مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231Multi-Agent Deep Reinforcement Learning-Based Decentralized Computation Offloading in Mobile Edge Computing برون‌سپاری محاسبات غیرمتمرکز مبتنی بر یادگیری تقویتی عمیق چندعامله در رایانش لبه همراه151168faآتوسادقایقیدانشكده مهندسی كامپيوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران، محسننیک رایدانشكده مهندسي كامپيوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران، 2023104It is hardly possible to support latency-sensitive and computational-intensive applications for mobile devices with limited battery capacity and low computing resources. The development of mobile edge computing and wireless power transfer technologies enable mobile devices to offload computing tasks to edge servers and harvest energy to extend their battery lifetime. However, computation offloading faces challenges such as the limited computing resources of the edge server, the quality of the available communication channel, and the limited time for energy harvesting. In this paper, we study the joint problem of decentralized computation offloading and resource allocation in the dynamic environment of mobile edge computing. To this end, we propose a multi-agent deep reinforcement learning-based offloading scheme that considers the cooperation between mobile devices to adjust their strategies. To be specific, we propose an improved version of the multi-agent deep deterministic policy gradient algorithm by employing the features of clipped double Q-learning, delayed policy update, target policy smoothing, and prioritized experience replay. The simulation results reveal that the proposed offloading scheme has better convergence performance than other baseline methods and also reduces the average energy consumption, average processing delay and task failure rate.پشتیبانی از برنامه&zwnj;های کاربردی حساس به تأخیر و نیازمند محاسبات سنگین برای دستگاه&zwnj;های همراه با ظرفیت باتری محدود و منابع محاسباتی کم به&zwnj;سختی امکان&zwnj;پذیر است. توسعه فناوری&zwnj;های رایانش لبه همراه و انتقال توان بی&zwnj;سیم به دستگاه&zwnj;های همراه امکان می&zwnj;دهند تا وظایف محاسباتی خود را به سرورهای لبه برون&zwnj;سپاری کنند و انرژی را برای افزایش طول عمر باتری خود برداشت کنند. با این حال برون&zwnj;سپاری محاسبات با چالش&zwnj;هایی مانند منابع محاسباتی محدود سرور لبه، کیفیت کانال ارتباطی موجود و زمان محدود برای برداشت انرژی مواجه است. ما در این مقاله مسئله مشترک برون&zwnj;سپاری محاسبات و تخصیص منابع غیرمتمرکز را در محیط پویای رایانش لبه همراه مطالعه می&zwnj;کنیم. برای این منظور یک طرح برون&zwnj;سپاری مبتنی بر یادگیری تقویتی عمیق چندعامله را پیشنهاد می&zwnj;دهیم که همکاری بین دستگاه&zwnj;های همراه را برای تنظیم استراتژی&zwnj;هایشان در نظر می&zwnj;گیرد. به طور خاص، ما یک نسخه بهبودیافته الگوریتم گرادیان سیاست قطعی عمیق چندعامله را با به&zwnj;کارگیری ویژگی&zwnj;های clipped double Q-learning، به&zwnj;روزرسانی با تأخیر سیاست، هموارسازی سیاست هدف و بازپخش تجربه اولویت&zwnj;بندی&zwnj;شده پیشنهاد می&zwnj;دهیم. نتایج شبیه&zwnj;سازی نشان می&zwnj;دهند طرح برون&zwnj;سپاری پیشنهادی، عملکرد همگرایی بهتری نسبت به سایر روش&zwnj;ها دارد و همچنین میانگین مصرف انرژی، میانگین تأخیر پردازش و نرخ شکست وظیفه را کاهش می&zwnj;دهد.

http://ijece.org/fa/Article/Download/44275

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231Improvement of Integrated Wireless Networks by Markov Gamesبهبود شبکه های بی سیم تلفیقی به وسیله بازی های مارکوف169182faپیامپرکار رضائیهگروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران،ایرانحمیدشکرزادهگروه مهندسی کامپیوتر، واحد پردیس، دانشگاه آزاد اسلامی، پردیس، ايرانمهدیدهقان تخت فولادیگروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه امیرکبیر، تهران، ایران امیرمسعودرحمانیگروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران20221025Nowadays integrated wireless networks have become very important. Among the important technologies in this field is the combined technology of visible light and radio frequency communications, an important example of which is the combination of Wi-Fi and Li-Fi local networks. This combination covers the weaknesses and strengthens the strengths of the local wireless network. Also, an issue that can increase productivity in the network is load balancing, especially when the presence of access points from both networks will lead to more choices. In fact, in the proposed access point selection algorithm in this research, it has been done in such a way that when being at an access point, the decision to choose the location is based on the balance between the factors in the Markov game based on the strategic behavior of objects. In this way, network delay will be reduced and load balance will be increased. Therefore, a dynamic method has been proposed, which can be used to make decisions according to the conditions at any time, especially when the topology changes in the network. The proposed method has advantages such as dynamic selection of access points according to network conditions, direct feedback on the efficiency of the network and shared channel, intelligence and learning towards changes to select points, interaction with similar agents in nodes, and reducing the probability of congestion at each access point. Also, with the increase in user traffic, which leads to congested conditions and the possibility of congestion in nodes and access points, this method helps more in terms of load balancing and reducing the level of congestion. So that its difference with compared methods that use more stable techniques such as fuzzy method increases significantly. According to the obtained results, this method has been able to improve the efficiency of the local network by more than 10% compared to the previous methods such as the fuzzy method and more than 30% compared to the SSS selection policy in high traffic load conditions.امروزه شبکه&zwnj;های بی&zwnj;سیم تلفیقی اهمیت فراوان پیدا کرده&zwnj;اند. ازجمله فناوری&zwnj;های مهم در این زمینه، فناوری تلفیقی ارتباطات نور مرئی و فرکانس رادیویی است که نمونه مهم آن، ترکیب شبکه&zwnj;های محلی Wi-Fi و Li-Fi است. این ترکیب موجب پوشش نقاط ضعف و تقویت نقاط قوت شبکه بی&zwnj;سیم محلی می&zwnj;شود. همچنین موضوعی که می&zwnj;تواند بهره&zwnj;وری را در شبکه افزایش دهد تعادل بار است؛ به&zwnj;ویژه وقتی وجود نقاط دسترسی از هر دو شبکه موجب انتخاب&zwnj;های بیشتر خواهد شد. در واقع در الگوریتم انتخاب نقطه دسترسی روش پیشنهادی در این پژوهش به گونه&zwnj;ای عمل شده که در هنگام قرارگرفتن در یک نقطه دسترسی، تصمیم&zwnj;گیری برای انتخاب محل قرارگیری بر پایه تعادل بین عامل&zwnj;های موجود در بازی مارکوف در رفتار استراتژیک اشیا باشد و به این ترتیب میزان تأخیر شبکه کاهش یافته و تعادل بار افزایش خواهد یافت. بدین ترتیب یک روش پویا پیشنهاد شده که با استفاده از آن در هر زمان و به&zwnj;ویژه هنگام تغییر توپولوژی در شبکه، تصمیمات متناسب با شرایط گرفته می&zwnj;شود. روش پیشنهادی مزایایی همچون انتخاب پویای نقاط دسترسی با توجه به شرایط شبکه، بازخورد مستقیم از کارایی شبکه و کانال اشتراکی، هوشمندی و یادگیری نسبت به تغییرات برای انتخاب نقاط، تعامل با عامل&zwnj;های مشابه در گره&zwnj;ها و کاهش احتمال ازدحام در هر نقطه دسترسی دارد. همچنین با افزایش ترافیک کاربران (که منجر به شرایط پرازدحام میشود و احتمال ازدحام در گرهها و نقاط دسترسی بالا می&zwnj;رود)، این روش کمک بیشتری را نسبت به توازن بار و کاهش سطح ازدحام مینماید به طوری که اختلاف آن با روشهای مورد مقایسه که از تکنیکهای ثابتتری مانند روش فازی استفاده میکنند، افزایش چشمگیری مییابد. با توجه به نتایج به دست آمده این روش توانسته است بیش از 10% بهبود کارایی در شبکه محلی نسبت به روش&zwnj;های پیشین همچون روش فازی و بالاتر از 30% بهبود کارایی نسبت به سیاست انتخاب SSS در شرایط بار ترافیکی بالا ایجاد کند.

http://ijece.org/fa/Article/Download/39801

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231Improving Offloading in IIoT with Awareness of Energy and the Age of Information by Reinforcement Genetic Algorithmبهبود بارگذاری داده ها با در نظر گرفتن مقدار مصرف انرژی و تازگی اطلاعات در شبکه اینترنت اشیاء صنعتی با کمک الگوریتم ژنتیک تقویتی183196faسیدابراهیمدشتیدانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی، جهرم، ایران0000000232463275فاطمهمؤیدیگروه مهندسی کامپیوتر، مجتمع آموزش عالی لارستان، لار، ایرانعادلسالمیدانشکده برق و کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران202392With the increasing use of Internet of Things in daily life and especially in industry, improving efficiency and delay time with the help of data offloading is one of the goals of these issues. Controlling these factors will improve energy consumption and longer use of things batteries. In this article, the method is introduced to improve sensor data processing and edge and cloud computing in industrial Internet of Things systems. The architecture is considered in accordance with the real world; in this architecture, edge servers with computing capabilities at the edge of the network, especially Used in base stations. Delay-sensitive requests can be forwarded to nearby edge servers through wireless channels, thereby reducing traffic in the core network and user data transmission latency, especially for data-intensive industrial applications. In the Industrial Internet of Things aims to manage network resources, transfer calculations and minimize energy consumption in Internet of Things devices by guaranteeing the freshness of sensor data. The network environment and input tasks are variable with time. In this article, the environment of the problem and its limitations are expressed with formulas. This problem has been solved using the proposed genetic algorithm and reinforcement learning. The proposed solution has improved the dynamic environment of the problem for offloading data and tasks by considering energy and transferring calculations and data by considering their freshness. The results show an average improvement of 40% compared to the previous methods.با افزایش روزافزون کاربرد اینترنت اشیا در زندگی روزمره و مخصوصاً صنعت، بهبود کارایی و زمان تأخیر با کمک بارگذاری داده&zwnj;ها یکی از اهداف این مسائل شده است. کنترل این عوامل باعث بهبود مصرف انرژی و استفاده طولانی&zwnj;تر از باتری اشیا خواهد شد. در این مقاله روشی برای بهبود پردازش داده&zwnj;های حسگرها و محاسبات لبه و ابر در سیستم&zwnj;های اینترنت اشیای صنعتی معرفی گردیده و معماری مطابق با دنیای واقعی در نظر گرفته شده است. در این معماری از سرورهای لبه با قابلیت&zwnj;های محاسباتی در لبه شبکه به ویژه در ایستگاه&zwnj;های پایه استفاده می&zwnj;شود. درخواست&zwnj;های حساس به تأخیر می&zwnj;توانند از طریق کانال&zwnj;های بی&zwnj;سیم به سرورهای لبه نزدیک منتقل شوند؛ در نتیجه ترافیک در شبکه مرکزی و تأخیر انتقال داده کاربر را به ویژه برای برنامه&zwnj;های صنعتی با حجم داده زیاد کاهش دهد. هدف در اینترنت اشیای صنعتی، مدیریت منابع شبکه، انتقال محاسبات و کمینه&zwnj;سازی مصرف انرژی در دستگاه&zwnj;های اینترنت اشیا با تضمین تازگی داده&zwnj;های حسگر است. محیط شبکه و کارهای ورودی متغیر با زمان هستند. در این مقاله محیط مسئله و محدودیت&zwnj;های آن با فرمول بیان گردیده و این مسئله با استفاده از الگوریتم ژنتیک و یادگیری تقویتی پیشنهادی حل شده است. راه حل پیشنهادی سبب بهبود محیط پویای مسئله برای بارگذاری داده&zwnj;ها و کارها با در نظر گرفتن انرژی و انتقال محاسبات و داده&zwnj;ها با درنظرگیری تازگی آنها شده است. نتایج نشان&zwnj;دهنده بهبود متوسط 40 درصدی نسبت به روش&zwnj;های قبلی می&zwnj;باشد.

http://ijece.org/fa/Article/Download/43859

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231Automatic Test-Case Generation Based on Rule-Based Behavioral Specificationتولید خودکار آزمایه مبتنی بر توصیف رفتاری قاعده‌محور197206faعلیحبیبیدانشکده مهندسی برق و کامپیوتر، دانشکدگان فنی، دانشگاه تهران، تهران، ایران، رامتینخسرویدانشکده مهندسی برق و کامپیوتر، دانشکدگان فنی، دانشگاه تهران، تهران، ایران،2023913With the increasing use of software in safety-critical applications, such as the automotive, defense, and medical industries, achieving high levels of assurance regarding the quality of these software systems is essential. Model-based testing is an automated test-case generation method that, on one hand, provides relative assurance by covering a formal description of the system’s behavior, ensuring that various execution scenarios of the program are tested. On the other hand, by automating the generation of these test cases, it significantly reduces the cost of test production. In this research, a model-based testing framework is presented that utilizes a rule-based model and can generate test cases based on two criteria: rule coverage and active rule condition coverage. To generate test cases, this framework employs a search-based approach using a genetic algorithm. The proposed method enables the definition of a system with a large state space and the generation of test cases for it. The framework has been evaluated through a case study on an embedded industrial software, and the evaluation results demonstrate its applicability to real-world problems in the industry.با رشد روزافزون استفاده از نرم&zwnj;افزارها در کاربردهای ایمنی- بحرانی نظیر صنعت خودرو، صنایع دفاعی و صنایع پزشکی، کسب سطوح بالای اطمینان از کیفیت این نرم&zwnj;افزارها امری ضروری است. آزمون مبتنی بر مدل به عنوان یک روش تولید خودکار آزمایه از طرفی با پوشش&zwnj;دادن یک توصیف صوری از کارکرد سامانه اطمینانی نسبی ایجاد می&zwnj;کند که سناریوهای مختلف اجرای برنامه آزموده می&zwnj;شوند و از طرف دیگر با خودکارسازی تولید این آزمایه&zwnj;ها هزینه تولید آزمون را به شکل چشم&zwnj;گیری کاهش می&zwnj;دهد. در این پژوهش یک چارچوب آزمون مبتنی بر مدل ارائه شده که از یک مدل قاعده&zwnj;محور استفاده می&zwnj;کند و بر اساس دو معیار پوشش قاعده و پوشش شرط فعال قاعده توانایی تولید آزمایه دارد. برای تولید آزمایه، این چارچوب از یک رویکرد جستجومحور مبتنی بر الگوریتم ژنتیک استفاده می&zwnj;کند. روش پیشنهادی امکان تعریف یک سامانه با فضای حالت بزرگ و تولید آزمایه از آن را ارائه می&zwnj;دهد. این چارچوب با انجام مطالعه موردی روی یک نرم&zwnj;افزار نهفته صنعتی ارزیابی شده و نتایج ارزیابی&zwnj;ها نشان از کاربردی&zwnj;بودن آن در مسائل واقعی در صنعت دارند.

http://ijece.org/fa/Article/Download/44039

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231Sensors Positioning in IoT-Based Smart Parking Systems with Grasshopper Optimization Algorithmجایابی حسگرها در سیستم‌های پارکینگ هوشمند مبتنی بر اینترنت اشیاء با الگوریتم هوش جمعی ملخ207216faاحمدبراتیانگروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران اسماعيلخيرخواهگروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران000000015085336820231215Considering the growth of the population of cities and the number of vehicles that are increasing exponentially, a challenge in parking lots is the positioning of vehicles. In a smart parking system, the driver can park without delay and by spending less energy; But its requirement is to use sensors (empty parking spaces) and parking guides for this purpose. With the progress of research in the Internet of Things, researchers have provided promising solutions in the smart parking system based on wireless sensors. Among these researches is the use of the gray wolf algorithm (GWO) in the optimal positioning of wireless sensors in the Internet of Things parking environment. In this article, due to the search power and high convergence of the Grasshopper Optimization Algorithm (GOA), this algorithm is used for the first time in the positioning of wireless sensors in the parking lot. The grasshopper optimization algorithm is used to determine the best anchor nodes to collect data from other sensors; So that it can reduce the positioning error and energy consumption of the sensors and increase their lifespan. The results showed that the proposed method was able to achieve an average improvement of 5.92% in reducing the positioning error, 6.43% in reducing the amount of energy consumption and 23.6% in increasing the lifetime of the network compared to the gray wolf algorithm. Also, the proposed method has been able to have more time for the first node to die, and this is an important advantage in smart parking because the efficiency of all sensors in the parking environment is required.با توجه به رشد جمعیت شهرها و تعداد وسایل نقلیه که به صورت تصاعدی در حال افزایش است، یک چالش در پارکینگ&zwnj;ها، جایابی وسایل نقلیه است. در یک سیستم پارکینگ هوشمند، راننده می&zwnj;تواند بدون تأخیر و با صرف انرژی کمتر پارک کند؛ ولی الزام آن استفاده از حسگرها (جای پارک خالی) و راهنماهای پارکینگ برای این منظور است. با پیشرفت تحقیقات در اینترنت اشیا، محققان در سیستم&zwnj; پارکینگ هوشمند مبتنی بر حسگرهای بی&zwnj;سیم، راهکارهای امیدوارکننده&zwnj;ای ارائه نمودند. از جمله این تحقیقات، استفاده از الگوریتم گرگ خاکستری (GWO) در موقعیت&zwnj;یابی بهینه حسگرهای بی&zwnj;سیم در محیط اینترنت اشیای پارکینگ است. در این مقاله با توجه به قدرت جستجو و همگرایی بالای الگوریتم بهینه&zwnj;سازی ملخ (GOA) برای اولین بار از این الگوریتم در جایابی حسگرهای بی&zwnj;سیم در پارکینگ استفاده شده است. الگوریتم بهینه&zwnj;سازی ملخ برای مشخص&zwnj;کردن بهترین گره&zwnj;های لنگر برای جمع&zwnj;آوری داده از سایر حسگرها به&zwnj;کار می&zwnj;رود؛ به طوری که بتواند خطای موقعیت&zwnj;یابی و میزان مصرف انرژی حسگرها را کاهش و طول عمر آنها را افزایش دهد. نتایج نشان داد که روش پیشنهادی توانسته به طور میانگین بهبود %92/5 در کاهش خطای موقعیت&zwnj;یابی، %43/6 در کاهش میزان مصرف انرژی و %23/6 در افزایش میزان طول عمر شبکه نسبت به الگوریتم گرگ خاکستری داشته باشد. همچنین روش پیشنهادی توانسته زمان بیشتری برای مرگ اولین گره داشته باشد و این یک مزیت مهم در پارکینگ&zwnj;های هوشمند بوده است؛ زیرا کارایی تمام حسگرها در محیط پارکینگ الزامی می&zwnj;باشد.

http://ijece.org/fa/Article/Download/45070

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231Development of an Enhanced Multi-Objective Algorithm for Optimal Quality-aware Web Service Composition in the Internet of Thingsارائه الگوریتم چندهدفه بهبودیافته به منظور انتخاب بهینه در ترکیب وب‌سرویس‌های آگاه به کیفیت در اینترنت اشیا217225faنرگسظهیریگروه مهندسی نرم‌افزار، دانشکده برق و کامیپوتر، دانشگاه کاشان، کاشان، ایران فرشتهدهقانیگروه هوش مصنوعی، دانشکده برق و کامیپوتر، دانشگاه کاشان، کاشان، ایران0000000162621898سلمانگلیروه مهندسی نرم‌افزار، دانشکده برق و کامیپوتر، دانشگاه کاشان، کاشان، ایران202366The emergence of the Internet of Things (IoT) has intensified the focus on web service composition and the fulfillment of increasingly complex and diverse user requirements. IoT-based systems often encounter numerous service candidates with varying qualitative attributes, presenting a significant challenge in selecting an optimal combination. This problem, categorized as NP-hard, requires efficient approaches for resolution. This study proposes a near-optimal solution for web service composition in IoT environments by leveraging the NSGA-III multi-objective metaheuristic algorithm to identify the optimal Pareto front. To further enhance the quality and diversity of the solutions, an improved algorithm integrating NSGA-III with a novel fitness function is introduced. The proposed approach optimizes service composition using nine quality parameters, which are subsequently streamlined into three principal objectives for better computational efficiency. Experimental evaluations demonstrate that the proposed method outperforms the baseline NSGA-III algorithm in terms of the average performance of two out of three objectives. Additionally, the approach achieves an average of 11% higher coverage based on performance indices and exhibits superior solution distribution and dispersion compared to alternative algorithms.با ظهور اینترنت اشیا، مسئله ترکیب وب&zwnj;سرویس&zwnj;ها و برآورده&zwnj;کردن نیازهای متعدد و پیچیده از سوی کاربران بیش از پیش مورد توجه قرار گرفته است. به منظور ارائه خدمت به برنامه&zwnj;های کاربردی سیستم&zwnj;های مبتنی بر اینترنت اشیا، کاندیداهای متفاوتی با ویژگی&zwnj;های کیفی گوناگون وجود دارند. بنابراین یک چالش اساسی، انتخاب یک ترکیب بهینه از میان این کاندیداها به عنوان یک مسئله NP-hard است. در این مقاله، راه&zwnj;حل نزدیک به بهینه برای حل مسئله ترکیب وب&zwnj;سرویس در اینترنت اشیا و یافتن جبهه بهینه پارتو با استفاده از الگوریتم جستجوی فراابتکاری چندهدفه NSGA-III ارائه شده و سپس به منظور افزایش کیفیت و تنوع راه&zwnj;حل&zwnj;ها، الگوریتم بهبودیافته&zwnj;ای با ترکیب الگوریتم NSGA-III و تابع برازندگی جدید پیشنهاد گردیده است. به منظور بهینه&zwnj;سازی ترکیب سرویس&zwnj;ها در الگوریتم پیشنهادی از 9 پارامتر کیفی استفاده شده و در ادامه برای عملکرد بهتر به سه هدف اصلی تبدیل شده&zwnj;اند. نتایج آزمایش&zwnj;ها نشان می&zwnj;دهند که رویکرد پیشنهادی از نظر میانگین دو هدف از سه هدف در مقایسه با الگوریتم NSGA-III نتیجه بهتری دارد. همچنین از نظر شاخص&zwnj;های عملکردی توانسته به طور میانگین به 11 درصد پوشش بیشتر دست یابد و هم از لحاظ توزیع راه&zwnj;حل&zwnj;ها و هم از لحاظ پراکندگی نسبت به سایر الگوریتم&zwnj;ها عملکرد بهتری داشته باشد.

http://ijece.org/fa/Article/Download/42589

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231Content Sharing Using D2D communications over 5G Networksاشتراک محتوا با استفاده از ارتباطات D2D بر روی شبکه 5G‌226234faمیثمکارگر سفیددشتیگروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایران مرضیه ورپشتیگروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایرانلیلاصمیمی دهکردیگروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایران2023630The rapid development of intelligent hardware, Internet of Things (IoT), and the emergence of various applications has led to an unprecedented increase in mobile data traffic. Therefore, the efficiency of network resource utilization and bandwidth needs to be improved effectively. Currently, Device-to-Device (D2D) communication technology can provide an effective tool for enhancing 5G networks by enabling direct communication between devices. The use of D2D communication can reduce the load on the 5G network and improve service quality. One of the main issues in this regard is how to manage communication resources and select communication links. In this article, we examine the problem of managing D2D communication links for content transmission between communication devices and formulate it as a binary linear optimization problem. To solve this problem, we propose a method based on game theory, where considering user devices containing the desired files for transmission as players, we design an exact potential game and then propose a distributed learning algorithm to reach a Nash equilibrium. Simulation results confirm the satisfactory performance of the proposed algorithm.توسعه سریع سخت&zwnj;افزار هوشمند و اینترنت اشیا و همچنین ظهور برنامه&zwnj;های کاربردی متنوع، منجر به افزایش بی&zwnj;سابقه ترافیک داده موبایل شده و بنابراین باید کارایی استفاده از منابع شبکه و پهنای باند به طور مؤثری بهبود یابد. در حال حاضر فناوری ارتباطی دستگاه به دستگاه (D2D) با فراهم&zwnj;کردن ارتباط مستقیم تجهیزات ارتباطی می&zwnj;تواند ابزار مؤثری برای تکمیل شبکه&zwnj;های G5 ارائه دهد که نتیجه استفاده از آن کاهش بار روی شبکه&zwnj; G5 و افزایش کیفیت خدمات است. در این زمینه یکی از مسائل اصلی، نحوه مدیریت منابع ارتباطی و انتخاب پیوندهای ارتباطی است. ما در این مقاله مسئله چگونگی مدیریت لینک&zwnj;های ارتباطی D2D برای انتقال محتوا بین تجهیزات ارتباطی را بررسی و آن را به صورت یک مسئله بهینه&zwnj;سازی خطی دودویی مدل می&zwnj;کنیم. برای حل این مسئله روشی بر اساس نظریه بازی پیشنهاد می&zwnj;کنیم که در آن با در نظر گرفتن تجهیزات کاربر حاوی فایل&zwnj;های مورد نظر برای انتقال به عنوان بازیکن، یک بازی پتانسیل دقیق طراحی و سپس برای رسیدن به نقطه تعادل نش یک الگوریتم یادگیری توزیع&zwnj;شده پیشنهاد می&zwnj;گردد. نتایج شبیه&zwnj;سازی کارایی مناسب الگوریتم پیشنهادی را تأیید می&zwnj;کنند.

http://ijece.org/fa/Article/Download/43039

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374522320241231A Survey on Controller Placement in Software-Defined Networksمروری بر مکان‌یابی کنترلرها در شبکه‌های تعریف‌شده نرم‌افزاری235242faمهدیسربازیگروه امور فناوری اطلاعات و امنیت فضای مجازی، معاونت اداری و مالی، دانشگاه کردستان، سنندج، ایران0000-0003-04335-3589محمدفتحیگروه مهندسی برق، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران20231021Software-defined networks (SDNs) are an emerging area in computer networks, enabling efficient resource management in the network by decomposing data and control plans. In SDNs, network controllers acting as the network operating systems, are responsible for serving application programs. Since a control plan consists of several controllers, the placement of network controllers is a challenging issue in complex networks. While the literature has explored the number of controllers and their placement in the network, several fundamental parameters remain unexplored. Therefore, this topic remains open for more investigations. In this paper, we survey the work in the literature on controller placement in SDNs and introduce the research challenges in this area. Additionally, we present potential future research directions to advance this field.شبکه تعریف&zwnj;شده نرم&zwnj;افزاری یکی از جدیدترین پیشرفت&zwnj;ها در زمینه شبکه&zwnj;های کامپیوتری است که با جداسازی سطح داده از سطح کنترل توانسته است منابع شبکه را به&zwnj;خوبی مدیریت کند. کنترلر&zwnj;ها در این شبکه&zwnj;ها، سیستم عامل شبکه هستند و مدیریت کل شبکه را با ارائه خدمات به برنامه&zwnj;های کاربردی بر عهده دارند. لایه کنترل در شبکه&zwnj;های پیچیده متشکل از چندین کنترلر است، ولی تعیین تعداد مناسب و مکان بهینه برای نصب کنترلرها در شبکه مسئله مهمی است. تعداد کنترلر بهینه مورد نیاز و بحث تعیین مکان بهینه برای نصب کنترلرها در شبکه در تحقیق&zwnj;های مختلفی بررسی شده&zwnj;اند؛ اما تعدادی از پارامترهای اساسی شبکه در این تحقیق&zwnj;ها نادیده گرفته شده&zwnj;اند و با وجود راه&zwnj;حل&zwnj;های ارائه&zwnj;شده، هنوز مسائل باز و چالش&zwnj;های حل&zwnj;نشده&zwnj;ای در مکان&zwnj;یابی کنترلرهای شبکه تعریف&zwnj;شده نرم&zwnj;افزاری وجود دارد که نیاز به توجه محققان دارد. این تحقیق مسئله مکان&zwnj;یابی کنترلرها را معرفی می&zwnj;کند و تعدادی از تحقیق&zwnj;های اخیر در این زمینه را دسته&zwnj;بندی و بررسی می&zwnj;نماید. در ادامه چالش&zwnj;ها و مسائل باز این مسئله مطرح می&zwnj;گردد و پیشنهادهایی برای تحقیق&zwnj;های آینده به محققان ارائه می&zwnj;شود.

http://ijece.org/fa/Article/Download/44474