فصلنامه تخصصی آرمان پردازش

چکیده پیشینه و اهداف: با پیشرفت شبکه‌های وسایل نقلیه و نیاز روزافزون به داده‌های دقیق و به‌موقع، چالش‌هایی مانند تأخیر در بازیابی داده‌ها و نگرانی‌های امنیتی به طور فزاینده‌ای مورد توجه قرار گرفته‌اند. روش‌های سنتی ذخیره‌سازی مبتنی بر ابر به دلیل فاصله زیاد بین وسایل نقلیه و سرورها، قادر به پاسخگویی به نیازهای زمانی و امنیتی نیستند. محاسبات لبه اگرچه راه‌حلی برای کاهش تأخیر است، اما به دلیل محدودیت‌های ذخیره‌سازی و مدیریت توزیع‌شده نیاز به بهبود دارد. پژوهش‌های پیشین عمدتاً بر یکی از جنبه‌های بهینه‌سازی (کاهش تأخیر یا افزایش امنیت) متمرکز بوده‌اند و کمتر به ترکیب این دو هدف پرداخته‌اند. هدف این مقاله ارائه مدل بهینه‌سازی نوآورانه ترکیبی با استفاده از یادگیری عمیق و زنجیره بلوکی که علاوه بر تضمین امنیت زمان و تاخیر را مد نظر داشته باشد. این هدف با بهبود محل کش و ذخیره سازی و بازیابی اطلاعات و ذخیره اطلاعات مهم در زنجیره بلوکی انجام شده است، تا مدل مقیاس‌پذیری و انعطاف‌پذیر در برابر تغییرات ترافیکی و تقاضای کاربران باشد.

روش‌ها‌: جامعه و نمونه شامل شبکه‌های وسایل نقلیه متحرک (VANETs) با در نظر گرفتن خدمت دهندههای لبه و گره‌های وسایل نقلیه است. که از مدل LSTM برای پیش‌بینی الگوهای ترافیکی و محبوبیت داده‌ها استفاده شده است و از زنجیره بلوکی با مکانیزم اجماع PoA و قراردادهای هوشمند برای ذخیره‌سازی امن داده ها استفاده شده است. ارزیابی عملکرد با معیارهای تأخیر، امنیت و مقیاس‌پذیری انجام شده است و با روش‌های موجود مانند Tabu Search, CCS-AGP, و Random Caching از نظر تأخیر و امنیت مقایسه شده اند

یافته‌ها: مدل پیشنهادی تأخیر را به طور قابل توجهی کاهش داده (۱۰٪ تا ۳۰٪ نسبت به روش‌های مورد مقایسه) است. استفاده از زنجیره بلوکی تنها ۸٪ تأخیر اضافی ایجاد کرد در حالی که امنیت را به سطح «بسیار بالا» رساند. و سیستم در برابر افزایش تعداد گره‌ها و حجم داده‌ها پایدار و مقیاس‌پذیر عمل کرد. نتایج شبیه‌سازی نشان داد که ترکیب یادگیری عمیق و زنجیره بلوکی توازن بهینه‌ای بین عملکرد و امنیت برقرار می‌کند.

نتیجه‌گیری: مدل پیشنهادی با ترکیب یادگیری عمیق و زنجیره بلوکی، نه تنها تأخیر را کاهش داده، بلکه امنیت و یکپارچگی داده‌ها را نیز تضمین کرده است.

چکیده یکی از مهم‌ترین کاربردهای اینترنت اشیا در حوزه سلامت، نظارت بر وضعیت بیماران از راه دور است. این فناوری به پزشکان امکان می‌دهد که به‌صورت لحظه‌ای وضعیت سلامت بیماران را بررسی کنند و این امر به‌ویژه برای افراد مبتلا یا مستعد به بیماری‌های قلبی بسیار حیاتی است. پیش‌بینی بیماری‌های قلبی عروقی به‌عنوان یک چالش پیچیده شناخته می‌شود که با دقت پایین در مدل‌های موجود روبه‌رو است. در این تحقیق، یک سیستم توصیه‌گر جدید برای پیش‌بینی بیماری‌های قلبی عروقی پیشنهاد شده است که از شبکه عصبی کانولوشنی برای تجزیه و تحلیل داده‌های فیزیولوژیکی بیماران استفاده می‌کند. داده‌های فیزیولوژیکی از بیماران به‌صورت از راه دور از طریق چهار حسگر بیولوژیکی شامل حسگر نوار قلب، حسگر فشار خون، حسگر ضربان قلب و حسگر قند خون جمع‌آوری می‌شوند. این داده‌ها سپس توسط یک کنترل‌کننده آردینو پردازش می‌شوند و مدل شبکه عصبی کانولوشنی برای پیش‌بینی بیماری قلبی عروقی به کار می‌رود، این مدل با قابلیت‌های برجسته در استخراج ویژگی‌های محلی و بدون نیاز به تحلیل پیچیده توالی زمانی، می‌تواند به‌طور موثری از داده‌های عددی ثابت مانند فشار خون، ضربان قلب، و قند خون برای تشخیص بیماری‌های قلبی استفاده کند. نتایج آزمایش‌ها نشان داد شبکه عصبی کانولوشنی توانسته است ویژگی‌های محلی و غیرزمانی داده‌ها را به‌طور مؤثری استخراج کرده و به مدل کمک کند تا دقت پیش‌بینی را به 98.90% برساند.