مشخصات

زبان

بانک اطلاعاتی

فایل ها

توضیحات

m فایل متلب و فیلم آموزشی ۴۵ دقیقه ای فارسی برای توضیح کدها دارد

۲۴۰,۰۰۰ تـــــومان

مطالب مرتبط

کاهش تاخیر در سرویس های اینترنت اشیا و رایانش مه با متلب

کاهش تاخیر در سرویس های اینترنت اشیا و رایانش مه با متلب

کاهش تاخیر در سرویس های اینترنت اشیا با MATLAB

در این بخش پروژه شبیه سازی کاهش تاخیر در سرویس های اینترنت اشیا و رایانش مه با الگوریتم ژنتیک در نرم افزار MATLAB را به همراه فیلم آموزشی از توضیح کدها آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و قسمتی از فیلم آموزشی به همراه تصاویر خروجی پروژه در محیط متلب قرار داده شده است. مقاله پایه و کمکی این پروژه با عنوان On Reducing IoT Service Delay via Fog Offloading می باشد.

کاهش تاخیر و بهبود Qos در IoT-fog-cloud

با تبدیل شدن اینترنت اشیا (IOT) به یکی از اجزای اصلی زندگی روزمره ما، درک چگونگی بهبود کیفیت سرویس (QoS) برای برنامه های کاربردی اینترنت اشیا از طریق محاسبات مه یا رایانش مه (Fog Computing) به یک مشکل مهم تبدیل شده است. در این پروژه، ما یک چارچوب کلی برای برنامه های IoT-fog-cloud معرفی می کنیم و یک سیاست همکاری و تخلیه جهت به حداقل رساندن تاخیر برای دستگاه هایی با قابلیت fog پیشنهاد می کنیم که هدف آن کاهش تاخیر سرویس برای برنامه های IoT است. سپس یک مدل تحلیلی برای ارزیابی روش خود ایجاد می کنیم و نشان می دهیم که چگونه چارچوب پیشنهادی به کاهش تاخیر در خدمات اینترنت اشیا کمک می کند. در این پروژه ما به دنبال ارائه یک روش بهینه و کارآمد برای مدیریت و کاهش تاخیر در محیط مه یا Fog هستیم. روش بهبود یافته برای کاهش تاخیر و جایابی سرویس ما بر اساس الگوریتم ژنتیک (GA) می باشد که علاوه بر کاهش تاخیر، باعث بهبود کیفیت سرویس به کاربران نیز می شود.

چهارچوب مسئله

چهارچوب مسئله ما در این پروژه محیط رایانش مه می باشد که برای آن سه لایه در نظر گرفته می شود: لایه اول مربوط به دستگاه های اینترنت اشیا می باشد که درخواست را برای پردازش به سمت شبکه می فرستد. لایه دوم گره های مه است که می توانند درخواست های لایه دستگاه های اینترنت اشیا را یا خود پردازش کنند یا به لایه سوم که رایانش ابری است ارسال کنند. در صورتی که این در خواست ها را خود لایه مه پردازش کنند، این موضوع باعث کاهش تاخیر خواهد بود. فرض ما بر این بوده که باتری محدود نیست و گره های مه با برق وصل شدند که باعث می شود فرض عدم تحرک گره های مه را هم به مسئله اضافه کنیم. در صورتی که یک گره مه بتواند درخواست را بر اساس بار فعلی خود بپذیرد، درخواست را پردازش می کند، هر چند زمانی که گره مه مشغول پردازش وظایف می باشد ممکن است درخواست جدید را به گره مه دیگر یا ابر خالی ارسال کند. لایه سوم لایه محاسبات ابری می باشد که در آن سرور های قدرتمند رایانش ابری قرار دارد ولی تاخیر بسیار زیادی ایجاد می کند، اگر درخواست های لایه دستگاه های اینترنت اشیا مستقیما درخواست های خود را به لایه سوم که رایانش ابری است ارسال کنند، پس در اینجا لایه مه به وجود آمده تا ما بتوانیم تاخیر لایه دستگاه های اینترنت اشیا را به حداقل برسانیم.

 


تصویر 1
تصویر 2
تصویر 3
تصویر 4
تصویر 5
تصویر 6
تصویر 7
تصویر 8
تصویر 9
تصویر 10
باکس دانلود
شناسه:
۶۸۷۳
توضیحات:
m فایل متلب و فیلم آموزشی ۴۵ دقیقه ای فارسی برای توضیح کدها دارد
قیمت:
۲۴۰,۰۰۰ تـــــومان
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است