باشد که در این مسیر ثابت قدم باشیم ...

خب به نام خداوند جان و خرد ...
بریم که مطالب رو با شروع کار بر روی پایان نامه توی کانال شروع کنیم.

قبل از شروع یک حال و احوالی بکنیم.
از اونجایی که هنوز تکنولوژی ریموت تلپاتی نیومده نمیدونم حالتون چطوره ولی امیدوارم خوب و سرحال باشید.

شروع پست حس برنامه تلوزیونی شبکه 4 رو بهم میده 😅 یک چیز بی اهمیت. این چند وقته هم کانال شده بود همش موسیقی.

امروز داشتم کانال رو نگاه میکردم دیدم چه مسیر طولانی رو اومدیم من و بچهای دیگه که توی اون دوران درسته کله مون بوی پیازچه میداد ولی شوقی که اون روزاها داشتیم چقدر زیاد بود. یادمه میخواستیم گوگل ایران رو تاسیس کنیم😂. جوونی کجایی یادش بخیر. چه جلسات فنی و مهندسی که توی نمازخونه داشنگاه تهران جنوب نداشتیم. جوری برنامه ریزی میکردیم که برای بعد از بازنشتگی از decoder هم برنامه داشتیم با خربار ها پول و تجربه. هعییی :)

به هر حال دیگه اون انگیزه های قبلی وجود نداره و الان شده درس و خاطره های با ارزش که همیشه یاد آوریشون حس جوونی میده به آدم :)

خب از این رویا ها و خاطرات بیاییم عبور کنیم.
یک چیزایی بگیم و بریم توی دل کار تا قضیه برای علاقه منداش جا بیافته بعد از این همه مدت.

همونطور که گفتم اینجانب قراره توی مسیر زمانبندی وظایف آگاه از تحرک کار کنم. اما قراره چه کاری کنیم یکم بیشتر توضیح بدم.
فرض کنید دارید توی سال 2030 زندگی میکنید. اون موقع شبکه های نسل 6 هم استاندارد شده و سرعت اینترنت بسیار بالا، هوشمندی بالای شبکه، تاخیر پایین شبکه و... دارین که همین همه اینها باعث به وجود اومدن صنایع و کاربرد های جدید میشه.

مثالی که میتونم بزنم و الان هم توی خیلی جاها میتونید ببیند apple vision یا همون عینک های واقعیت مجازیه. این پیشرفت شبکه باعث شده که خیلی از کشور ها قابلیت هایی مثل AR و VR یا ماشین های خودران رو پشتیبانی کنند.

خب این تا اینجا برای ساخت یک دید از آینده.

اما چیزی که بعد از به وجود آمدن شبکه های بسیم باعث به وجود آمدن دغدغه توی آکادمیک شد مسئله جا به جایی افراد و خودرو ها بود. خب این مسئله تا این اواخر با پیشرفت تکنولوژی زیاد مهم نبوده اما این چند ساله هر ساله هزار تا قاله میدن بیرون. نمیدونم چیش رو میخوان درست کنن دیگه همه تپه ها فتح شدن. ولی چیزی که امروزه دارن میرن سمتش استفاده از هوش مصنوعی و شبکه های عصبی توی این زمینه است چرا که این زمینه یک مسئله np-hard است. البته روش های دیگری هم مثل نظریه بازی ها استفاده میشه ولی خب کمتره.

حالا من میخوام روی مسئله زمانبندی آگاه از تحرک کار کنم. قضیه از این قراره که ما میاییم یک محیطی رو در نظر میگیرم که دستگاها با سرعت بیشتر از انسان دارن فعالیت میکنند و جا به جا میشن. توی مسیرشون (البته در دنیای آینده) هزار تا نقطه اتصال یا به زبان عامه آنتن وجود داره. توی تکنولوژی های مختلف معماری ها شبکه متفاوته مثلا توی معماری MEC یا mobile edge computing اینجوریه که توی هر این آنتن ها ما یک سرویس دهنده یا سرویس داریم که وظایفی رو از دستگاه ها میگیره. مثلا همین VR. کاربر حرکت میکنه ولی دستگاه نمیتونه این کفیت از تصاویر رو پردازش کنه پس مجبوره از ظرفیت محاسباتی بالاتر یا بیشتر استفاده کنه. بنابراین اون عکسه رو که ما بهش میگیم وظیفه به آنتن میفرسته و آنتن با منابع محاسباتی که داره اون رو پردازش میکنه.

البته مدل های دیگری هم مثل cloud و fog و VFC و... هستند که مثالی دیگه ای ازش نمیزنم چون موضوع دستتون اومده. تفاوتشون توی معماری و مدل پردازیشونه مثلا توی ابر یک واحد مرکزی داریم که پردازش میکنه و دوره توی VFC خودرو ها که منابع آزاد زیادی دارند پردازش وظایف رو انجا میدن

حالا توی این محیط که همه بچه شون رو گازه و باسرعت دارن حرکت میکنن ما باید یک روش زمانبندی وظایف ارائه کنیم که بتونه هم با توجه به نیازمندی وظیفه و هم تحرک کاربر به علاوه استفاده درست از منابع محاسباتی وظایف رو روی این منابع زمانبندی کنه. یک چیزی مثل همون os خودمون که چندین فرآیند وجود داره و مخواهیم روی CPU زمانبندیشون کنیم اما توی محیط غیرقابل پیش بینی.

این یک چیز خلاصه بود از مسیر پیش رو من و این کانال که قراره دربارش بیشتر از مباحث دیگه صحبت کنیم. البته شبکه زمینه و مباحث قشنگ زیادی داره که حتما سر فرصت بهشون میپردازیم. حتی ممکنه این زمانبندیهم قشنگ باشه چون زمان بندی از یک جای دیگه خیلی تکراری میشه و کسل کننده. ولی چون رابطه نزدیکی به os و... داره جذاب و آسون و قابل فهم

راستی چند روزیه چندتا اسپمر دلقک توی کامنتا زیاد شدن منم تا جایی که حواسم باشه این ها را به dark web میفرستم ولی اگر چیزی دیدید ندید و جدی نگیرید

بچهایی که توی این زمینه زمانبندی کار میکنند چندین عبارت مثل task offloading و computation offloading و resource allocation و resource scheduling رو زیاد توی مقالات میبینند.
چیزی که خیلی جالبه اینکه اینقدر این مفاهیم و عبارات بهم نزدیک هستند که اغلب تفاوتی میان اونها قائل نمیشن. ولی چیزی که هست اینکه اگر توی این زمینه ها مقالات رو بخونید یکسری تفاوت ها رو توی این زمینه ها میبیند.
توی زمانبندی وظایف ما وظایف رو زمانبندی میکنیم برای اجرا روی منابع
توی offloading میاییم وظایف رو بر روی منابعی خارج از دستگاه زمان بندی میکنیم. اغلب به خاطر کمبود فضا یا منابع محاسباتی برای پردازش وظیفه به موقع است.
توی allocation و resource scheduling میاییم منابع موجود که در اختبار داریم رو برای اجرای وظایف زمانبندی میکنیم. که به این مورد power allocation یا power scheduling هم میگن.
میبینید این مفاهیم خیلی به هم نزدیک هستند اما میخوام اینجا روی دو مورد تمرکز کنم offloading و task scheduling.
این مفاهیم هم خیلی بهم نزدیک هستند ولی یکسری تفاوت ها با هم دارند. مثلا توی task scheduling معمولا اینجوری هست که یکسری منابع از قبل وجود دارد و این منابع مشخصی هستند. بخوام واضح تر بگم اینجوری فکر کنید که وظایف از سمت دستگاه اومده به سمت ایستگاه پایه یا base station و این bs میخواد روی منابعی که توی محدوده پوششیش هستند وظایف رو زمانبندی کنه تا اجرا بشن.
توی offloading اغلب اینجوریه که دستگاه چندین BS داره و این BS ها اطلاعاتی رو برای اون میفرستند که مربوط به وضعیت شبکه یشان است. حالا این دستگاه تصمیم به زمانبندی و ارسال وظایف بر روی این BS ها میگیره. این bs ها باز میتوانند زمانبندی کنند یا اگر هم زمانبندی نکنند منابعشان را در اختیار دستگاه میزارن.

توی مقالاتی که من خوندم با این نتیجه مواجه شدم. معمولا توی پارامترها هم یکسری تفاوت ها دارند مثلا توی offloading میزان reliability و هزینه بیشتر مطرح است تا زمانبندی وظایف. یا مثلا توی زمانبندی منابع بهره وری سیستم بیشتر مورد نظر داریم.
ولی خب به این خاطر که این مفاهیم زیاد با هم تفاوتی ندارند به این ها میگیم مسئله زمانبندی.

توی سال 1934 آقای Heinrich Freiherr von Stackelberg که از اسمش هم مشخصه یک دانشمند آلمانی که متولد روسیه و توی اسپانیا مرده و عضو حزب نازیسم هم بوده (عجب ترکیب سمی) یک مقاله ای با عنوان Market Structure and Equilibrium مینویسه که توی اون یک مدلی رو برای اقتصاد مطرح میکنه. این مدل رو توی درس نظریه بازیها به صورت یک بازی معرفی میکنن. سوالاتی که بر این اساس هستند را Stackelberg competition هم میگن. حالا این بازی چجوریه:

دوتا شرکت وجود دارند که میخواهند یک محصول یکسان تولید کنند. اما یکی این محصول رو زودتر از دیگری عرضه میکنه. دیگری هم فعالیت های این شرکت رو میبینه و بر اساس اون فعالیت ها تصمیم گیری میکنه تا بتونه سودش را بیشتر کنه. به شرکت اولی leader و به دومی follower میگن. حرکتی که شرکت leader انجام میده نمیتونه بر گردونه و این شرکت باید مطمئن بشه که follower میتونه بر عمل این شکرت نظارت داشته باشه. این leader و follower باعث دوقطبی شدن بازار و رقابت در اون میشن و تصمیمات یکی بر اساس عمل و نتایج حاصل از دیگری گرفته میشه. حالا این دو قطبی سازی یک روشش بازی Stackelberg است. روش های دیگر اون Cournot duopoly و Bertrand duopoly هستند

این مسئله در شرایطی مطرح میشه که دو تا شرکت بازار را به طور انحصاری مدریت میکنند. طوریکه نظر مشتریان روی روند این دو شرکت تاثیر نداره و تمام اتفاقات لون بازار بین این دو شرکت اتفاق میافته. هدف از این مسئله هم توی اقتصاد برای عرضه و تقاضا و قیمت گذاری بهینه است.

حالا چرا این رو گفتم. دیروز داشتم یک مقاله ای میخوندم درباره offloading وظایف بر روی VEC ها این مقاله بر خلاف قالب یا اکثر مقالات دیگه از بازی Stackelberg برای بیشینه کردن utility function ها استفاده میکرد که بنظرم خیلی جالب بود.
توی این مقاله میومد که این تابع رو برای خودروهای دارای وظیفه، خودروهای پردازشگر و واحد های کنار جاده ای تعریف میکرد که بتونه یک تعادلی بین مصرف انرژی و هزینه ایجاد کنه.

حالا تابع سودمندی یا utility fucntiion چیه؟
در واقع پاسخ به سوال چه میزان فلان خروجی برای فلانی مناسب و خوبه؟ است. حالا این خروجی از بین چندین خروجی احتمالی توسط نیاز های کاربر انتخاب شده. در واقع این تابع میاد به چیز کیفی ارزش و مقدار عددی میده.

deepseek Left the chat
intro video
deepseek GitHub
expert insight about deepseek (free to use) ,
it is reasoning model (you have to know basic AI model)
get more information
deepseek paper
chess fun

چیز جالبیه چیزی که میشه راحت متوجش شد خیلی سریعتر از chatgpt پس مدلش زیاد بزرگ نیست.
یک چیزی باید بگم من نه متخصص هوش مصنوعیم نه هنوز به جایی رسیدم که ازش سر در بیارم. این دو پست صرفا برای اطلاع رسانی بوده. اگر شد بعدا بهش میپردازم ولی با اطلاعات بیشتر

این مسئله شبیه سازی توی پایان نامه و بدست آوردن نتایج خیلی مرحله رو مخ و استرس آوریه. کاشکی دنیا به سمت این بره که لازم نباشه هر چیزی رو اثبات کنی همینجوری تئوری و یکم خرفات باهاش حل کنی تحویل بدی ولی نمیشه دیگه ;)
کلا بدست آوردن کد وشبیه سازی خیلی مهمه لامصب کلا فرآیند پر استرسی هست. حالا یک کاری که از دست ما بر میاد اینکه چند تا ابزار معرفی کنیم که به بچهای آماتور بتونه کمک کنه و یک ویژن یا نگرشی بهشون بده.
بچهایی که کار شبکه های نسل 5 انجام میدن و کاراشون بیشتر مخابراتی هست 5g toolkit یک ابزار مناسب مبتنی بر متلب هست که میتونه توی شبیه سازی بهتون کمک کنه.

همینطور بچهایی که کارای زمانبندی توی محیط های مختلف یا اینترنت اشیا و.. انجام میدن مثل sumo و iFogSim میتونه بهتون کمک خوبی بکنه برای شبیه سازی. شبیه ساز ifogsim خیلی معروفه توی اینترنت اشیا توی لینک نحوه نصب این ابزار زده ، توی لینک مقاله این شبیه ساز و لینک جزئیات بیشتر از مقاله رو شامل میشه. مقاله ای که در ادامه میزارم (مقاله علمی نیست بیشتر شبیه کار توی اوقات فراغت میمونه) یک توضیح سطح بالا نسبت به این نرم افزار داده. این پلی لیست هم آموزش استفاده ازش رو میده و این ویدئو هم علاوه مشخص کردن مفاهیم این شبیه سازی و نصب اون، آموزش استفاده ازش رو هم میده. sumo هم ابزار خوبیه این لی لیست آموزش راه اندازی و استفاده ازش رو داره و این ویدئو هم آموزش سریع این شبیه ساز هست. این شبیه ساز بیشتر برای فهمیدم رفت و آمد ها یا تجرک افراد در یک منطقه جغرافیایی مشخص استفاده میشه ولی برای زمانبندی و اجرای الگریتم ها باید API نصب کنی و استفاده کنی. به عبارت دیگه برای urban mobility بیشتراستفاده میشه. اما توانایی هاش تنها به اون ختم نمیشه

یادمه برای اولین بار این شبیه ساز sumo رو توی دفاع یکی از بچها استاد داورش ازش پرسید که چرا استفاده نکرده و تازه فهمیدم بجز fogsim هم چیز دیگه ای هست :)

تجربه شخصی من اینکه برای بدست آوردن و کد و شبیه سازی باید خیلی بچرخی و کلمات مختلفی رو جست و جو کنی ولی برای میانبر چندتا کار رو میشه کرد
1. اول اینکه حتما قسمت Acknowledgement مقاله نگاه کنید چون اگر کدی باشه معمولا اونجاست
2. حتما توی سایت arxive مقاله رو بررسی کنید چون ممکنه بعدا کد هاشون بزارن گیت هاب.
3. حتما دنبال ریپوزیتوری های گیت هاب که کد و مقاله میزان بگردین. این مورد حتی برای بچهایی که تازه واردن و دنباله مقاله میگردن میتونه کمک کننده باشه چون میتونن مقاله ای رو پیدا کنن که کدهاش اماده است.
4. سایت paperwithcode هم سایت خوبیه و لی سرچش احساس میکنم خوب کار نمیکنه

ادیت:
آشنایی با urban mobility برای آشنایی و یاد گیری رایگان سایت هست که تحت نظارت اتحادیه اروپاست. از طرف دیگه انیمیشن یک توضیح درباره مسئله ئ نگرش آینده میده.کلا این مسئله به بهبود زیرساخت و مقابله با مسئله mobility در بر میگیره. ولی اسپانسر داره. یک ویدئو درباره نحوه شبیه سازی mibility در شبیه سازی sumo هست.

یک ابزار دیگه هم هست که میشه باهاش کار شبیه سازی محاسبات لبه رو انجام داد به نام EdgeSimPy این ابزار هم میشه در کنار ifogsime و sumo استفاده بشه. اینو خودم همین الان باهاش آشنا شدم توی جست و جو هام و خیلی جالب بود. مثل اینکه تا چشم کار میکنه شبیه ساز ریخته ولی کد نریخته . پس اگر مقاله ای مینویسید کد ها رو پابلیک کنید تا ما هم بتونیم کار شما رو تایید کنیم خسته شدم اینقدر دنبال کد و شبیه سازی گشتم :)

ادیت:
یک شبیه ساز دیگه هم هست به اسم mogFogSim که اومده ifogSim رو گسترش داده و بهش ویژگی اضافه کرده ولی چیزی که توی گیتهابش جالب بوده گفته بود برای اینکه شبیه ساز خودتو بسازی باید چه مراحلی رو طی کنی .
یک شبیه ساز دیگه هم هست به نام PureEdgeSim که این هم یک شبیه ساز سبک بر اساس جاوا است که برای شبکه های سیار با گره های پویا نوشته شده

بالاخره طبق حرفی که زده بودم لوگوی کانال رو عوض کردم. این به این خاطر بود که بچها الان دیگه واسه خودشون یک کانال دیگه دارن و توی کانال فعالیت ندارن.

این لگوی جدید قراره بیانگر base station باشه. همونطور که میدونید BS ها در دنیای امروزی و آینده خیلی مهم هستند و امروزه شبکه های بی سیم مرکز توجه محقق هاست. چیزی بهتر از این نمیتونه برای یک کانال با تمرکز روی شبکه باشه.
محتوا کانال چیزی تغییری نمیکنه و همون مطالبی که قبلا میزاشتیم و آموزش و منابع و معرفی ها هنوز سر جاشه فقط توجه و تمرکز بر روی شبکه های کامپیوتری هست.

اسم کانال رو فعلا تغییر نمیدونم چون تغییر یکهو اتفاق نمی افته.

ایشالله قراره خوش بگذره بهمون :)

من که الان یکم با هوش مصنوعی درگیر شدم و دسته پنجه نرم میکنم یک کتابی هست به اسم deep reinforcement learning with python که تازه باهاش آشنا شدم به نظرم چیز جالب و مقدماتی خوبی میومد.

چیزی که جالبه این که این کتاب اولش از کتابخانه های پایتون آماده برای ساخت بازی های ساده و مبتنی بر عامل استفاده میکنه ولی بعدش از زنجیره های مارکو برای طراحی استفاده میکنه. البته اولاش هم تا جای لازم خواننده رو با مفاهیم اولیه آشنا میکنه. مباحثی که دربارش صحبت میکنه شامل روش های یاد گیری Q و policy gradiant ، sarsa و actor critic هم میشه. این ها روش های مختلفی هستند که برای پیاده سازی عامل هوشمند استفاده میشه.

همین نویسنده یک کتاب دیگه هم تازه نوشته که با همون نام هست ولی مبحث آن پیشرفته تره و باهاش دیگه صرفا بازی طراحی نمیکنه و در واقع هدفش ساخت عامل برای مدل های بزرگ هست. مباحثی که دربارش صحبت میشه مربوط به ماشین های خودران، ربات ها و... هست. این کتاب دومیه مباحث کتاب اولیه رو هم پوشش میده ولی مباحث اضافه هم داره.

بنظرم این کتاب دومیه میتونه خیلی برای کارهای پژوهشی و ارائه مدل بهتر باشه چون مباحثی که داره توی پژوهش هایی که خوندم بیشتر استفاده شده مثل مبحث DDQN که برای مقیاس های بزرگ استفاده میشه.

توی کانال debrary هم یکی از بچها یک کتابی قرارداده در همین زمینه. این کتاب برای عموم توصیه نمیشه و رویکرد آکادمیک و ریاضیاتی داره ولی از نظر ریاضیاتی و الگوریتمی خوب کار کرده برعکس کتاب های قبلی که رویکرد پیاده سازی با زبان پایتون دارن.

توی مقالات با استفاده از این روش های هوش مصنوعی برای حل مسائل NP-hard خیلی زیاد استفاده میشه و توی شبکه های آینده هوش مصنوعی به عنوان محور اصلی این شبکه ها شناخته میشه. پس چه بخوایم چه نخواییم آش کشک خالته بخوری پا ته نخوری ...

یک کتاب دیگه هم دیده بودم که خود نویسنده اومده از روش کورس ساخته ولی پیداش نکردم اونم جالب بود.

وقتی میگن deepseek نیاز به تعامل کمتری داره با انسان برای تایید گرفتن تا gpt منظور چیه