هوش توزیع‌شده در لبه شبکه‌های اینترنت اشیاء - AETiC 2020

1. مقدمه

اینترنت اشیاء (IoT) نوآوری را متحول کرده است تا اطلاعات را از اشیاء فیزیکی یا حسگرها جمع‌آوری و ذخیره کند. رشد نمایی دستگاه‌های اینترنت اشیاء منجر به ظهور رایانش لبه شده است، جایی که داده‌ها نزدیک به منبع پردازش می‌شوند به جای اینکه به سرورهای ابری متمرکز منتقل شوند. پیش‌بینی می‌شد که تا سال 2020، 50 میلیارد دستگاه هوشمند به اینترنت متصل شوند و تقریباً 500 زتابایت داده تولید کنند.

2. پیشینه و کارهای مرتبط

2.1 تکامل معماری‌های اینترنت اشیاء

معماری‌های سنتی اینترنت اشیاء به شدت بر مدل‌های متمرکز بر ابر متکی بودند که در آن تمام پردازش داده در مراکز داده متمرکز انجام می‌شد. با این حال، این رویکرد با چالش‌های قابل توجهی از جمله مسائل تأخیر، محدودیت‌های پهنای باند و نگرانی‌های حریم خصوصی مواجه شد. حرکت به سمت رایانش لبه نشان‌دهنده تحولی اساسی در نحوه طراحی و استقرار سیستم‌های اینترنت اشیاء است.

2.2 پارادایم‌های رایانش لبه

رایانش لبه، محاسبات و ذخیره‌سازی داده را به محل مورد نیاز نزدیک‌تر می‌کند، زمان پاسخ را بهبود می‌بخشد و پهنای باند را ذخیره می‌کند. پارادایم‌های اصلی شامل رایانش مه، رایانش لبه سیار (MEC) و معماری‌های کلودلت می‌شود که هر کدام مزایای متمایزی برای سناریوهای مختلف کاربرد اینترنت اشیاء ارائه می‌دهند.

3. چارچوب هوش توزیع‌شده

3.1 مؤلفه‌های معماری

چارچوب هوش توزیع‌شده شامل سه لایه اصلی است: دستگاه‌های لبه، سرورهای لبه و زیرساخت ابری. دستگاه‌های لبه پردازش اولیه داده و فیلتر کردن را انجام می‌دهند، سرورهای لبه محاسبات پیچیده‌تر را مدیریت می‌کنند، در حالی که ابر هماهنگی جهانی و ذخیره‌سازی بلندمدت را فراهم می‌کند.

3.2 مدل‌های توزیع هوش

سه مدل اصلی برای توزیع هوش شامل موارد زیر است: توزیع سلسله‌مراتبی که در آن پردازش در سطوح متعدد انجام می‌شود، توزیع همتا به همتا که ارتباط مستقیم دستگاه را امکان‌پذیر می‌کند، و رویکردهای ترکیبی که هر دو روش را برای عملکرد بهینه ترکیب می‌کنند.

4. پیاده‌سازی فنی

4.1 مبانی ریاضی

بهینه‌سازی هوش توزیع‌شده را می‌توان به عنوان یک مسئله بهینه‌سازی با قید فرموله کرد. اجازه دهید $L_{total}$ نشان‌دهنده تأخیر کل باشد که می‌توان آن را به صورت زیر بیان کرد:

$L_{total} = \sum_{i=1}^{n} (L_{proc_i} + L_{trans_i} + L_{queue_i})$

که در آن $L_{proc_i}$ تأخیر پردازش در گره i، $L_{trans_i}$ تأخیر انتقال و $L_{queue_i}$ تأخیر صف است. هدف به حداقل رساندن $L_{total}$ با توجه به قیدهای منابع $R_{max}$ و الزامات کیفیت خدمات $Q_{min}$ است.

4.2 طراحی الگوریتم

الگوریتم هوش توزیع‌شده از یک رویکرد فیلتر کردن مشارکتی استفاده می‌کند که در آن گره‌های لبه بینش‌های پردازش شده را به جای داده خام به اشتراک می‌گذارند. شبه‌کد زیر فرآیند تصمیم‌گیری اصلی را نشان می‌دهد:

function distributedIntelligence(node, data, neighbors):
    // پردازش محلی
    local_insight = processLocally(data)
    
    // بررسی کافی بودن پردازش محلی
    if confidence(local_insight) > threshold:
        return local_insight
    else:
        // همکاری با همسایه‌ها
        neighbor_insights = []
        for neighbor in neighbors:
            insight = requestInsight(neighbor, data)
            neighbor_insights.append(insight)
        
        // تجمیع بینش‌ها
        final_decision = aggregateInsights(local_insight, neighbor_insights)
        return final_decision
end function

5. نتایج آزمایشی

ارزیابی آزمایشی بهبودهای قابل توجهی در عملکرد سیستم نشان می‌دهد. رویکرد هوش توزیع‌شده زمان پاسخ متوسط را در مقایسه با معماری‌های فقط ابری 45% کاهش داد و مصرف پهنای باند را 60% کاهش داد. در کاربردهای حساس به تأخیر مانند هماهنگی وسایل نقلیه خودران، سیستم به زمان‌های تصمیم‌گیری زیر 50 میلی‌ثانیه دست یافت که الزامات بلادرنگ را برآورده می‌کند.

6. کاربردها و موارد استفاده

هوش توزیع‌شده در لبه، کاربردهای متعددی را در حوزه‌های مختلف امکان‌پذیر می‌کند. در شهرهای هوشمند، مدیریت ترافیک بلادرنگ و هماهنگی پاسخ به شرایط اضطراری را تسهیل می‌کند. کاربردهای بهداشت و درمان شامل نظارت از راه دور بر بیماران و تحلیل پیش‌بینانه برای شیوع بیماری است. مزایای اینترنت اشیاء صنعتی شامل نگهداری پیش‌بینانه و مدیریت زنجیره تأمین بهینه شده است.

7. چالش‌ها و جهت‌های آینده

چالش‌های کلیدی شامل آسیب‌پذیری‌های امنیتی در سیستم‌های توزیع‌شده، قابلیت همکاری بین دستگاه‌های ناهمگن و محدودیت‌های منابع روی دستگاه‌های لبه است. جهت‌های تحقیقاتی آینده بر توزیع هوش تطبیقی، رویکردهای یادگیری فدرال و یکپارچه‌سازی با شبکه‌های 5G/6G برای اتصال پیشرفته متمرکز است.

8. تحلیل اصلی

تحقیق ارائه شده در این مقاله نشان‌دهنده پیشرفت قابل توجهی در معماری اینترنت اشیاء با پرداختن به محدودیت‌های اساسی مدل‌های متمرکز بر ابر است. رویکرد هوش توزیع‌شده با روندهای نوظهور در رایانش لبه همسو است، همانطور که توسط توسعه‌های مشابه در چارچوب‌هایی مانند TensorFlow Federated برای یادگیری ماشین غیرمتمرکز مشهود است. در مقایسه با رویکردهای متمرکز سنتی، هوش توزیع‌شده مزایای قابل توجهی در کاهش تأخیر و بهینه‌سازی پهنای باند ارائه می‌دهد، که به ویژه برای کاربردهای بلادرنگ مانند سیستم‌های خودران و اتوماسیون صنعتی حیاتی است.

فرمول‌بندی ریاضی بهینه‌سازی تأخیر ارائه شده در مقاله بر اصول تثبیت‌شده تئوری صف بنا شده است، مشابه رویکردهای استفاده شده در شبکه‌های تحویل محتوا (CDN) و پایگاه‌های داده توزیع‌شده. با این حال، کاربرد در شبکه‌های لبه اینترنت اشیاء محدودیت‌های منحصر به فردی مربوط به ناهمگنی دستگاه و محدودیت‌های منابع معرفی می‌کند. الگوریتم پیشنهادی شباهت‌هایی با تکنیک‌های فیلتر کردن مشارکتی استفاده شده در سیستم‌های توصیه‌گر نشان می‌دهد که برای محیط‌های با محدودیت منابع تطبیق یافته است.

هنگام مقایسه با چارچوب‌های دیگر رایانش لبه مانند AWS Greengrass یا Azure IoT Edge، رویکرد هوش توزیع‌شده بر همکاری همتا به همتا به جای روابط سلسله‌مراتبی ابر-لبه تأکید می‌کند. این تمایز به ویژه برای کاربردهایی که نیاز به در دسترس بودن بالا و تحمل خطا دارند مهم است. یافته‌های تحقیق با روندهای صنعت گزارش شده توسط گارتنر سازگار است که پیش‌بینی می‌کند تا سال 2025، 75% از داده‌های تولید شده توسط شرکت‌ها خارج از مراکز داده متمرکز سنتی ایجاد و پردازش خواهند شد.

پیامدهای امنیتی هوش توزیع‌شده نیاز به بررسی بیشتر دارد، زیرا سطح حمله با توزیع هوش گسترش می‌یابد. کار آینده می‌تواند فناوری‌های بلاکچین را برای اجماع توزیع‌شده ایمن یکپارچه کند، مشابه رویکردهای بررسی شده در تحقیقات امنیت اینترنت اشیاء. مقیاس‌پذیری چارچوب پیشنهادی نیاز به اعتبارسنجی از طریق استقرار در مقیاس بزرگتر دارد، به ویژه در سناریوهایی با هزاران دستگاه متصل به هم.

9. مراجع

1. Alam, T., Rababah, B., Ali, A., & Qamar, S. (2020). Distributed Intelligence at the Edge on IoT Networks. Annals of Emerging Technologies in Computing, 4(5), 1-18.
2. Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637-646.
3. Mao, Y., You, C., Zhang, J., Huang, K., & Letaief, K. B. (2017). A survey on mobile edge computing: The communication perspective. IEEE Communications Surveys & Tutorials, 19(4), 2322-2358.
4. Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30-39.
5. Zhu, J., et al. (2018). Improving IoT data quality in mobile crowd sensing: A cross-layer approach. IEEE Transactions on Mobile Computing, 17(11), 2564-2577.
6. Chen, M., et al. (2020). Distributed intelligence in IoT systems: A comprehensive survey. IEEE Internet of Things Journal, 7(8), 6903-6919.