هوش محاسباتی ناهمگن در اینترنت اشیا ۲۰۲۳
Heterogenous Computational Intelligence in Internet of Things 2023

در سال‌های اخیر شاهد افزایش چشمگیری در توسعه‌ی روش‌های انتقال داده در صنعت شبکه‌ بوده‌ایم. حتی در شرایط همه‌گیری فعلی کووید-۱۹ نیز مشاهده می‌کنیم که تصاویر به پزشکان در تشخیص عفونت در بیماران کمک می‌کنند. با بهره‌گیری از یادگیری ماشین/هوش مصنوعی، تصویربرداری پزشکی، مانند عکس‌برداری از ریه با اشعه‌ی ایکس برای تشخیص عفونت کووید-۱۹، نقشی حیاتی در تشخیص زودهنگام بسیاری از بیماری‌ها ایفا می‌کند. همچنین آموخته‌ایم که در شرایط کووید-۱۹، شبکه‌های سیمی و بی‌سیم برای انتقال داده بهبود یافته‌اند، اما همچنان با ازدحام شبکه مواجه هستند. یک مفهوم جذاب که این قابلیت را دارد که ازدحام طیف را کاهش داده و به‌طور مداوم خدمات شبکه‌ی جدیدی ارائه دهد، فراهم کردن مجازی‌سازی شبکه‌ی بی‌سیم است. میزان مجازی‌سازی و به اشتراک‌گذاری منابع بین الگوها متفاوت است. هر الگو دارای مسائل فنی و غیرفنی است که قبل از اینکه مجازی‌سازی بی‌سیم به یک فناوری رایج تبدیل شود، باید به آن‌ها رسیدگی شود. برای موفقیت مجازی‌سازی شبکه‌ی بی‌سیم، این مسائل نیازمند طراحی و ارزیابی دقیق هستند. معماری شبکه‌ی بی‌سیم آینده باید از تعدادی از الزامات کیفیت خدمات (QoS) پیروی کند. مجازی‌سازی به شبکه‌های بی‌سیم و همچنین شبکه‌های متعارف گسترش یافته است. با فعال کردن چندگانگی و خدمات سفارشی با طیف وسیع‌تری از فرکانس‌های حامل، کارایی و بهره‌وری را بهبود می‌بخشد. در محیط اینترنت اشیا (IoT)، کاربران بی‌سیم ناهمگن هستند و وضعیت شبکه پویا است، که حل مسائل کنترل شبکه را بسیار دشوار می‌کند، زیرا ابعاد و پیچیدگی محاسباتی به‌سرعت افزایش می‌یابد. یادگیری تقویتی عمیق (DRL) با استفاده از شبکه‌های عصبی عمیق (DNNs) به عنوان یک رویکرد بالقوه برای حل موثر مسائل کنترل با ابعاد بالا و پیوسته توسعه یافته است.

تکنیک‌های یادگیری تقویتی عمیق پتانسیل زیادی در سناریوهای اینترنت اشیا، لبه و SDN ارائه می‌دهند و در شبکه‌های ناهمگن برای مدیریت مبتنی بر اینترنت اشیا بر اساس کیفیت خدمات مورد نیاز هر شبکه‌ی تعریف‌شده توسط نرم‌افزار (SDN) استفاده می‌شوند. در حالی که DRL پتانسیل زیادی برای حل مشکلات نوظهور در مجازی‌سازی پیچیده‌ی شبکه‌ی بی‌سیم نشان داده است، هنوز چالش‌های خاص حوزه‌ای وجود دارد که نیاز به مطالعه‌ی بیشتر دارند، از جمله طراحی معماری‌های مناسب DNN با مسائل بهینه‌سازی شبکه‌ی 5G، کشف و تخصیص منابع، توسعه‌ی مکانیسم‌های هوشمند که امکان مدیریت خودکار و پویای ارتباطات مجازی ایجاد شده در SDNs را فراهم می‌کنند که به عنوان چشم‌انداز تحقیقاتی در نظر گرفته می‌شود.

We have seen a sharp increase in the development of data transfer techniques in the networking industry over the past few years. We can see that the photos are assisting clinicians in detecting infection in patients even in the current COVID-19 pandemic condition. With the aid of ML/AI, medical imaging, such as lung X-rays for COVID-19 infection, is crucial in the early detection of many diseases. We also learned that in the COVID-19 scenario, both wired and wireless networking are improved for data transfer but have network congestion. An intriguing concept that has the ability to reduce spectrum congestion and continuously offer new network services is providing wireless network virtualization. The degree of virtualization and resource sharing varies between the paradigms. Each paradigm has both technical and non-technical issues that need to be handled before wireless virtualization becomes a common technology. For wireless network virtualization to be successful, these issues need careful design and evaluation. Future wireless network architecture must adhere to a number of Quality of Service (QoS) requirements. Virtualization has been extended to wireless networks as well as conventional ones. By enabling multi-tenancy and tailored services with a wider range of carrier frequencies, it improves efficiency and utilization. In the IoT environment, wireless users are heterogeneous, and the network state is dynamic, making network control problems extremely difficult to solve as dimensionality and computational complexity keep rising quickly. Deep Reinforcement Learning (DRL) has been developed by the use of Deep Neural Networks (DNNs) as a potential approach to solve high-dimensional and continuous control issues effectively.

Deep Reinforcement Learning techniques provide great potential in IoT, edge and SDN scenarios and are used in heterogeneous networks for IoT-based management on the QoS required by each Software Defined Network (SDN) service. While DRL has shown great potential to solve emerging problems in complex wireless network virtualization, there are still domain-specific challenges that require further study, including the design of adequate DNN architectures with 5G network optimization issues, resource discovery and allocation, developing intelligent mechanisms that allow the automated and dynamic management of the virtual communications established in the SDNs which is considered as research perspective.