این روش جدید سرعت و قابلیت اطمینان شبکه‌های بی‌سیم را بهبود می‌بخشد!

یک روش جدید به نام حافظه پنهان (کَش) لبه با استفاده از فناوری “دوقلوی دیجیتال (Digital twin)” به‌طور قابل توجهی کارایی شبکه بی‌سیم را با پیش‌بینی داده‌های مورد نیاز کاربر و بهینه‌سازی فضای ذخیره‌سازی، بهبود می‌بخشد و در نتیجه، قابلیت اطمینان و سرعت شبکه را افزایش می‌دهد. محققان به دنبال آزمایش این روش در برنامه‌های کاربردی در دنیای واقعی هستند.

محققان علوم کامپیوتر تکنیک جدیدی را توسعه دادهآند که میزان داده‌ی مورد نیاز کاربران بی‌سیم را قبل از بُروز این نیاز پیش‌بینی می‌کند! این تکنیک برای افزایش سرعت و قابلیت اطمینان شبکه‌های بی‌سیم با استفاده از فناوری “دوقلوی دیجیتال”، شبکه‌‌ی پشتیبانی‌کننده را همسان‌سازی کرده و امکان مدیریت پیشگیرانه داده‌ها را فراهم می‌کند.

مسئله اصلی در این تکنیک چیزی به نام حافظه پنهان (کَش) لبه است. حافظه پنهان به ذخیره داده‌ها در سروری اشاره دارد که یک سیستم یا شبکه فکر می‌کند کاربران در آینده نزدیک از آن استفاده خواهند کرد (یا دوباره استفاده می‌کنند). این به سیستم اجازه می‌دهد تا سریع‌تر از زمانی که سیستم مجبور باشد داده‌ها را از منبع اصلی بازیابی کند، نیازهای کاربر را برآورده کند. حافظه پنهان لبه زمانی است که یک سیستم داده‌ها را در نزدیکترین سرور به کاربر نهایی ذخیره می‌کند، مانند رایانه‌هایی که در روترهای شبکه گنجانده شده‌اند یا با آن روترها در یک مکان قرار گرفته‌اند.

یوچن لیو، نویسنده مقاله و استادیار علوم کامپیوتر در دانشگاه می‌گوید:

دو چالش بزرگ در اینجا، تعیین این است که کدام داده‌ها باید در حافظه پنهان ذخیره شوند و سرور لبه باید چه مقدار داده را در هر مقطع زمانی ذخیره کند. سیستم‌ها نمی‌توانند همه چیز را در حافظه پنهان لبه قرار دهند و اگر داده‌ها از منابع محاسباتی زیادی استفاده کنند، ذخیره داده‌های اضافی بیش از حد در یک سرور لبه، می‌تواند سرور را کند کند. در نتیجه، سیستم‌ها دائماً تصمیم می‌گیرند که کدام بسته‌های داده را ذخیره کنند و کدام بسته‌های داده را می‌توان از لبه خارج کرد.

لیو می‌گوید:

هرچه یک سیستم در پیش‌بینی اینکه اولاً کاربران واقعاً چه داده‌هایی را بیشتر نیاز خواهند داشت و ثانیا سرورهای لبه باید چه مقدار داده را ذخیره کنند، دقیق‌تر باشد عملکرد سیستم بهتر خواهد بود. کار ما در اینجا بر بهبود این پیش‌بینی‌ها متمرکز بود.

D-REC: یک روش جدید بهینه‌سازی حافظه پنهان لبه

روش جدید بهینه‌سازی حافظه پنهان لبه، به نام D-REC، از یک تکنیک مدل‌سازی محاسباتی به نام دوقلوی دیجیتال استفاده می‌کند. دوقلوی دیجیتال یک مدل مجازی از یک شی واقعی است. در مورد D-REC، دوقلوی دیجیتال یک مدل مجازی از یک شبکه بی‌سیم تعریف شده است؛ چه یک شبکه تلفن همراه باشد یا یک شبکه Wi-Fi.

لیو می‌گوید:

این روش را می‌توان برای هر شبکه بی‌سیم، بسته به نیازهای مدیر سیستم یا اپراتور شبکه اعمال کرد. D-REC بسته به نیاز کاربر قابل تنظیم است.

در D-REC، دوقلوی دیجیتال داده‌ها را از شبکه بی‌سیم می‌گیرد و بدون اتلاف وقت از آن برای انجام شبیه‌سازی استفاده می‌کند تا پیش‌بینی کند که کدام داده‌ها به احتمال زیاد توسط کاربران درخواست خواهند شد. سپس این پیش‌بینی‌ها به شبکه بازگردانده می‌شوند تا تصمیمات ذخیره‌سازی حافظه پنهان لبه شبکه را مطلع کنند. از آنجایی که شبیه‌سازی‌ها توسط کامپیوتری که خارج از شبکه است انجام می‌شود، این کار عملکرد شبکه را کاهش نمی‌دهد.

کارایی و قابلیت‌های پیش‌بینی D-REC

محققان از مجموعه داده‌های متن‌باز برای تعیین اینکه آیا یک شبکه بی‌سیم با D-REC کارآمدتر عمل می‌کند یا خیر، استفاده کردند. این تیم تحقیقاتی آزمایش‌های گسترده‌ای را انجام دادند که برای محاسبه بسیاری از متغیرها، مانند مقیاس شبکه، تعداد کاربران در یک شبکه و غیره طراحی شده بود.

لیو می‌گوید:

D-REC از رویکردهای مرسوم بهتر عمل کرد. تکنیک ما توانایی شبکه را برای پیش‌بینی دقیق داده‌هایی که باید در حافظه پنهان لبه ذخیره شوند، بهبود بخشید. D-REC همچنین به سیستم‌ها کمک کرد تا در ایجاد تعادل در ذخیره‌سازی داده‌ها در میان شبکه‌های خود کارآمدتر باشند.

علاوه بر این، از آنجایی که دوقلوی دیجیتال D-REC بر پیش‌بینی رفتار شبکه تمرکز می‌کند، می‌تواند مشکلات احتمالی را از قبل شناسایی کند.

لیو می‌گوید:

به عنوان مثال، اگر دوقلوی دیجیتال فکر می‌کند که احتمال زیادی وجود دارد که یک ایستگاه پایه یا سرور خاص بیش از حد بارگذاری شود، به شبکه اطلاع داده خواهد شد تا داده‌ها را در سراسر شبکه توزیع کند تا عملکرد و قابلیت اطمینان شبکه حفظ شود.

در این مرحله، ما آماده همکاری با اپراتورهای شبکه هستیم تا بررسی کنیم که چگونه D-REC می‌تواند عملکرد و قابلیت اطمینان شبکه را در شرایط واقعی بهبود بخشد.

منبع: Scitechdaily