نرخ در حال رشد نمایی تکنولوژی های شبکه منجر به قلمروی وسیعی از محیط محاسبات متصل به هم شده است. اینترنت اشیا به عنوان راه حلی برای دستیابی به عملکرد بالا توسط قابلیت های تقویت شده در کنترل های سیستم، تخصیص های منبع، مبادله های داده و اتخاذهای انعطاف پذیر در نظر گرفته می شود. با این حال، اینترنت اشیای کنونی با تنگنای تخصیص منبع به دلیل عدم انطباق کیفیت سرویس شبکه بندی و محیط های ارائه سرویس پیچیده مواجه می شود. این مقاله روی بحث تخصیص منبع در اینترنت اشیا تاکید دارد و از سطح رضایت بخش کیفیت تجربه (QoE) برای دستیابی به سرویس های محتوا محور هوشمند استفاده می کند. یک راهکار جدید توسط این تحقیق پیشنهاد می شود که از مکانیسم یادگیری تقویتی (RL) برای دستیابی به QoE با صحت بالا در تخصیص های منبع استفاده می کند. دو الگوریتم مبتنی بر RL برای ایجاد جداول نگاشت هزینه و تخصیص های منبع بهینه پیشنهاد شده اند. ارزیابی های تجربی ما به ارزیابی کارایی پیاده سازی راهکار پیشنهادی پرداخته اند.

کلمات کلیدی: یادگیری تقویتی، تخصیص منبع، محتوا محور، اینترنت اشیا، محاسبات هوشمند.

Optimal resource allocation using reinforcement learning for IoT content-centric services

Applied Soft Computing Volume 70, September 2018, Pages 12-21

Abstract

The exponential growing rate of the networking technologies has led to a dramatical large scope of the connected computing environment. Internet-of-Things (IoT) is considered an alternative for obtaining high performance by the enhanced capabilities in system controls, resource allocations, data exchanges, and flexible adoptions. However, current IoT is encountering the bottleneck of the resource allocation due to the mismatching networking service quality and complicated service offering environments. This paper concentrates on the issue of resource allocations in IoT and utilizes the satisfactory level of Quality of Experience (QoE) to achieve intelligent content-centric services. A novel approach is proposed by this work, which utilizes the mechanism of Reinforcement Learning (RL) to obtain high accurate QoE in resource allocations. Two RL-based algorithms have been proposed for cost mapping tables creations and optimal resource allocations. Our experiment evaluations have assessed the efficiency of implementing the proposed approach.

Keywords: Reinforcement learning, Resource allocation, Content-centric, Internet-of-Things, Smart computing

• قبلی
• بعدی