АДАПТИВНИЙ МЕТОД ДИНАМІЧНОГО КЕРУВАННЯ РЕСУРСАМИ ГРАНИЧНОГО ШАРУ ІНДУСТРІАЛЬНОГО ІНТЕРНЕТУ РЕЧЕЙ

Sergii Klivets; Alexander Kuleshov; Tetiana Kulieshova

doi:10.26906/SUNZ.2025.4.088

Автор(и)

Sergii Klivets
Alexander Kuleshov
Tetiana Kulieshova

DOI:

https://doi.org/10.26906/SUNZ.2025.4.088

Ключові слова:

Індустріальний Інтернет речей, граничний шар, обчислювальні ресурси, адаптивне керування

Анотація

В процесі функціонування Індустріального Інтернету речей нестача ресурсів граничного шару проявляється як зростання затримок обробки, черги, втрати даних або деградація сервісу. Метою цієї роботи є розробка адаптивного методу динамічного керування ресурсами граничного шару IIoT, який дозволить ефективно використовувати обчислювальні ресурси. Отримані такі результати. запропоновано концептуальний адаптивний метод динамічного керування ресурсами граничного шару у IIoT з використанням мультиагентного підходу та горизонтального і вертикального масштабування. Методи моніторингу, оцінки, прийняття рішення і навчання інтегровані в єдину архітектуру. Розроблена математична модель дозволяє формалізувати баланс черг, ресурси, передавання задач між вузлами. Метод забезпечує гнучку адаптацію до змінного навантаження й мінімізує втрати, затримки, а також ефективно використовує обмежені ресурси. Висновки. Адаптивне керування обчислювальними ресурсами граничного шару ІІоТ дозволяє підвищити ефективність функціонування системи та зменшити вплив нестачі ресурсів.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Zhang, X., Wang, X., Xu, X. & Duan, L. (2023) Resource Management in Mobile Edge Computing: A Comprehensive Survey. ACM (survey). DOI: https://doi.org/10.1145/3589639

2. Zamzam, M., Elshabrawy, T. & Ashour, M. (2019) Resource management using machine learning in mobile edge computing: A survey. In: Proceedings of the 2019 Ninth International Conference on Intelligent Computing and Information Systems (ICICIS). DOI: https://doi.org/10.1109/ICICIS46948.2019.9014733

3. Li, H., Liu, Y., Zhou, X., Vasilakos, X., Nejabati, R., Yan, S. & Simeonidou, D. (2023) Adaptive resource management for edge network slicing using incremental multi-agent deep reinforcement learning. CoRR (arXiv preprint). arXiv: 2310.17523. URL: https://arxiv.org/abs/2310.17523

4. AlQerm, I., Wang, J., Pan, J. & Liu, Y. (2021) BEHAVE: Behavior-Aware, Intelligent and Fair Resource Management for Heterogeneous Edge-IoT Systems. IEEE Trans. on Mobile Computing. DOI: https://doi.org/10.1109/TMC.2021.3068632

5. Dlamini, T., Gambín, M. (2019) Adaptive resource management for a virtualized computing platform within edge computing. Proceedings of the 2019 16th IEEE Annual Consumer Communications & Networking Conference (CCNC/SAHCN). DOI: https://doi.org/10.1109/SAHCN.2019.8824927

6. Sun, W., Lei, S., Wang, L., Liu, Z. & Zhang, Y. (2020) Adaptive federated learning and digital twin for Industrial Internet of Things. CoRR (arXiv preprint). arXiv: 2010.13058, URL: https://arxiv.org/abs/2010.13058

7. Mhamdi, L. & Abdul Khalek, H. (2023) Congestion control in constrained Internet of Things networks. IET Wireless Sensor Systems, 13(6), pp.247–255. DOI: https://doi.org/10.1049/wss2.12072