Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання
The proliferation of the Internet of Things (IoT) and wireless sensor networks enhances data communication. The demand for data communication rapidly increases, which calls the emerging edge computing paradigm. Edge computing plays a major role in IoT networks and provides computing resources close...
Gespeichert in:
| Datum: | 2022 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2022
|
| Schlagworte: | |
| Online Zugang: | http://journal.iasa.kpi.ua/article/view/261572 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
Institution
System research and information technologies| _version_ | 1856543553025474560 |
|---|---|
| author | Vijayasekaran, G. Duraipandian, M. |
| author_facet | Vijayasekaran, G. Duraipandian, M. |
| author_sort | Vijayasekaran, G. |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2022-12-21T22:15:21Z |
| description | The proliferation of the Internet of Things (IoT) and wireless sensor networks enhances data communication. The demand for data communication rapidly increases, which calls the emerging edge computing paradigm. Edge computing plays a major role in IoT networks and provides computing resources close to the users. Moving the services from the cloud to users increases the communication, storage, and network features of the users. However, massive IoT networks require a large spectrum of resources for their computations. In order to attain this, resource scheduling algorithms are employed in edge computing. Statistical and machine learning-based resource scheduling algorithms have evolved in the past decade, but the performance can be improved if resource requirements are analyzed further. A deep learning-based resource scheduling in edge computing IoT networks is presented in this research work using deep bidirectional recurrent neural network (BRNN) and convolutional neural network algorithms. Before scheduling, the IoT users are categorized into clusters using a spectral clustering algorithm. The proposed model simulation analysis verifies the performance in terms of delay, response time, execution time, and resource utilization. Existing resource scheduling algorithms like a genetic algorithm (GA), Improved Particle Swarm Optimization (IPSO), and LSTM-based models are compared with the proposed model to validate the superior performances. |
| first_indexed | 2025-07-17T10:27:55Z |
| format | Article |
| id | journaliasakpiua-article-261572 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2025-07-17T10:27:55Z |
| publishDate | 2022 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-2615722022-12-21T22:15:21Z Resource scheduling in edge computing IoT networks using hybrid deep learning algorithm Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання Vijayasekaran, G. Duraipandian, M. периферійні обчислення хмарні обчислення інтернет речей IoT планування ресурсів глибоке навчання edge computing cloud computing Internet of Things IoT resource scheduling deep learning The proliferation of the Internet of Things (IoT) and wireless sensor networks enhances data communication. The demand for data communication rapidly increases, which calls the emerging edge computing paradigm. Edge computing plays a major role in IoT networks and provides computing resources close to the users. Moving the services from the cloud to users increases the communication, storage, and network features of the users. However, massive IoT networks require a large spectrum of resources for their computations. In order to attain this, resource scheduling algorithms are employed in edge computing. Statistical and machine learning-based resource scheduling algorithms have evolved in the past decade, but the performance can be improved if resource requirements are analyzed further. A deep learning-based resource scheduling in edge computing IoT networks is presented in this research work using deep bidirectional recurrent neural network (BRNN) and convolutional neural network algorithms. Before scheduling, the IoT users are categorized into clusters using a spectral clustering algorithm. The proposed model simulation analysis verifies the performance in terms of delay, response time, execution time, and resource utilization. Existing resource scheduling algorithms like a genetic algorithm (GA), Improved Particle Swarm Optimization (IPSO), and LSTM-based models are compared with the proposed model to validate the superior performances. Поширення Інтернету речей (IoT) і бездротових сенсорних мереж покращує передачу даних. Попит на передачу даних швидко зростає, що викликає появу парадигми периферійних обчислень. Граничні обчислення відіграють важливу роль у мережах IoT і надають обчислювальні ресурси поблизу користувачів. Перенесення служб із хмари до користувачів розширює комунікаційні, сховища та мережеві функції користувачів. Однак масивні мережі IoT потребують великого обсягу ресурсів для своїх обчислень. Щоб досягти цього, у граничних обчисленнях використовуються алгоритми планування ресурсів. Алгоритми планування ресурсів, засновані на статистиці та машинному навчанні, розвинулися протягом останнього десятиліття, але їх продуктивність можна покращити, якщо додатково проаналізувати вимоги до ресурсів. У роботі подано глибоке планування ресурсів на основі навчання в периферійних обчислювальних мережах IoT з використанням глибокої двонаправленої рекурентної нейронної мережі (BRNN) і алгоритмів згорткової нейронної мережі. Перед плануванням користувачі IoT класифікуються в різні кластери за допомогою спектрального алгоритму кластеризації. Пропонований аналіз моделювання перевіряє продуктивність з точки зору затримки, часу відгуку, часу виконання та використання ресурсів. Існуючі алгоритми планування ресурсів, як-от генетичний алгоритм (GA), покращена оптимізація роїв частинок (IPSO) і моделі на основі LSTM, порівнюються із запропонованою моделлю для підтвердження кращої продуктивності. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022-10-30 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/261572 10.20535/SRIT.2308-8893.2022.3.06 System research and information technologies; No. 3 (2022); 86-101 Системные исследования и информационные технологии; № 3 (2022); 86-101 Системні дослідження та інформаційні технології; № 3 (2022); 86-101 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/261572/264994 |
| spellingShingle | периферійні обчислення хмарні обчислення інтернет речей IoT планування ресурсів глибоке навчання Vijayasekaran, G. Duraipandian, M. Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання |
| title | Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання |
| title_alt | Resource scheduling in edge computing IoT networks using hybrid deep learning algorithm |
| title_full | Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання |
| title_fullStr | Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання |
| title_full_unstemmed | Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання |
| title_short | Планування ресурсів у мережах IoT edge computing з використанням гібридного алгоритму глибокого навчання |
| title_sort | планування ресурсів у мережах iot edge computing з використанням гібридного алгоритму глибокого навчання |
| topic | периферійні обчислення хмарні обчислення інтернет речей IoT планування ресурсів глибоке навчання |
| topic_facet | периферійні обчислення хмарні обчислення інтернет речей IoT планування ресурсів глибоке навчання edge computing cloud computing Internet of Things IoT resource scheduling deep learning |
| url | http://journal.iasa.kpi.ua/article/view/261572 |
| work_keys_str_mv | AT vijayasekarang resourceschedulinginedgecomputingiotnetworksusinghybriddeeplearningalgorithm AT duraipandianm resourceschedulinginedgecomputingiotnetworksusinghybriddeeplearningalgorithm AT vijayasekarang planuvannâresursívumerežahiotedgecomputingzvikoristannâmgíbridnogoalgoritmuglibokogonavčannâ AT duraipandianm planuvannâresursívumerežahiotedgecomputingzvikoristannâmgíbridnogoalgoritmuglibokogonavčannâ |