Key points are not available for this paper at this time.
ظهر الحساب الطرفي المتنقل (MEC) كبديل للحوسبة السحابية لتلبية متطلبات الكمون وجودة الخدمة (QoS) للأجهزة المحمولة. في هذه الورقة، نتناول مشكلة تخصيص موارد الخادم في MEC. نظرًا لظروف الحمل الديناميكية على خوادم MEC، يجب استخدام مواردها بشكل ذكي لتلبية متطلبات QoS للمستخدمين وتقليل استهلاك الطاقة للخادم. نقدم خوارزمية جديدة لتخصيص الموارد، تسمى هجرة الطاقة التوسعية (PowMigExpand). تقوم خوارزميتنا بتعيين طلبات المستخدمين إلى الخادم الأمثل وتخصيص كمية مثلى من الموارد لمعدات المستخدم (UE) استنادًا إلى دالة المنفعة الشاملة لدينا. تقوم PowMigExpand أيضًا بترحيل طلبات UE إلى خوادم جديدة، عند الحاجة بسبب تنقل المستخدمين. نقدم أيضًا خوارزمية اقتصادية منخفضة التكلفة لتخصيص ذكي فعال للطاقة (EESA) تستخدم التعلم العميق لتخصيص الطلبات بكفاءة للطاقة إلى الخوادم المثلى. تأخذ الخوارزميات المقترحة في الاعتبار الحمل المتغير للطلبات الواردة وطبيعتها المتنوعة، وتفعيل الخوادم بكفاءة الطاقة، وترحيل الآلات الافتراضية (VM) لتخصيص الموارد الذكي، وبالتالي، هي النهج الشامل الأول لمعالجة مشكلة تخصيص الموارد المعقدة ومتعددة الأبعاد باستخدام التعلم العميق. نقارن خوارزميتنا المقترحة مع أساليب تخصيص الموارد الأخرى ونظهر أن نهجنا يمكن أن يتعامل بشكل أفضل مع ظروف الحمولة الديناميكية. تعمل الخوارزميات المقترحة على تحسين معدل الخدمة والمنفعة العامة مع الحد الأدنى من استهلاك الطاقة. في المتوسط، تخفض استهلاك الطاقة لمراكز الحافة المتنقلة (MESs) بنسبة 26% وتحسن معدل الخدمة بنسبة 23%، مقارنةً بالخوارزميات الأخرى. نحصل أيضًا على دقة تزيد عن 70% في EESA في تخصيص موارد عدة خوادم لعدة مستخدمين.
ستاد علي وآخرون (الأربعاء) هذه المسألة.