افزايش كارايى محاسبات لبه به كمك رمزگذارى خودكار
الموضوعات : AI and Robotics
1 -
2 - استاد دانشگاه
الکلمات المفتاحية: اینترنت اشیا, محاسبات لبه, ذخیره سازی داده ها, رمزگذارهای خودکار, پرسپترون های چندلایه,
ملخص المقالة :
گسترش سریع دستگاههای اینترنت اشیا (IoT) منجر به افزایش چشمگیر حجم دادههای تولیدی شده است که چالشهای قابل توجهی را برای محیطهای محاسباتی لبه ایجاد میکند. روشهای سنتی مبتنی بر رایانش ابری به دلیل محدودیتهای مربوط به تأخیر و حفظ حریم خصوصی، در پاسخگویی به نیازهای این فناوری با مشکلاتی مواجه هستند. بهمنظور غلبه بر این چالشها، پژوهشگران در جستجوی راهحلهای نوآورانه برای بهینهسازی ذخیرهسازی و پردازش دادهها در محیطهای محاسباتی لبه بودهاند. در این مطالعه، یک رویکرد ترکیبی معرفی شده است که از رمزگذارهای خودکار (AEs) و پرسپترونهای چندلایه (MLP) بهطور همزمان بهره میبرد تا کارایی پردازش دادهها در محاسبات لبه IoT را بهبود بخشد. این رویکرد با بهرهگیری از مزایای هر دو معماری، یک مدل قدرتمند برای مدیریت مؤثر دادههای IoT در مقیاس بزرگ ارائه میدهد. نتایج ارزیابی روش پیشنهادی نشان میدهد که این مدل با دستیابی به بالاترین دقت (0.88)، صحت (0.75)، فراخوانی (0.70) و امتیاز F1 (0.72)، در مقایسه با سایر روشها عملکرد بهتری دارد و میتواند بهعنوان یک راهکار کارآمد در بهینهسازی پردازش دادههای IoT مورد استفاده قرار گیرد.v
[1] Veeramachaneni, V. (2025). Edge Computing: Architecture, Applications, and Future Challenges in a Decentralized Era. Recent Trends in Computer Graphics and Multimedia Technology, 7(1), 8-23.
[2] Alnoman, A., Sharma, S. K., Ejaz, W., & Anpalagan, A. (2019). Emerging edge computing technologies for distributed IoT systems. IEEE Network, 33(6), 140-147.
[3] Torabi, H., Khazaei, H., & Litoiu, M. (2024, May). A Learning-Based Caching Mechanism for Edge Content Delivery. In Proceedings of the 15th ACM/SPEC International Conference on Performance Engineering (pp. 236-246).
[4] Malandrino, F., Chiasserini, C. F., & Dell’Aera, G. M. (2021). Edge-powered assisted driving for connected cars. IEEE Transactions on Mobile Computing, 22(2), 874-889.
[5] Adeniyi, O., Sadiq, A. S., Pillai, P., Aljaidi, M., & Kaiwartya, O. (2024). Securing mobile edge computing using hybrid deep learning method. Computers, 13(1), 25.
[6] Bourechak, A., Zedadra, O., Kouahla, M. N., Guerrieri, A., Seridi, H., & Fortino, G. (2023). At the confluence of artificial intelligence and edge computing in IoT-based applications: A review and new perspectives. Sensors, 23(3), 1639.
[7] T. Tran and D. Pompili, “Adaptive bitrate video caching and processing in mobile-edge computing networks,” IEEE Transactions on Mobile Computing, 2018.
[8] J. George and S. Sebastian, “Cooperative caching strategy for video streaming in mobile networks,” in Emerging Technological Trends (ICETT), International Conference on. IEEE, 2016, pp. 1–7.
[9] S. Zhang, P. He, K. Suto, P. Yang, L. Zhao, and X. Shen, “Cooperative edge caching in user-centric clustered mobile networks,” IEEE Transactions on Mobile Computing, vol. 17, no. 8, pp. 1791–1805, 2018.
[10] A. Gharaibeh, A. Khreishah, B. Ji, and M. Ayyash, “A provably efficient online collaborative caching algorithm for multicell-coordinated systems,” IEEE Transactions on Mobile Computing, vol. 15, no. 8, pp. 1863–1876, 2016.
[11] H. Mouss, D. Mouss, N. Mouss, and L. Sefouhi, “Test of page-hinckley, an approach for fault detection in an agro-alimentary production system,” in 2004 5th Asian Control Conference (IEEE Cat. No. 04EX904), vol. 2. IEEE, 2004, pp. 815–818.
[12] A. Maskooki, G. Sabatino, and N. Mitton, “Analysis and performance evaluation of the next generation wireless networks,” in Modeling and Simulation of Computer Networks and Systems. Elsevier, 2015, pp. 601–627.
[13] X. Xia, F. Chen, G. Cui, M. Abdelrazek, J. Grundy, H. Jin, and Q. He, “Budgeted data caching based on k-median in mobile edge computing,” in 27th IEEE International Conference on Web Services. IEEE, 2020.
[14] W. Shi and S. Dustdar, “The promise of edge computing,” Computer, vol. 49, no. 5, pp. 78–81, 2016.
[15] U. Drolia, K. Guo, J. Tan, R. Gandhi, and P. Narasimhan, “Cachier: Edge-caching for recognition applications,” in 2017 IEEE 37th International Conference on Distributed Computing Systems (ICDCS). IEEE, 2017, pp. 276–286.
[16] E. Zeydan, E. Bastug, M. Bennis, M. A. Kader, I. A. Karatepe, A. S. Er, and M. Debbah, “Big data caching for networking: Moving from cloud to edge,” IEEE Communications Magazine, vol. 54, no. 9, pp. 36–42, 2016.
[17] R. Halalai, P. Felber, A.-M. Kermarrec, and F. Taïani, “Agar: A caching system for erasure-coded data,” in 2017 IEEE 37th International Conference on Distributed Computing Systems (ICDCS). IEEE, 2017, pp. 23–33.
[18] X. Cao, J. Zhang, and H. V. Poor, “An optimal auction mechanism for mobile edge caching,” in 2018 IEEE 38th International Conference on Distributed Computing Systems (ICDCS). IEEE, 2018, pp. 388–399.
[19] X. Zhang and Q. Zhu, “Collaborative hierarchical caching over 5G edge computing mobile wireless networks,” in 2018 IEEE International Conference on Communications (ICC). IEEE, 2018, pp. 1–6.
[20] W. Liu, Y. Jiang, S. Xu, G. Cao, W. Du, and Y. Cheng, “Mobility-aware video prefetch caching and replacement strategies in mobile-edge computing networks,” in 2018 IEEE 24th International Conference on Parallel and Distributed Systems (ICPADS). IEEE, 2018, pp. 687–694.
[21] M. Chen, Y. Qian, Y. Hao, Y. Li, and J. Song, “Data-driven computing and caching in 5G networks: Architecture and delay analysis,” IEEE Wireless Communications, vol. 25, no. 1, pp. 70–75, 2018.
[22] Xia, Xiaoyu, et al. "Graph-based data caching optimization for edge computing." Future Generation Computer Systems 113 (2020): 228-239.
[23] Liu, Ying, et al. "Data caching optimization in the edge computing environment." IEEE Transactions on Services Computing (2020).
[24] Safavat, Sunitha, Naveen Naik Sapavath, and Danda B. Rawat. "Recent advances in mobile edge computing and content caching." Digital Communications and Networks 6.2 (2020): 189-194.
[25] Wang, Xiaofei, et al. "In-edge AI: Intelligentizing mobile edge computing, caching and communication by federated learning." IEEE Network 33.5 (2019): 156-165.
[26] Xu, D., Li, T., Li, Y., Su, X., Tarkoma, S., Jiang, T., ... & Hui, P. (2021). Edge intelligence: Empowering intelligence to the edge of network. Proceedings of the IEEE, 109(11), 1778-1837.
[27] Ullah, I., & Mahmoud, Q. H. (2022). Design and development of RNN anomaly detection model for IoT networks. IEEE Access, 10, 62722-62750.
[28] Abusitta, A., de Carvalho, G. H., Wahab, O. A., Halabi, T., Fung, B. C., & Al Mamoori, S. (2023). Deep learning-enabled anomaly detection for IoT systems. Internet of Things, 21, 100656.
[29] Rafique, S. H., Abdallah, A., Musa, N. S., & Murugan, T. (2024). Machine learning and deep learning techniques for Internet of Things network anomaly detection—current research trends. Sensors, 24(6), 1968.
[30] Wang, Y., Qin, G., & Liang, Y. (2025). A reliability anomaly detection method based on enhanced GRU-Autoencoder for Vehicular Fog Computing services. Computers & Security, 150, 104217.
