دانشگاه صنعتی خواجه نصیرالدین طوسی؛ تهران؛ ایران.
چکیده: (370 مشاهده)
با پیشرفت جامعه بشری و فناوری اطلاعات و ارتباطات، اینترنت اشیاء در ابعاد مختلف زندگی روزمره مردم و صنایع نفوذ کرده است. باوجود تمامی تسهیلات اینترنت اشیاء، به دلیل ساختار ضعیف امنیتی تبدیل به یکی از اهداف هکرها شده است. فناوری نوظهور بلاکچین با توجه به ویژگی‌های ذاتی از قبیل توزیع‌شدگی، امنیت، تغییرناپذیری و قابل بررسی بودن تبدیل راه‌حلی مناسب برای تأمین امنیت اینترنت اشیاء شده‌است. با این وجود ادغام اینترنت اشیاء و بلاکچین دارای چالش‌هایی از قبیل تأخیر، گذردهی، مقیاس‌پذیری و محدودیت توان دستگاه است. روش‌های یادگیری ماشین در حل مسائل پیچیده که برای انسان دشوار است، کارایی مناسبی از خود نشان داده‌اند. به همین دلیل اخیراً به عنوان یکی از روش‌های حل چالش‌های بلاکچین در اینترنت اشیاء مطرح شده‌اند. در این پژوهش برای بهبود چالش‌های بلاکچین در اینترنت اشیاء یک مدل جدید مبتنی بر عامل توصیه‌گر ارائه داده‌ایم. هدف مدل بهبود چالش گذردهی پایین بلاکچین در اینترنت اشیاء و همچنین محدودیت منابع دستگاه‌های اینترنت اشیاء برای استفاده از بلاکچین است. برای بهبود گذردهی عامل توصیه‌گر که از یادگیری تقویتی عمیق استفاده می‌کند با تنظیم اندازه و زمان ساخت بلاک می‌تواند گذردهی را بهبود دهد. همچنین، با توجه به توان محاسباتی دستگاه اینترنت اشیاء و میزان انرژی مورد نیاز برای فرآیند؛ استخراج بین انجام فرآیند استخراج در دستگاه اینترنت اشیاء و یا واگذاری به لایه لبه محاسباتی، رویکرد بهینه را اتخاذ می‌کند. رویکرد بهینه در این پژوهش رویکردی است میزان تأخیر و انرژی مصرفی فرآیند استخراج را کمینه سازد. در این پژوهش علاوه بر ارائه معماری منطقی، به گردش کار عناصر مدل پیشنهادی را نیز با جزئیات پرداخته شده‌است. طراحی مدل پییشنهادی را توسط روش اصل واحد برای حل چالش‌های بلاکچین در اینترنت اشیاء مورد بررسی قرار گرفته است و نقاط ضعف و قوت مدل بیان شده است.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
