30 آگوست 2022 – توسط دیوید بردلی، Inderscience -اعتبار: دامنه عمومی Pixabay/CC0
در حالی که اشتیاق برای رایانش ابری از بین نرفته است، خدماتی را که ارائه می‌کند اضافه می‌کند تا جنبه‌های خاصی از «ابر» را به کاربر نزدیک‌تر کند – اصطلاحاً محاسبات لبه. با نزدیک‌تر کردن منابع خاص به رایانه خود کاربر، محاسبات لبه می‌تواند عملکرد را بهبود بخشد و تأخیر یا تأخیر بین فرمان کاربر و پاسخ سیستم را کاهش دهد. با این حال، افزایش تقاضا برای خدمات لبه به این معنی است که وعده بزرگ آنها ممکن است در دنیایی که به طور فزاینده ای متصل و همراه است محقق نشود.
فیلونگ یو، جینگ لی، مینگ ژو و شیوکون یان از کالج علوم و فناوری کامپیوتر در دانشگاه صنعتی شاندونگ در زیبو، چین، یک مدل انتخاب خدمات برای محیط‌های رایانش ابری و لبه‌ای پیشنهاد کرده‌اند. این تیم توضیح می‌دهد: «مدل پیشنهادی الگوریتم بهینه‌سازی مرغ دریایی و الگوریتم بازپخت شبیه‌سازی شده را ترکیب می‌کند. الگوریتم مرغ دریایی رفتار مهاجرت و حمله مرغان دریایی را به گونه ای رمزگذاری می کند که می توان از آن برای حل مسائلی مانند تخصیص و مسیریابی منابع محاسباتی استفاده کرد. استفاده از الگوریتم بازپروری شبیه سازی شده در ارتباط با الگوریتم مرغ دریایی به سیستم کمک می کند تا از حداکثر مشکلات محلی و همگرایی زودهنگام جلوگیری کند، که اغلب آفت سایر رویکردها برای مشکلات مشابه است.
این تیم آزمایش‌های مقایسه‌ای را روی مجموعه‌های داده شبیه‌سازی شده با ارجاع به برخی مدل‌های انتخاب خدمات دیگر انجام داده‌اند و نشان داده‌اند که مدل انتخاب پیشنهادی QoS (کیفیت خدمات) را بهبود می‌بخشد و به تکرارهای کمتری نیاز دارد. چنین تقویتی در محاسبات لبه‌ای، عملکرد نرم‌افزارها و برنامه‌هایی را که از پردازش زبان طبیعی، تشخیص چهره و پردازش ویدیو استفاده می‌کنند، بهبود می‌بخشد که همه آن‌هایی هستند که تیم آن را «حساس به تاخیر و تقاضای فشرده» توصیف می‌کند.
گام بعدی نشان دادن اثبات اصل با یک راه‌اندازی در دنیای واقعی و سپس بهینه‌سازی رویکرد از نظر به حداقل رساندن مصرف انرژی برای رسیدگی به مسائل مورد نیاز انرژی پردازش، توان بی‌کار و مصرف غلط نیرو است.
