عنوان	توسعه مدلهای کوچک یادگیری ماشین برای توزیع بهینه بارهای کاری در شبکه های لبه
نوع پژوهش	مقاله چاپ‌شده در مجلات علمی
کلیدواژه‌ها	اینترنت اشیاء، محاسبات لبه، یادگیری ماشین، توزیع بارکاری، کیفیت سرویس.
چکیده	عداد دستگاه‌های متصل به شبکه‌ی اینترنت اشیاء (IoT) به‌سرعت در حال افزایش است و این روند، منجر به افزایش قابل توجه بار محاسباتی در شبکه‌ها شده است. برای مقابله با این چالش، محاسبات ابری به‌عنوان یک راهکار مناسب معرفی شد؛ اما محاسبات ابری به‌دلیل فاصله‌ی زیاد با دستگاه‌های لبه، تأخیر قابل توجهی را در پردازش بارهای کاری به همراه دارد. پردازش بارهای کاری در لبه‌ی شبکه و به‌صورت محلی می‌تواند میزان تأخیر را کاهش دهد. با این حال، به‌دلیل محدودیت منابع محاسباتی در لبه، مدیریت منابع و بهینه‌سازی استفاده از آن‌ها به‌عنوان یکی از چالش‌های اساسی در پردازش لبه مطرح است. از این‌رو، علاوه بر توزیع بار کاری در لبه و حفظ تعادل میان انرژی مصرفی و تأخیر، باید محدودیت‌هایی همچون حافظه‌ی مصرفی نیز مدنظر قرار گیرد. در این مقاله، یک روش برخط مبتنی بر سیستم‌های طبقه‌بندی‌کننده‌ی یادگیری (LCS) به نام TinyXCS و یک روش برون‌خط مبتنی بر درخت تصمیم به نام TinyDT برای متعادل‌سازی مصرف انرژی و کاهش تأخیر در پردازش بارهای کاری با در نظر گرفتن محدودیت حافظه در لبه‌ی شبکه پیشنهاد شده‌اند.
پژوهشگران	محمدرضا پورحسینی (نفر اول)، مهدی عباسی (نفر دوم)، احسان محمدی پسند (نفر سوم)