طراحی معماری توزیع شده مانیتورینگ هوشمند و تحلیل آنلاین لاگ وضعیت سلامت (Health Check) برای شبکه های نظارت تصویری مبتنی بر رایانش لبه مه

طراحی معماری توزیع شده مانیتورینگ هوشمند و تحلیل آنلاین لاگ وضعیت سلامت (Health Check) برای شبکه های نظارت تصویری مبتنی بر رایانش لبه مه

محمد قنبری1 مصطفی عبداللهیان دهکردی2

1) دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه ملی مهارت (واحد شهرکرد)، چهارمحال و بختیاری، ایران-
2) مؤسسه دانشکده ملی مهارت دانشگاه فنی و حرفه‌ای پسران شهرکرد-

کد IOI مقاله : AAHD-ABHFZF
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    با گسترش روزافزون شبکه‌های نظارت تصویری هوشمند (IVS) و افزایش بی‌پایان تعداد دوربین‌های مداربسته در زیرساخت‌های کلان‌شهری، مانیتورینگ دستی و سنتی وضعیت سلامت تجهیزات دیگر پاسخگوی نیازهای عملیاتی و امنیتی نیست[cite: 3, 4]. بروز خرابی در سنسورها، قطعی‌های ناگهانی شبکه، افت فریم و حملات سایبری پنهان می‌توانند خسارت‌های جبران‌ناپذیری به امنیت فیزیکی و سایبری سازمان‌ها وارد کنند[cite: 3, 4]. در این مقاله یک معماری توزیع شده، جامع و چندلایه‌ای لبه-مه-ابر برای مانیتورینگ هوشمند و سیستم ارزیابی سلامت (Health Check) شبکه‌های نظارت تصویری ارائه شده است[cite: 3, 4]. سیستم پیشنهادی مبتنی بر تحلیل خودکار و آنلاین لاگ‌های متنی سیستم با استفاده از الگوریتم درخت پارس با عمق ثابت (Drain) در لایه لبه و مدل‌های یادگیری عمیق ترکیبی شامل جنگل انزوا و ترانسفورمرها در لایه مه عمل می‌کند[cite: 3, 4]. علاوه بر این، با بهره‌گیری از تئوری صف مدل (M/M/C/N)، عملکرد سرورهای لایه مه تحت بارهای ترافیکی شدید ارزیابی شده و یک ساختار خودتطبیق‌پذیر مبتنی بر حلقه MAPE-K برای بازپیکربندی داینامیک سیستم در شرایط بحرانی طراحی گردیده است[cite: 3, 4]. نتایج مدل‌سازی و تحلیل‌ها نشان می‌دهد که این رویکرد ترکیبی ضمن کاهش پهنای باند مصرفی شبکه و زمان انتظار در صف پردازش، پایداری و در دسترس بودن خدمات نظارتی (High Availability) را به طور چشمگیری افزایش می‌دهد.

کلمات کلیدی : شبکه‌های نظارت تصویری تحلیل لاگ سیستم پایش وضعیت سلامت (health check) رایانش لبه و مه یادگیری ترکیبی