دانشگاه آزاد اسلامی واحد تهران جنوب

صفحه اصلی / نخستین همایش هوش مصنوعی و پژوهش های نوظهور: همگرایی انسان و سیستم های هوشمند

چارچوبی مبتنی بر شبکه‌های گراف عصبی و یادگیری تقویتی برای بهینه‌سازی مقیاس‌پذیر و امن سیستم‌های ذخیره‌سازی توزیع‌شده

نویسندگان :

علی اصغر فلاح¹

1- دانشکده فنی و حرفه‌ای شهید منتظری

کلمات کلیدی :

ذخیره‌سازی داده‌های پزشکی،سیستم‌های ذخیره‌سازی توزیع‌شده،شبکه‌های گراف عصبی،یادگیری عمیق

چکیده :

سیستم‌های ذخیره‌سازی توزیع‌شده پایه و اساس برنامه‌های کلیدی مانند محاسبات ابری، پردازش کلان‌داده و مدیریت داده‌های پزشکی هستند. این مقاله چارچوبی مبتنی بر یادگیری عمیق را برای بهبود مقیاس‌پذیری، تحمل خطا، امنیت و بهره‌وری انرژی در این سیستم‌ها پیشنهاد می‌دهد. این چارچوب با بهره‌گیری از شبکه‌های گراف عصبی (GNN) و یادگیری تقویتی، روابط گره‌های ذخیره‌سازی را مدل‌سازی کرده، خرابی‌ها را با دقت 92% پیش‌بینی می‌کند و توزیع داده‌ها را به‌صورت پویا بهینه‌سازی می‌نماید، که منجر به کاهش 35٪ در تأخیر و افزایش 40٪ در توان عملیاتی می‌شود. مدل‌های سبک‌وزن، مانند MobileNetV2، با استفاده از تکنیک‌های کوانتیزاسیون و هرس برای محیط‌های با منابع محدود، مانند سیستم‌های پزشکی، بهینه شده‌اند. شبیه‌سازی‌ها با ابزار CR-SIM و ارزیابی در مقایسه با سیستم‌های موجود (مانند Hadoop HDFS و Ceph) برتری این چارچوب را نسبت به روش‌های سنتی نشان می‌دهند. کاربردهای عملی شامل ذخیره‌سازی امن و سریع داده‌های پزشکی، مانند تصاویر رادیوگرافی، و پلتفرم‌های ابری است. نتایج بر اهمیت تعادل بین کارایی محاسباتی، هزینه و امنیت تأکید داشته و رهنمودهایی برای پیاده‌سازی در دنیای واقعی ارائه می‌دهند.