همگامتک بنیاد تحقیقاتی هوش مصنوعی و اینترنت اشیا

بسمه تعالي

گزارش و تحليل مقاله

An architecture for adaptive task planning in support of IoT-based machine

learning applications for disaster scenarios

در سال‌های اخیر شاهد گسترش محاسبات موبایل و اینترنت اشیا بوده‌ایم، که در آن میلیاردها دستگاه تلفن همراه و IoT به اینترنت  متصل شده‌اند. یک زیرمجموعه از این کاربردها نیاز به این دارد که دستگاه‌های  به طور جداگانه برنامه‌ریزی شوند تا یک ماموریت را به طور مستقل انجام دهند. نمونه‌های معمول چنین سناریوهایی، شبکه‌های ناهمگون متشکل از وسایل نقلیه هوایی بدون سرنشین UAVها به عنوان مثال، هواپیماهای بدون سرنشین، و دیگر سنسورهای IoT هستند که با هم مجموعه‌ای از سنسورها، از جمله دوربین‌های فراطیفی، میکروفن‌ها، یا تبلت­های غیر نظامی و گوشی‌های هوشمند را متصل می‌کنند‏..در اين مقاله برخی از برنامه‌های کاربردی که در آن APRON می‌تواند مورد استفاده قرار گیرد را توصیف کرده­اند. اگرچه با الهام از مورد استفاده از پاسخ به فاجعه، روش ایشان در واقع کاربرد گسترده­تری دارد. شامل: پاسخ به بلایا و فاجعه، توسط سیستم هوایی بدون سرنشین UAV مانند هواپیماهای بدون سرنشین، و سیستم­های حمل و نقل هوشمند و کاربرد اطلاعات و فناوری­های ارتباطی ICT که در همه این­ها می­توان از معماری APRON بهره جست.

جمع­ بندی و پیشنهادات برای کارهای آتی

این مقاله یک کاربرد محاسباتی لبه جدید را ارائه می‌دهد که با استفاده از الگوریتم های یادگیری ماشینی، قادر به تشخیص حضور انسان در سناریوهای فاجعه است. برای سرعت بخشیدن به محاسبات و تضمین قابلیت اطمینان قابل‌قبول برنامه، نویسندگان همچنین یک معماری مدیریت را گسترش داده­اند که هدف آن برنامه‌ریزی مجدد وظایف در حضور شبکه‌های لبه به چالش کشیده شده ‌است. چنین لایه‌ای از مدل صف شبکه جکسون برای تخمین تعداد وظایف، صف و یا در اجرا استفاده می‌کند. بنابراین، برنامه کاربردی می‌تواند کاربرد آنی هر دستگاه IoT و میانگین زمان صف (‏هم زمان انتظار و هم زمان اجرا)‏ برای هر وظیفه اجرا شده یا محول شده به لبه شبکه را تعیین کند.نتایج ایشان نشان می‌دهد که چگونه این لایه مدیریت یک ابزار موثر برای قابلیت برنامه‌ریزی سیاست مساله برنامه‌ریزی مجدد ماموریت برای هر دستگاه IoT مستقر در محیط‌های شبکه‌بندی شده به چالش کشیده شده ‌است. علاوه بر این، زمان پردازش صدا زمانی کاهش می‌یابد که سرویس اصلی در حال اجرا است، زیرا برنامه در بالای آن می‌تواند از ویژگی‌هایی بهره‌برداری کند که قادر به بهبود عملکرد کلی سیستم باشند..

مراجع

[1]Y. Mao, C. You, J. Zhang, K. Huang, K.B. Letaief, A survey on mobile edge computing: The communication perspective, IEEE Commun. Surv. Tutor. 19 (4)(2017) 2322–2358.
[2]N. Abbas, Y. Zhang, A. Taherkordi, T. Skeie, Mobile edge computing: A survey,IEEE Internet Things J. 5 (1) (2017) 450–465.
[3]D. Chemodanov, F. Esposito, A. Sukhov, P. Calyam, H. Trinh, Z. Oraibi, AGRA:AI-augmented geographic routing approach for IoT-based incident-supporting applications, Future Gener. Comput. Syst. 92 (2019) 1051–1065.

براي مشاهده ويدئو روي تصوير زير کليک نماييد

فايل تحليل پروژه

فايل ارائه پروژه