تخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرم‌افزار محور
الموضوعات :محمدرضا شرفی هویدا 1 , محمد رضا ملاحسینی 2 , وحید آیت الهی تفتی 3
1 - گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران
2 - گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران
3 - گروه کامپیوتر، واحد تفت، دانشگاه آزاد اسلامی، تفت، ایران
الکلمات المفتاحية: شبکه نرم‌افزار محور, یادگیری مشارکتی, محاسبات مه, اینترنت اشیاء.,
ملخص المقالة :
در اینترنت اشیا به دلیل حجم بالای داده‌ها، چالش‌های قابل توجهی در پردازش و ذخیره‌سازی اطلاعات هست که نیاز به توجه دارد؛ از جمله تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی. محاسبات مه به عنوان یک راهکار مؤثر برای این چالش‌ها شناخته می‌شود. این مقاله به بررسی روش‌های مختلف تخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرم‌افزارمحور می‌پردازد و چهار روش بهینه‌سازی شامل SDN، SA+GA، OLB-LBMM و Round-Robin را مورد تحلیل و مقایسه قرار می‌دهد. هدف اصلی این تحقیق، بهبود عملکرد و امنیت در فرایند تخلیه داده‌ها با توجه به چالش‌های موجود است. روش شبکه نرم‌افزارمحور به عنوان یک چارچوب منعطف برای مدیریت منابع و داده‌ها در شبکه‌های اینترنت اشیا، عملکرد بهتری نسبت به سایر روش‌ها ارائه می‌دهد و با کاهش تأخیر و بهینه‌سازی تخصیص منابع، موجب افزایش رضایت کاربران و درآمد ارائه‌دهندگان خدمات ابری می‌شود. همچنین الگوریتم‌های SA+GA و OLB-LBMM بهبودهایی در کارایی و امنیت ارائه می‌دهند، اما با چالش‌هایی در تأخیر و پیچیدگی محاسباتی
مواجه هستند. نتایج نشان می‌دهند که یادگیری مشارکتی در ترکیب با شبکه نرم‌افزارمحور می‌تواند بهبود قابل توجهی در تخلیه امن داده‌ها و مدیریت منابع شبکه ایجاد کند.
[1] M. Chiang and T. Zhang, "Fog and IoT: an over view of research opportunities," IEEE Internet of Things J., vol. 3, no. 6, pp. 854-864, Dec. 2016.
[2] J. Wen, et al., "A survey on federated learning: challenges and opportunities," International Journal of Machine Learning and Cybernetics, vol. 14, pp. 513-535, 2023.
[3] Y. Mao, C. You, J. Zhang, K. Huang, and K. B. Letaief, "A survey on mobile edge computing: the communication," IEEE Communications Surveys Tutorials, vol. 9, no. 4, pp. 2322-2358, Fourthquarter 2017.
[4] P. Macha and Z. Becvar, "Mobile edge computing: a survey on architecture and computation offloading," IEEE Communications Surveys Tutorials, vol. 19, no. 3, pp. 1628-1656, Thirdquarter 2017.
[5] A, Kumari and P. K. Jana, "Communication efficient federated learning with data offloading in fog-based IoT environment," Future Generation Computer Systems, vol. 158, pp. 158-166, Sept. 2024.
[6] J. Singh, P, Singh, M. Hedabou, and N. Kumar, "An efficient machine learning-based resource allocation scheme for SDN-enabled fog computing environment," IEEE Trans. on on Vehicular Technology, vol. 72, no. 6, pp. 8004-8017, Jun. 2023.
[7] A. Zaman, A. Jarray, and A. Karmouch, " Software-defined network-based edge cloud resource allocation framework," IEEE Access, vol. 7, 10672–10690, 2019.
[8] R. W. Cottle and T. N. Mukund, Linear and Nonlinear Optimization, 2nd Editon, vol. 253, New York, NY, USA: Springer, 2017.
[9] P. Muts, I. Nowak, and E. M. T. Hendrix, "The decomposition-based outer approximation algorithm for convex mixed-integer nonlinear programming," J. of Global Optimization, vol. 77, no. 1, pp. 75-96, May 2020.
[10] P. P. Liang, et al., Thinklocally, Actglobally: Federated Learning with Local and Global Representations, 2020, arXiv: 2001.01523.
[11] H. H. Zhuo, W. Feng, Y. Lin, Q. Xu, and Q. Yang, Federated Deeprein-Forcement Learning, Feb. 2020, arXiv: 1901.08277.
[12] H. Yu, et al., "A fairness-aware incentive scheme for federated learning," in Proc. AAAI/ACM Conf. AI, Ethics, and Society, pp. 393-399, New York, NY, USA, 7-9 Feb. 2020.
[13] S. Truex, et al., "A hybrid approach to privacy-preserving federated learning," in Proc. 12th ACM Workshop on Artificial Intelligence and Security, pp. 1-11, London, UK, 15-15 Nov. 2019.
[14] A. A. Süzen and M. A. Simsek, "A novel approach to machine learning application to protection privacy data in health care: federated learning," Namlk Kemal Tip Dergisi, vol. 8, no. 1, pp. 22-30, 2020.
[15] S. Lin, G. Yang, and J. Zhang, Real-Time Edge Intelligence Inthemaking: A Collaborative Learning Framework via Federated Meta-Learning, 2020, arXiv: 2001.03229.
[16] S. R. Pandey, N. H. Tran, M. Bennis, Y. K. Tun, A. Manzoor, and C. S. Hong, "Acrowd sourcing framework for on-device federated learning," IEEE Trans. on Wireless Communications, vol. 19, no. 5, pp. 3241-3256, May 2020.
[17] M. G. R. Alam, Y. K. Tun, and C. S. Hong, "Multi-agent and reinforcement learning based code offloading in mobile fog," in Proc. Int. Conf. on Information Networking, Kota Kinabalu, Malaysia, pp. 334-338, 13-15 Jan. 2016.
[18] T. N. Dang and C. S. Hong, "A distributed ADMM approach for data offloading in fog computing," ¬in Proc. of the Int. Conf. on Advanced Technologies for Communications, Hanoi, Vietnam, pp. 286-291, Atlanta, GA, USA, 12-14 Oct. 2016.
[19] C. Fricker, F. Guillemin, P. Robert, and G. Thompson, "Analysis of an offloading scheme for data centers in the framework of fog computing," ACM Trans. on Modeling and Performance Evaluation of Computing Systems, vol. 1, no. 4, pp. 1-18, Jul. 2016.
[20] Q. Zhu, B. Si, F. Yang, and Y. Ma, "Task offloading decision in fog computing system," China Communications, vol. 14, no. 11, pp. 59-68, Nov. 2017. [21] L. Liu, Z. Chang, and X. Guo, "Socially-aware dynamic computation offloading scheme for fog computing system with energy harvesting devices," IEEE Internet of Things J., vol. 5, no. 3, pp. 1869-1879, Jun. 2018.
[22] L. Phan, D. Nguyen, M. Lee, D. Park, and T. Kim, "Dynamic fog-to-fog offloading in SDN-based fog computing systems," Future Generation Computer Systems, vol. 117, pp. 486-497, Apr. 2020.
[23] J. Baek and G. Kaddoum, "Heterogeneous task offoading and resource allocations via deep recurrent reinforcement learning in partial observable multi-fog networks," IEEE Internet of Things J., vol. 8, no. 2, pp. 1041-1056, Jan. 2017.
[24] H. Kim, J. Park, M. Bennis, and S. Kim, "Blockchained on-device federated learning," IEEE Communications Letters, vol. 24, no. 6, pp. 1279-1283, Jun. 2019.
[25] L. Liu, J. Zhang, S. Song, and K. Letaief, "Client-edge-cloud hierarchical federated learning," in Proc. of IEEE Int. Conf. on Communications, 6 pp., Dublin, Ireland, 7-11 Jun. 2020.
[26] M. Abad, E. Ozfatura, D. Gunduz, and O. Ercetin, "Hierarchical federated learning across heterogeneous cellular networks," in Proc. of IEEE Int. Conf. on Acoustics, Speech, and Signal Processing, pp. 8866-8870, Virtual Barcelona, 4-8 May 2020.
[27] J. Ren, H. Wang, T. Hou, S. Zheng, and C. Tang, "Federated learning-based computation offloading optimization in edge computing-supported internet of things," IEEE Internet of Things J., vol. 7, no. 8, pp. 6914-6921, Aug. 2020.
[28] Y. Yunfan, L. Shen, L. Fang, T. Yonghao, and H. Wanting, "EdgeFed: optimized federated learning based on edge computing," IEEE Access, vol. 8, pp. 209191-209198, 2020.
[29] R. Saha, S. Misra, and P. K. Deb, "FogFL: fog assisted federated learning for resource-constrained IoT devices," IEEE Internet of Things J., vol. 8, no. 10, pp. 8456-8463, 15 May 2020.
