Key points are not available for this paper at this time.
Cybertwin (CT) هو هيكل شبكة مبتكر يحاكي رقميًا البشر والأشياء في بيئة افتراضية، مؤثرًا بشكل كبير على حالات Cybertwin أكثر من الأجهزة الافتراضية التقليدية. توفر الشبكات المدفوعة بواسطة Cybertwin، جنبًا إلى جنب مع الحوسبة الطرفية المتنقلة (MEC)، خيارات عملية لنقل بيانات تمكين IoT. يقدم هذا البحث منهجية هجينة تدمج التعلم العميق مع تخصيص الموارد المدفوع بواسطة Cybertwin لتعزيز تحميل الأعمال بكفاءة الطاقة وإدارة الموارد في شبكات MEC. يعتبر تحميل الأعمال أمرًا أساسيًا في شبكات MEC نظرًا لأن العديد من التطبيقات تتطلب موارد كبيرة. يأخذ النهج المدفوع بواسطة Cybertwin في الاعتبار تنقل المستخدم، والتخيل، وقوة المعالجة، وتنقل الأحمال، وطلب الموارد كعناصر حاسمة في عملية صنع القرار للتفريغ. يقوم النموذج بتحسين تخصيص الوظائف بين التنفيذ المحلي والدولي باستخدام استراتيجية تحميل المهام لتقليل العبء التشغيلي على شبكة MEC. يستخدم النموذج نهج تقسيم هجينة ودالة تكلفة لتحسين تخصيص الموارد بكفاءة. تأخذ دالة التكلفة هذه في الاعتبار استهلاك الطاقة وتأخيرات الخدمة المرتبطة بتعيين الوظائف، والتنفيذ، والإيفاء. يقوم النموذج بحساب تكلفة إجراءات التقسيم والتحميل المختلفة ويختار أقل تكلفة لتعزيز كفاءة الطاقة والأداء. يستخدم النهج بنية تعلم عميق تُسمى "CNN-LSTM-TL" لتحقيق تحميل مهام بكفاءة الطاقة، مستفيدًا من نماذج التعلم الانتقالي المدربة مسبقًا. يتم استخدام تطبيع الدفعات لتسريع تدريب النموذج وتحسين متانته. يتم تدريب النموذج وتقييمه باستخدام مجموعة بيانات عامة واسعة من الحوسبة الطرفية المتنقلة. تؤكد النتائج التجريبية فعالية المنهجية المقترحة، مشيرة إلى انخفاض بنسبة 20% في استهلاك الطاقة مقارنة بالطرق التقليدية مع تحقيق مستويات أداء مماثلة أو متفوقة. تؤكد دراسات المحاكاة على فوائد دمج رؤى Cybertwin المدفوعة في تخصيص الموارد وتقنيات تحميل الأعمال. يعزز هذا البحث شبكات MEC الموفرة للطاقة والواعية بالموارد من خلال دمج تقنيات Cybertwin المدفوعة.
درس ليلهور وزملاؤه (Sat,) هذا السؤال.