دانلود ترجمه مقاله چارچوب یادگیری ماشین برای محاسبات توزیع شده با IoT

1. مقدمه 2. کارهای مرتبط 3. IOT-PI: معماری سیستم 4. پیاده سازی و ارزیابی عملکرد 5. نتیجه گیری و مسیرهای آینده

چکیده – با افزایش سریع قابلیت محاسباتی دستگاه های اینترنت اشیا (IoT)، می توان برنامه هوشمند و خود تطبیقی را بر روی گره های لبه توسعه داد. با رشد سریع فناوری های ابری، تقاضا برای معماری ترکیبی با ابر و IoT نیز افزایش یافته است. برای تامین نیازهای حیاتی و جامع در امر تحول معماری، یک چارچوب سبک وزن به نام IoT-Pi را پیشنهاد نمودیم تا بواسطه پیش ‌بینی یادگیری ماشین که با استفاده از دستگاه رزبری پای بر روی گره های لبه IoT کار می‌ کند، مدیریت چرخه عمر منابع ابری سه فاز (نمونه، یادگیری، تطبیق) را ارائه کنیم. میزان دقت پیش ‌بینی یادگیری ماشین در تکنیک پیشنهادی در برخی از الگوریتم ‌ها، در مقایسه با مداخله سنتی انسان در زمینه مدیریت سیستم، به بیش از 70% رسیده است که امکان ‌پذیری و اثربخشی اجرای مدیریت منابع ابری را بر روی دستگاه ‌های IoT نظیر رزبری پای نشان می‌ دهد. مقدمه: فناوری‌ های اینترنت اشیاء (IoT) با چیپست ‌های بسیار کوچک و ظرفیت رایانشی قدرتمند در حال ظهور هستند. می‌ توان این چیپ ‌ست ‌ها را در محیط ‌های حیاتی ‌تری مستقر کرد تا دستگاه ‌های تعبیه شده را هوشمندتر نمود. در حال حاضر، حتی از آن برای اعمال رزبری پای در سایر وظایف پیچیده ‌ای پشتیبانی می‌ شود که نیازمند یادگیری ماشین و سناریوهای هوشمندتر هستند. حتی تأیید شده است که این دستگاه قادر به نظارت بر منابع ابری است. گره های رایانشی عظیم به موازات هم کار می کنند تا در مقایسه با گره های خوشه ای محدود یا تکی سنتی، ظرفیت رایانشی قدرتمندی را فراهم کنند. همچنین انعطاف پذیری لازم برای مدیریت چرخه حیات همه منابع در ابر را دارد. بسیاری از فروشندگان خدمات ابری کیت توسعه نرم افزار اختصاصی (SDK) را برای مدیریت منابع ابری ارائه می کنند که همان هدف شبکه تعریف شده نرم افزار (SDN) را اجرا می کند. با این حال، فناوری‌ های ابری تحت سلطه گروه کوچکی از شرکت ‌ها و حجم زیادی از منابع رایانشی قرار گرفته ‌اند. زمانی که سناریوی تجاری فراتر از مقیاس ظرفیتی شرکت های خدمات ابری باشد، اجرای وظایف مبتنی بر هوش مصنوعی، مقرون به صرفه نیست. با این حال، منابع موجود در ابر در مدیریت در زمان واقعی موفق هستند. بنابراین، بسیاری از توسعه دهندگان و گروه های مستقل توسط برنامه ها و با رویکردی هوشمندانه و اقتصادی، شروع به مصرف منابع ابری می کنند. در این مقاله، ما یک چارچوب سبک وزن به نام IoT-Pi را پیشنهاد کردیم که از یادگیری ماشین، IoT و رایانش ابری برای حل این مشکل استفاده می‌ کند. مشارکت ‌های اصلی این کار عبارتند از: (الف) تأیید این مفهوم که گره‌ های IoT وظایف یادگیری ماشین مدرن را انجام می ‌دهند، (ب) شناسایی حالت بی استفاده منبع ابری برای مدیریت چرخه حیات به‌ طور تطبیقی، (ج) سازمان ‌دهی منابع ابری با تکنیک ‌های یادگیری ماشین بواسطه دستگاه های لبه IoT، و (د) به حداقل رساندن هزینه استفاده از منابع هنگام استفاده از ابر.

It is possible to develop intelligent and self-adaptive application on the edge nodes with rapid increase in computational capability of Internet of Things (IoT) devices. With the rapid growth of cloud technologies, the demand for hybrid architecture with cloud and IoT has also been boosted as well. To satisfy the critical and comprehensive requirements in the architecture evolution, we proposed a lightweight framework called IoT-Pi to provide a 3-phase (sample, learn, adapt) life cycle management of cloud resources with machine learning prediction working on IoT edge nodes using Raspberry Pi device. Compared to the traditional interference by human beings in the field of system administration, the accuracy rate of machine learning prediction in the proposed technique for some algorithms reached over 70%, which demonstrates the feasibility and effectiveness of running cloud resource management on an IoT devices such as Raspberry Pi. INTRODUCTION: Internet of Things (IoT) technologies are getting emerged with many micro-size chipset with powerful computational capacity. These chipsets can be deployed to more critical environment that makes embed device more intelligent.1 Now it is even supported to apply Raspberry Pi to more complex tasks requiring machine learning and more intelligent scenarios. It is even verified that the device is capable of monitoring cloud resources. The appearance of Raspberry Pi 4 is the integration of both powerful ARM chipset and embedded device. Massive computing nodes are working in parallel to provide powerful computational capacity, in comparison to traditional limited cluster or single node. It is also elastic to manage the lifecycle of all resources on the cloud. Many cloud service vendors provide dedicated Software Development Kit (SDK) to manage the cloud resources, which implement same purpose as Software Defined Network (SDN) as well. However, cloud technologies have been dominated by a small group of companies with large volumes of computing resources. It is not affordable to run tasks based on Artificial Intelligence, when the business scenario is beyond the scale of the capacity owned by cloud service companies. However, the resources on the cloud are viable to be managed in real time.5 Therefore, many independent developers and groups start to consume the cloud resources by applications in a more intelligent and economic approach. In this paper, we proposed a lightweight framework called IoT-Pi, which uses machine learning, IoT and cloud computing to solve this problem. The main contributions of this work are: (a) verify the concept that IoT nodes undertake modern machine learning tasks, (b) identify the idle state of cloud resource to manage the lifecycle adaptively, (c) explore organizing cloud resources by machine learning techniques from IoT edge devices, and (d) minimize cost of resource usage when using cloud.

ترجمه این مقاله در 14 صفحه آماده شده و در ادامه نیز صفحه 6 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.