فهرست نشریات علمی دسترسی آزاد ایران

شبکه‌های DSDN  از مجموعه‌ای مراکز داده و بخش پردازش لبه تشکیل شده‌اند که با چالش‌های جدی در زمینه مدیریت منابع و توازن بار روبه‌رو هستند. در این پژوهش، یک معماری دوسطحی برای بهبود عملکرد این شبکه‌ها ارائه می‌شود. در سطح مراکز داده، یک روش خوشه‌بندی تطبیقی مبتنی بر توزیع ترافیک تحت عنوان CAAF-DSDN معرفی شده است. در سطح دوم نیز یک شبکه عصبی گرافی نوین به نام GCSS-ODE مبتنی بر نظریه فضا-حالت و حل معادلات دیفرانسیل عصبی طراحی شده است که توانایی پیش‌بینی منابع مورد نیاز در پردازش لبه را دارد. روش پیشنهادی از طریق بهینه‌سازی توزیع بار و مهاجرت ماشین‌های مجازی در سطح مراکز داده و نیز بهبود پیش‌بینی و تخصیص منابع در لبه شبکه، به افزایش کارایی شبکه‌های پیچیده DSDN منجر می‌شود. نتایج حاصل از ارزیابی‌ها نشان می‌دهد که این روش توانسته است موجب11.95٪  کاهش تأخیر پاسخگویی، 23.18٪ بهبود در توازن بار و 13.62٪ کاهش در تأخیر کلی شبکه گردد.