تعداد دستگاههای متصل به شبکه اینترنت اشیاء به سرعت گسترش یافته است. این امر، موجب افزایش قابل توجه بار محاسباتی در شبکه شده است. برای غلبه بر این چالش، محاسبات ابری به عنوان یک راهکار مناسب ارائه شد. اما محاسبات ابری تأخیر قابل توجهی را برای پردازش بارها متحمل میشد. پردازش بارهای کاری در لبه شبکه عالوه بر کاهش زمان پاسخ موجب افزایش کیفیت خدمات میشود. همچنین باید به محدودیت منابع در لبه شبکه توجه داشت. بنابراین عالوه بر توزیع بارکاری در لبه شبکه و حفظ تعادل بین انرژی مصرفی و تأخیر، باید محدودیت منابع مانند حافظه مصرفی را در نظر گرفت. در این مقاله، از یک مدل یادگیری ماشین سبک بر پایه جنگل تصادفی با نام TinyRF برای متعادل کردن مصرف انرژی و کاهش تأخیر در پردازش بارهای کاری با درنظر گرفتن محدودیت حافظه در لبه شبکه پیشنهاد شده است. نتایج آزمایشهای ما نشاندهنده برتری TinyRF نسبت به روشهای مشابه است. شبیهسازی نشان میدهد که روش پیشنهادی میتواند عالوه بر توزیع بارکاری، سبب کاهش همزمان تأخیر و انرژی مصرفی و ایجاد مصالحه بین آنها و حافظه مصرفی شوند
