مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 2 2025 10 18 Safe Offloading Based on Federated Learning in the Fog Computing Environment Using Software-Defined Networks تخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرم‌افزار محور 111 120 fa محمدرضا شرفی هویدا دانشگاه آزاد میبد محمد رضا ملاحسینی دانشگاه آزاد اسلامی میبد ایران وحید آیت الهی تفتی تفت 2024 11 10 <div class="markdown-body antialiased typing-container"> <p>The Internet of Things poses significant challenges in data processing and storage due to the large volume of data generated, including latency, location awareness, and real-time mobility support. Edge computing is recognized as an effective solution to these challenges. This paper examines various secure offloading methods based on collaborative learning in edge computing environments using software-defined networking and analyzes four optimization methods: SDN, SA+GA, OLB-LBMM, and Round-Robin. The main objective of this research is to improve performance and security in the data offloading process while addressing existing challenges. The SDN method provides a flexible framework for managing resources and data in IoT networks, demonstrating better performance than other methods. By reducing latency and optimizing resource allocation, it enhances user satisfaction and increases revenue for cloud service providers. Additionally, the SA+GA and OLB-LBMM algorithms offer improvements in efficiency and security, although they face challenges related to latency and computational complexity. The results indicate that collaborative learning combined with SDN can significantly enhance secure data offloading and enable dynamic network resource management. This research can serve as a foundation for future studies aimed at optimizing data offloading processes in edge computing environments.</p> </div> <div class="chat-index-message-content"> </div> <div class="message-metadata-button-container buttons-left-top"> </div> <div class="message-metadata-button-container buttons-right-top"> </div> <div class="markdown-body antialiased typing-container"> <p style="direction: rtl;">در اینترنت اشیا به دلیل حجم بالای داده&zwnj;ها، چالش&zwnj;های قابل توجهی در پردازش و ذخیره&zwnj;سازی اطلاعات هست که نیاز به توجه دارد؛ از جمله تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی. محاسبات مه به عنوان یک راهکار مؤثر برای این چالش&zwnj;ها شناخته می&zwnj;شود. این مقاله به بررسی روش&zwnj;های مختلف تخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرم&zwnj;افزارمحور می&zwnj;پردازد و چهار روش بهینه&zwnj;سازی شامل SDN، SA+GA، OLB-LBMM و Round-Robin را مورد تحلیل و مقایسه قرار می&zwnj;دهد. هدف اصلی این تحقیق، بهبود عملکرد و امنیت در فرایند تخلیه داده&zwnj;ها با توجه به چالش&zwnj;های موجود است. روش شبکه نرم&zwnj;افزارمحور به عنوان یک چارچوب منعطف برای مدیریت منابع و داده&zwnj;ها در شبکه&zwnj;های اینترنت اشیا، عملکرد بهتری نسبت به سایر روش&zwnj;ها ارائه می&zwnj;دهد و با کاهش تأخیر و بهینه&zwnj;سازی تخصیص منابع، موجب افزایش رضایت کاربران و درآمد ارائه&zwnj;دهندگان خدمات ابری می&zwnj;شود. همچنین الگوریتم&zwnj;های SA+GA و OLB-LBMM بهبودهایی در کارایی و امنیت ارائه می&zwnj;دهند، اما با چالش&zwnj;هایی در تأخیر و پیچیدگی محاسباتی <br />مواجه هستند. نتایج نشان می&zwnj;دهند که یادگیری مشارکتی در ترکیب با شبکه نرم&zwnj;افزارمحور می&zwnj;تواند بهبود قابل توجهی در تخلیه امن داده&zwnj;ها و مدیریت منابع شبکه ایجاد کند.</p> </div> <div class="chat-index-message-content"> </div> <div class="message-metadata-button-container buttons-left-top"> </div> <div class="message-metadata-button-container buttons-right-top"> </div>

http://ijece.org/fa/Article/Download/48486