Nesnelerin internetinde kenar hesaplama ve makine öğrenmesi kullanılarak yeni bir görev tamamlama algoritması
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Araçların interneti (IoV) alanında hızla gelişmeler yaşanıyor ve talepler her geçen gün artıyor. Yakın gelecekte, bağlantılı, otonom, paylaşımlı ve elektrikli araçlara olan ilgi artacak. Bu talep, IoV alanında büyük veri akışı ve depolama gibi temel sorunları beraberinde getirecek. Ayrıca, IoV sistemlerinin gecikme hassasiyeti ve veri kaybını en aza indirme ihtiyacı önem taşıyor. Kenar bilişim araçlarının kullanımı, bu sorunların çözümünde önemli bir rol oynayabilir. KB sistemlerinde gecikme, bant genişliği ve enerji tüketimi gibi temel faktörlerin iyileştirilmesi gerekiyor. Bu iyileştirmeler, genellikle karmaşık ve doğrusal olmayan problemlerle karşılaşılabilen zorlu konular arasında yer alıyor. Bu sorunların çözümü için etkili optimizasyon ve makine öğrenimi tekniklerinden yararlanılabilir. Bu çalışmada, görev aktarım oranını ve hizmet süresini artırmak amacıyla iki aşamalı bir makine öğrenimi yöntemi önerilmektedir. Önerilen yöntemde, ilk aşamada, görevin hangi hesaplama aracına gönderileceğine karar vermek için karar ağacı algoritması kullanılıyor. İkinci aşamada ise, gecikme hassasiyeti olan bir hesaplama aracı seçmek için doğrusal regresyon yöntemi kullanılmıştır. Önerilen yöntemin performansı, edgeCloudSim benzetim aracı kullanılarak analiz edilmiş ve elde edilen sonuçlar, önerilen yöntemin literatürdeki diğer algoritmalardan daha iyi sonuçlar sunduğunu göstermiştir.
Rapid advancements are occurring in the Internet of Vehicles (IoV) domain, with demands increasing each passing day. In the near future, there will be a rising interest in connected, autonomous, shared, and electric vehicles. This surge in demand will bring forth fundamental challenges in IoV, such as large data flow and storage. Additionally, there is a crucial need to minimize latency and data loss in IoV systems. The utilization of Edge Computing tools can play a significant role in addressing these challenges. Improvements in EC systems, including factors like latency, bandwidth, and energy consumption, are imperative. These enhancements often involve tackling complex and non-linear issues. Effective optimization and machine learning techniques can be leveraged to solve these problems. In this study, a two-stage machine learning approach is proposed to increase task transfer rates and service duration. In the first stage, a decision tree algorithm is employed to determine which computing tool a task should be sent to. In the second stage, linear regression is used to select a delay-sensitive estimator. The performance of the proposed method is analyzed using the edgeCloudSim simulation tool, revealing superior results compared to other algorithms in the literature.
Rapid advancements are occurring in the Internet of Vehicles (IoV) domain, with demands increasing each passing day. In the near future, there will be a rising interest in connected, autonomous, shared, and electric vehicles. This surge in demand will bring forth fundamental challenges in IoV, such as large data flow and storage. Additionally, there is a crucial need to minimize latency and data loss in IoV systems. The utilization of Edge Computing tools can play a significant role in addressing these challenges. Improvements in EC systems, including factors like latency, bandwidth, and energy consumption, are imperative. These enhancements often involve tackling complex and non-linear issues. Effective optimization and machine learning techniques can be leveraged to solve these problems. In this study, a two-stage machine learning approach is proposed to increase task transfer rates and service duration. In the first stage, a decision tree algorithm is employed to determine which computing tool a task should be sent to. In the second stage, linear regression is used to select a delay-sensitive estimator. The performance of the proposed method is analyzed using the edgeCloudSim simulation tool, revealing superior results compared to other algorithms in the literature.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
