Key points are not available for this paper at this time.
의료 사물 인터넷(IoMT)은 최근 의료 산업에서 많은 관심을 받고 있습니다. IoMT는 환자의 건강 상태를 실시간으로 그리고 어디서나 모니터링할 수 있게 하며, 이에 따라 대량의 의료 데이터가 생성됩니다. 중앙 집중식으로 대량의 데이터를 처리하는 것은 일반적인 클라우드 컴퓨팅에 큰 부담을 주어 다양한 실시간 의료 애플리케이션을 지원할 수 없게 만듭니다. 따라서 애플리케이션 프로그램과 데이터 처리를 중앙 인프라에서 엣지 노드로 이동시키는 엣지 컴퓨팅이 널리 주목받고 있습니다. 그러나 IoMT의 분산된 특성과 높은 실시간 서비스 요구 사항으로 인해 기존의 엣지 서버(ES) 배치 전략을 IoMT에 적용하는 것은 적합하지 않습니다. 특히, IoMT 시스템에서 전통적인 ES 배치 전략은 ES 간의 주요 부하 불균형, 지연 문제 및 에너지 소비 문제에 직면하게 됩니다. 이러한 문제를 해결하기 위해, 상태-행동-보상-상태-행동(SARSA) 학습에 기반한 ES의 배치 전략인 ESL이 설계되었습니다. 구체적으로, ES는 실루엣 계수(SC)와 제곱 오차의 합을 평가하여 정량화됩니다. 이후 퍼지 C-평균(FCM) 알고리즘을 통해 건강 모니터링 단위(HMU)의 초기 분할과 ES의 초기 위치가 파악됩니다. 마지막으로, SARSA 학습을 통해 ES의 배치가 결정됩니다. 더욱이, 광범위한 실험과 분석은 ESL이 ES 간의 부하 균형을 최적화하는 핵심 목표를 달성하는 동시에 요청-응답 지연 및 요청 처리 에너지 소비도 최적화함을 확인합니다.
Yan et al. (Tue,)는 이 문제를 연구했습니다.