چکیده

با رشد تصاعدی داده‌ها در اینترنت، سرویس ابری قادر به تأمین نیازهای کاربران نیست. رایانش لبه به عنوان پلتفرمی توزیع‌شده برای پردازش و ذخیره‌سازی در نزدیکی کاربران مطرح شده است. این رساله بر ذخیره‌سازی پیش‌کنشی محتوای ویدئویی محبوب در محیط لبه تمرکز دارد تا عملکرد شبکه بهبود یابد.

اهداف اصلی/ فرعی  پژوهش

هدف اصلی: ارائه یک چارچوب خودمدیریتی کارآمد برای شناسایی و ذخیره‌سازی پیش‌کنشی محتوای ویدئویی محبوب در محیط رایانش لبه به منظور بهبود عملکرد شبکه.

اهداف فرعی: شامل بهره‌گیری از مکانیسم‌های خودمختار برای کاهش پیچیدگی مدیریت، استفاده از الگوریتم‌های سبک محاسباتی مانند رگرسیون خطی، پیش‌بینی دقیق محبوبیت محتوا بر اساس ترجیحات کاربران، کاهش تأخیر دسترسی و بار ترافیک شبکه، افزایش نرخ موفقیت ذخیره‌سازی و در نهایت ارتقای سطح رضایت و تجربه کاربری می‌باشد.

روش تحقیق/ اجرا

روش پیشنهادی بر پایه چارچوب خودمختار MAPE-K طراحی شده که شامل چهار فاز مانیتورینگ، تحلیل، برنامه‌ریزی و اجرا است. در فاز مانیتورینگ، درخواست‌های ورودی و وضعیت منابع نظارت می‌شود. در مرحله تحلیل، از رگرسیون خطی برای پیش‌بینی محبوبیت محتواها بر اساس داده‌های تاریخی استفاده گردید. هسته اصلی الگوریتم، اتوماتای یادگیر در فاز برنامه‌ریزی است که با یادگیری تقویتی و تعامل مستمر با محیط، تصمیمات ذخیره‌سازی و جایگزینی را اتخاذ می‌کند. فاز اجرا شامل اعمال سیاست‌های ذخیره، حذف و به‌روزرسانی محتواها است. ارزیابی عملکرد با استفاده از داده‌های واقعی سایت MovieLens و شبیه‌سازی در محیط متلب انجام شد و نتایج با الگوریتم‌های مرسوم مقایسه گردید.

یافته­ ها

نتایج شبیه‌سازی نشان داد که رویکرد پیشنهادی در مقایسه با الگوریتم‌های سنتی FIFO، LRU و LFU، نرخ احتمال موفقیت ذخیره‌سازی را به طور قابل توجهی (تا حدود ۵۰%) بهبود بخشیده است. این روش همچنین باعث کاهش چشمگیر تأخیر دسترسی، بار ترافیک شبکه و افزایش رضایت کاربران گردید. عملکرد برتر در سناریوهای مختلف با داده‌های واقعی MovieLens تأیید شد. اتوماتای یادگیر با یادگیری مستمر از محیط، تصمیمات بهینه‌تری نسبت به روش‌های ثابت اتخاذ کرد و پایداری سیستم را در شرایط نوسانی تقاضا حفظ نمود.

نتیجه و بحث

رویکرد پیشنهادی با ترکیب حلقه خودمختار MAPE-K، رگرسیون خطی و اتوماتای یادگیر، توانست چالش‌های ذخیره‌سازی پیش‌کنشی در رایانش لبه را به طور مؤثر حل کند و عملکرد شبکه را به طور چشمگیری ارتقا دهد. این روش با خودکارسازی فرآیند شناسایی و ذخیره محتوای محبوب، نیاز به دخالت انسانی را کاهش داده و سازگاری بالایی با تغییرات محیطی نشان داد. در مقایسه با کارهای پیشین، برتری در معیارهای کلیدی مانند نرخ موفقیت و کاهش تأخیر مشهود است. پیشنهادهای آتی شامل ادغام یادگیری عمیق برای پیش‌بینی دقیق‌تر و در نظر گرفتن تحرک کاربران در مدل می‌باشد.

واژگان کلیدی

رایانش لبه، حلقه خودمختار MAPE–K، اتوماتا یادگیر، یادگیری تقویتی، رگرسیون خطی، تکنیک ذخیره‌ساز پیش­کنشی