ارائه کننده: علی رحیمیان
استاد راهنما:‌ دکتر سعید جلیلی 
استاد مشاور: دکتر نصرالله مقدم چرکری
استاد ناظر داخلی:‌ دکتر مهدی رعایایی اردکانی 
استاد ناظر خارج از دانشگاه:‌ دکتر اصغر تاج الدین (دانشگاه زنجان)
تاریخ: 1403/12/13 
ساعت: 8:30 تا 10
مکان: دانشکده مهندسی برق و کامپیوتر - طبقه ۸ - اتاق شیشه ای

چکیده:
با رشد فزاینده استفاده از خدمات محاسبات لبه‌ای در محیط‌های با منابع محدود، کاهش عملیات نظارت بر عملکرد و کاهش مصرف منابع دستگاه‌های لبه‌ای و در نهایت کاهش حجم اطلاعات ارسالی به یکی از چالش‌های کلیدی در این حوزه تبدیل شده است. در چنین محیط‌هایی، انتقال مداوم داده‌های نظارتی به سرور مرکزی منجر به مصرف پهنای باند بالا و افزایش بار محاسباتی می‌شود. بسیاری از روش‌های سنتی برای کاهش این حجم از انتقال داده‌ها، نیازمند تغییرات سخت‌افزاری یا نرم‌افزاری در گره‌های منبع و مقصد هستند یا توانایی کافی برای مدیریت پیش‌بینی‌های دقیق و تغییرپذیری جریان داده‌ها در طول زمان را ندارند. 
در این پژوهش، روشی مبتنی بر خروجی پیش‌بینی‌های احتمالاتی و مبتنی شبکه‌های عصبی GRU برای پایش وفقی منابع در محیط‌های محاسبات لبه‌ای پیشنهاد شده است. مدل پیشنهادی با استفاده از داده‌های تاریخی، قادر است مقادیر آینده‌ی متریک‌های مختلف داده های نظارتی را با یک سطح اطمینان پیش‌بینی کند. زمانی که پیش‌بینی مدل با عدم قطعیت پایین باشد، داده‌های پیش‌بینی‌شده به‌عنوان داده‌های معتبر پذیرفته می‌شوند و نیازی به انتقال داده‌های جدید از دستگاه نیست؛ در غیر این صورت، داده‌های واقعی از گره منبع دریافت شده و به مدل وارد می‌شوند. این روش علاوه بر کاهش حجم داده‌های انتقالی، باعث افزایش کارایی شبکه و صرفه‌جویی در مصرف منابع محاسباتی و پهنای باند در سیستم‌های لبه‌ای می‌شود.
روش پیشنهادی طی آزمایشات متعدد مورد ارزیابی قرار گرفته و نتایج نشان‌دهنده بهبود قابل توجهی در دقت پیش‌بینی‌ها و کاهش حجم داده‌های منتقل شده است. همچنین، این نتایج حاکی از افزایش کارایی سیستم در مدیریت منابع و کاهش مصرف پهنای باند، بدون نیاز به تغییرات گسترده در ساختار دستگاه‌ها و شبکه است. این امر نشان می‌دهد که استفاده از رویکردهای پیش‌بینی احتمالاتی و شبکه‌های GRU می‌تواند راهکاری موثر برای بهینه‌سازی نظارت و مدیریت منابع در محیط‌های محاسبات لبه‌ای با منابع محدود باشد.