T27137
انگلیسی
Collaborate Edge and Cloud Computing with Distributed Deep learning for Smart City Internet of Things
Dissertation
Mushtaq AL_Sayed Wahab
Electrical and Computer Engineering
1401
61p.
cd
M.S.
Software Engineering
1401/04/26
Internet of Things (IoT) city applications are becoming increasingly complex and require big computing resources and strict delay needs. Mobile cloud computing (MCC) effectively decreases computing pressure by a non-online load of complex workloads from mobile tools to centralized clouds. In addition, mobile edge computing (MEC) is a promising technology to decrease data transmission delay and save energy by providing timely services. Instead, addressing workload non-online load issues in heterogeneous cloud computing environments where edge clouds and core clouds work together to meet the needs of urban IoT applications is still a challenge. This study considers the heterogeneity of edge and core cloud servers when selecting the offload target. To jointly optimize the system utility and bandwidth allocation for every mobile device, we develop a hybrid non-online load simulation that involves the cooperation of MCC and MEC.In this research, the Genetic Algorithm decreases the fitness function. The fitness function includes local and edge tool time, energy usage, and central computing. We also selected the BaIoT data set to train the Convolutional Neural Network for intrusion detection. The results show that using the Genetic Algorithm decreases the training time and Power usage of the convolutional neural network.
برنامه‌های کاربردی شهر اینترنت اشیا (IoT) به طور فزاینده‌ای پیچیده می‌شوند و بنابراین به مقادیر زیادی از منابع محاسباتی و الزامات تأخیر دقیق نیاز دارند. محاسبات ابری سیار (MCC) یک راه مؤثر برای کاهش محدودیت است.ظرفیت محاسباتی با بارگیری وظایف پیچیده از دستگاه‌های تلفن همراه به ابرهای مرکزی انجام می‌شود. علاوه بر این، محاسبات لبه موبایل (MEC) یک فناوری امیدوارکننده برای کاهش تأخیر در حین انتقال داده و صرفه‌جویی در انرژی با ارائه خدمات به موقع است. با این حال، حل چالش‌های پردازش در محیط‌های محاسباتی ابری ناهمگن، که در آن ابرهای لبه و ابرهای مرکزی به طور مشترک برای برآوردن نیازهای برنامه‌های IoT شهری کار می‌کنند، دشوار است. در این تحقیق، با استفاده از الگوریتم ژنتیک، پردازش‌کننده‌های لازم برای اینترنت اشیاء را در لبه و ابر انتخاب می‌کنیم. برای بهینه‌سازی مشترک ابزار سیستم و تخصیص پهنای باند برای هر دستگاه تلفن همراه، ما یک مدل تخلیه ترکیبی شامل همکاری MCC و MEC ایجاد می‌کنیم.تابع برازش شامل استفاده از زمان و انرژی دستگاه محلی و لبه و محاسبات مرکزی است. دیتاست مورد استفاده برای آموزش شبکه عصبی CNN مورد استفاده قرار می‌گیرد تا حملات مربوط به IoT را تشخیص دهد.با موازی‌سازی آموزش CNN در لبه و ابر و دستگاه‌های محلی سرعت انجام محاسبات بیشتر می‌شود. با توجه به بار محاسباتی، پردازنده مناسب هر CNN توسط الگوریتم ژنتیک انتخاب می‌شود.
ترکیب ابر و لبه در محاسبات توزیع شده شبکه عصبی یادگیری عمیق برای اینترنت اشیاء شهر هوشمند
Distributed Computing, Deep Neural Network, Smart City, Internet of things, Genetic Algorithm
محاسبات توزیع شده، شبکه عصبی عمیق، شهر هوشمند، اینترنت اشیا، الگوریتم ژنتیک
AL_Sayed Wahab,
Mushtaq
Producer
Salehpor,
Aghdasi Alamdari,
Pedram
Hadi
Thesis advisor
Consulting advisor
Tabriz
ایران
Central Library of Tabriz
ارشد پایاننامه QA76.A5 1401
Mushtaq AL_Sayed Wahab
عبادی
e
TL
276903
a
Y
