش بینی های دقیق و تغییرپذیری جریان داده ها در طول زمان را ندارند. در این پژوهش، روشی مبتنی بر خروجی پیش بینی های احتمالاتی و مبتنی شبکه های عصبی GRU برای پایش وفقی منابع در محیط های محاسبات لبه ای پیشنهاد شده است. مدل پیشنهادی با استفاده از داده های تاریخی، قادر است مقادیر آینده ی متریک های مختلف داده‌های نظارتی را با یک سطح اطمینان پیش بینی کند. زمانی که پیش بینی مدل با عدم قطعیت پایین باشد، داده های پیش بینی شده به عنوان داده های معتبر پذیرفته می شوند و نیازی به انتقال داده های جدید از دستگاه نیست؛ در غیر این صورت، داده های واقعی از گره منبع دریافت شده و به مدل وارد می شوند. این روش علاوه بر کاهش حجم داده های انتقالی، باعث افزایش کارایی شبکه و صرفه جویی در مصرف منابع محاسباتی و پهنای باند در سیستم های لبه ای می شود. روش پیشنهادی طی آزمایشات متعدد مورد ارزیابی قرار گرفته و نتایج نشان دهنده بهبود قابل توجهی در دقت پیش بینی ها و کاهش حجم داده های منتقل شده است. همچنین، این نتایج حاکی از افزایش کارایی سیستم در مدیریت منابع و کاهش مصرف پهنای باند، بدون نیاز به تغییرات گسترده در ساختار دستگاه ها و شبکه است. این امر نشان می دهد که استفاده از رویکردهای پیش بینی احتمالاتی و شبکه های GRU می تواند راهکاری موثر برای بهینه سازی نظارت و مدیریت منابع در محیط های محاسبات لبه ای با منابع محدود باشد.
