مدل هزینه تخصیص استنتاج لبه-مه-ابر در پایش سلامت
مدل هزینه تخصیص استنتاج لبه-مه-ابر در پایش سلامت
نگار شهیددخت1
1) دکترای هوش مصنوعی دانشگاه امیرکبیر
کد IOI مقاله
:
AAHD-ABKBBA
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
در سامانههای پایش سلامت مبتنی بر اینترنت اشیا، پرسش کلیدی طراحی این است که وظیفه استنتاج مدل یادگیری ماشین باید در کدام لایه محاسباتی اجرا شود. ادبیات موجود عمدتاً بر بهبود دقت مدلها متمرکز است و انتخاب لایه استقرار را بهصورت تجربی و موردی انجام میدهد؛ در نتیجه، نتایج گزارششده به بستر آزمایش وابستهاند و قابل تعمیم نیستند. مقاله حاضر رویکردی متفاوت اتخاذ میکند و بهجای گزارش یک پیادهسازی خاص، یک مدل هزینه تحلیلی بستهفرم ارائه میدهد که تأخیر انتها به انتها، بار ارتباطی و مصرف انرژی دستگاه را بهعنوان توابعی از پارامترهای سامانه بیان میکند. بر پایه این مدل، یک چارچوب سهلایه لبه-مه-ابر به همراه خطمشی تخصیص وظیفه مبتنی بر «نرخ ارجاع» طراحی شده است؛ نرخ ارجاع، سهمی از رخدادها است که پس از غربالگری سبک در لبه، به لایه بالاتر ارسال میشوند. تحلیل نقطه سربهسر نشان میدهد که شرط برتری چارچوب پیشنهادی بر معماری صرفاً ابری و صرفاً لبهای را میتوان بهصورت نامعادلهای بسته بر حسب همین نرخ ارجاع بیان کرد. ارزیابی عددی مدل با مجموعهای از مقادیر پارامتری متعارف نشان میدهد که با نرخ ارجاع 15 درصد، تأخیر هشدار حدود 82 درصد، بار ارتباطی حدود 87 درصد و مصرف انرژی دستگاه حدود 56 درصد نسبت به معماری صرفاً ابری کاهش مییابد. تأکید میشود که اعداد ارائهشده خروجی مستقیم روابط تحلیلی با فرضهای صریح مقالهاند و نه گزارش اندازهگیری تجربی؛ ارزش آنها در نشان دادن رفتار و مرزهای مدل است، نه در ادعای عملکرد یک پیادهسازی مشخص.
کلمات کلیدی : اینترنت اشیا شهر هوشمند رایانش لبه رایانش مه مدل هزینه تخصیص وظیفه