تکنیک جدید یک دانشجو برای افزایش عمر باتری دستگاه‌های اینترنت اشیاء

خبرنگار خبرگزاری علم و فناوری آنا ـ حسین بوذری؛ رساله آرش حیدری دانشجوی مقطع دکتری تخصصی کامپیوتر با گرایش «هوش مصنوعی و رباتیک» با راهنمایی اعضای هیئت علمی دانشگاه آزاد اسلامی واحد شبستر در انتشارات «الزویر» و «اشپرینگر» با ضرایب تأثیر بالا انتشار یافت و وی با درجه عالی از رساله خود دفاع کرد.

این رساله با راهنمایی محمدعلی جبرئیل جمالی به‌عنوان استاد راهنمای اول و نیما جعفری نویمی‌پور از واحد تبریز به عنوان استاد راهنمای دوم و شاهین اکبرپور به‌عنوان استاد مشاور با عنوان «رویکرد ترکیبی برای بهینه‌سازی تأخیر و طول عمر باتری در دستگاه‌های اینترنت اشیا از طریق تخلیه بار و یادگیری CNN» درمجله Sustainable Computing: Informatics and Systems انتشارات «الزویر» با ضرایب تأثیر بالا انتشار یافت.

حیدری در گفت‌و‌گو با خبرنگار گروه استان‌های خبرگزاری علم و فناوری آنا با تشریح جزئیات رساله خود با عنوان «رویکرد ترکیبی برای بهینه‌سازی تأخیر و طول عمر باتری در دستگاه‌های اینترنت اشیا از طریق تخلیه بار و یادگیری CNN» اظهار کرد: تخلیه بار به غلبه بر محدودیت‌های منابع عناصر خاص کمک و آن را به یکی از توانمندساز‌های فنی اولیه اینترنت اشیاء (IoT) تبدیل می‌کند.

وی اضافه کرد: دستگاه‌های اینترنت اشیاء با ظرفیت باتری کم می‌توانند از لبه برای تخلیه برخی از عملیات‌ها استفاده کنند که می‌تواند تأخیر را به میزان قابل توجهی کاهش داده و طول عمر باتری را افزایش دهد.

دانش‌آموخته دکتری تخصصی رشته کامپیوتر دانشگاه آزاد اسلامی واحد شبستر یادآور شد: با توجه به ظرفیت محدود باتری آنها، روش‌های یادگیری عمیق (DL) برای استفاده در دستگاه‌های IoT انرژی‌بر هستند.

حیدری متذکر شد: بسیاری از دستگاه‌های اینترنت اشیاء فاقد چنین ماژول‌هایی هستند؛ تحقیقات متعددی از ماژول‌های برداشت‌کننده انرژی استفاده کردند که در شرایط واقعی برای دستگاه‌های اینترنت اشیاء در دسترس نیستند.

وی تبیین کرد: با استفاده از فرآیند تصمیم‌گیری «مارکوف(MDP)»، مشکل تخلیه بار را در این مطالعه توصیف می‌کنیم و در مرحله بعد، برای تسهیل بارگذاری جزئی در دستگاه‌های اینترنت اشیاء یک روش یادگیری تقویتی عمیق (DRL) توسعه می‌دهیم که می‌تواند به طور مؤثر سیاست را با تنظیم پویایی شبکه یاد بگیرد.

دانش‌آموخته دکتری تخصصی رشته کامپیوتر دانشگاه آزاد اسلامی واحد شبستر افزود: همچنین شبکه عصبی کانولوشنال (CNN) برای تسریع در یادگیری بر روی دستگاه‌های محاسبات لبه سیار (MEC) ارائه و پیاده‌سازی می‌شود.

حیدری در ادامه توضیح داد: این دو روش با یکدیگر کار می‌کنند تا رویکرد تخلیه مناسب را در طول عملیات سیستم ارائه کنند، علاوه بر این، یادگیری انتقال برای مقداردهی اولیه Qtable به کار گرفته شد که موجب افزایش اثربخشی سیستم شدند.

وی خاطرنشان کرد: شبیه‌سازی در این مقاله که از Cooja و TensorFlow استفاده می‌کرد، نشان داد، این استراتژی در پنج محک از نظر تأخیر ۴.۱%، راندمان دستگاه IoT ۲.۹ ٪، مصرف انرژی ۳.۶ ٪ و نرخ شکست شغلی به طور متوسط ۲.۶٪ عملکرد بهتری دارد.

به گزارش آنا، آرش حیدری از رساله خود پنج مقاله JCR منتج کرده که دو مقاله در Q۱، دو مقاله Q۲ و یک مقاله در Q۳ چاپ شده است.