Leveraging machine learning for efficient mobility management and data transmission in fog computing

' Le brouillard informatique est une nouvelle architecture proposée pour compléter avec une ou plusieurs couches de serveurs informatiques intermédiaires l'architecture infonuagique existante. Ces serveurs, appelés brouillards, sont déployés à la périphérie du réseau et comblent le fossé entre les appareils des utilisateurs et le nuage. Ils fournissent des ressources de calcul et de stockage des périphériques d'une façon similaire au nuage, mais de manière plus distribuée. Ce nouveau paradigme informatique offre un ensemble de nouveaux défis, que nous cherchons à relever dans cette recherche. Nous tirons parti de l'utilisation de l'apprentissage automatique, en particulier des algorithmes d'apprentissage profond, capables d'exploiter les gros volumes de données génrées dans des scénarios de ville intelligente, pour améliorer l'efficacité de l'intergiciel de brouillard informatique JAMScript. La première partie de notre travail porte sur l'optimisation de la procédure de transfert intercellulaire pour les appareils mobiles dans un environnement de brouillard informatique, aidant à réduire les interruptions de service rencontrées lors de la transition d'un noeud de brouillard à un autre. Nous simulons un réseau de brouillard au niveau d'une ville avec des données réelles dérivées de tracés de taxi Shanghai. Nous modélisons ensuite les associations entre les brouillards et les véhicules à l'aide d'un réseau de neurones à réaction directe ainsi que le coût (latence) d'interaction avec un serveur de brouillard particulier en utilisant un réseau de neurones récurrentes (RNN) avec des cellules de mémoire court et long terme (LSTM). Nous présentons une architecture qui décrit les composantes de ce système prédictif, ainsi qu'un mécanisme intelligent de demande de routage qui peut être mis en oeuvre l'aide de celui-ci. La deuxième partie de notre recherche introduit une architecture de logger d'apprentissage qui utilise un ensemble de LSTM pour modéliser dans les brouillards des flux de données dérivés des dispositifs. Nous montrons comment les prédictions du modèle d'apprentissage peuvent être utilisées pour remplacer partiellement les donnes réelles, économisant ainsi de la bande passante sans compromettre l'intégrité et l'utilité des données. Enfin, nous effectuons une série d'expériences qui démontrent les performances de nos systèmes prédictifs et quantifient leur bénéfice dans un environnement de brouillard informatique. Dans ces expériences, nous utilisons un émulateur basé sur un conteneur Docker pour un réseau de brouillard véhiculaire créé à l'aide de JAMScript pour évaluer les prédicteurs de brouillard et de coût. Pour les expériences du logger d'apprentissage, nous utilisons un ensemble de flux de données provenant de capteurs environnementaux. Les résultats expérimentaux montrent que ces systèmes peuvent produire une réduction considérable d'utilisation des ressources et un gain d'efficacité de transmission dans un environnement de brouillard informatique.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.