کاربرد بلک چین و محاسبات کوانتومی در محاسبات خارج از سرور

فصلنامه شماره 52(بهار1403)- حمیدرضا لطفی

      چکیده

محاسبات بدون سرور (Serverless computing) به یک مدل ابری مهم تبدیل شده است که بر اساس میزان منابع مصرف شده توسط برنامه‌های کاربردی از جمله اینترنت اشیا (IoT)، به کاربران ارائه خدمات می‌دهد. محاسبات لبه (Edge Computing) به طور مؤثری به کاهش تأخیر محاسبات کمک می‌کند؛ بنابراین می‌توان برای محاسبات بدون سرور برای پردازش کارهای کوچک یا مهلت گرا (deadline oriented  ) به طور مؤثری از آن استفاده کرد.

علاوه بر این، امنیت و سرعت محاسبات به چالش‌های مهمی برای محاسبات لبه بدون سرور تبدیل شده است. از بلاک‌چین و محاسبات کوانتومی می‌توان برای ارائه سرویس بدون سرور لبه ایمن و قابل‌اعتماد استفاده کرد و درعین‌حال امنیت و سرعت محاسبات را نیز به‌مراتب بهبود بخشید. این مقاله الگوهای مختلف در حال ظهور را برای توسعه یک مدل مفهومی در ارتباط با محاسبات لبه سرور مبتنی بر کوانتوم و بلاک‌چین، معرفی می‌کند. همچنین جهت‌های تحقیقاتی آینده و چالش‌های باز این حوزه  نیز موردبحث قرار گرفته‌اند.

توضیح: دستگاه‌های لبه تجهیزات مربوط به کاربران نهایی هستند که به‌زودی بیشتر از قبل از هوش مصنوعی استفاده خواهند کرد، مانند گوشی همراه.

1. معرفی

ارائه‌دهندگان ابر معروف دنیا، اکنون به شیوه‌ای کارآمد از Serverless computing یا محاسبات بدون سرور، به‌عنوان یک مدل ابری برای ارائه خدمات به کاربران نهایی استفاده می‌کنند. ظهور Edge Computing یا محاسبات لبه می‌تواند به محاسبات بدون سرور کمک کند تا تأخیر برای پردازش کارها در زمان اجرا را بهبود بخشد و خدمات را بر اساس مصرف منابع توسط برنامه‌های مختلف، به کاربران نهایی ارائه دهد. از جمله این برنامه‌ها می‌توان به مراقبت‌های بهداشتی، شهر هوشمند، کشاورزی و پیش‌بینی آب‌وهوا اشاره نمود.

وقتی صحبت از پردازش داده‌های بزرگ می‌شود، امنیت و سرعت محاسبات به چالشی برای Serverless Computing تبدیل می‌شود. محاسبات کوانتومی  و بلاک‌چین  دو پارادایم (Paradigm)  مهم جدید هستند که می‌توانند به ترتیب برای ارائه سرعت محاسبات و امنیت بالا مورداستفاده قرار گیرند. علاوه بر این، برای اینکه محاسبات لبه بدون سرور بتواند از هوش مصنوعی (AI) برای ارائه خدمات مؤثر استفاده کند، نیازمند توسعه یک مدل مفهومی ایمن و قابل‌اعتماد است.

1-1-  محاسبات لبه بدون سرور

رایانش لبه Edge computing  الگویی برای مدیریت داده‌های برنامه‌های کاربردی اینترنت اشیا است که به‌جای پردازش در مراکز داده ابری، نزدیک به دستگاه‌های لبه کار می‌کنند. محاسبات نزدیک به لبه به طور منطقی، تأخیر و زمان پاسخ را کاهش می‌دهد، اما تولید داده‌ها روزبه‌روز در حال افزایش است که نیاز به توان محاسباتی بالا  دارد. جدیدترین مدل اجرایی برای رایانش ابری این است که به‌جای پرداخت به‌ازای استفاده، خدماتی را که به کاربران نهایی ارائه می‌کند، بر مبنای مصرف منابع توسط برنامه‌های اینترنت اشیا IOT در نظر می‌گیرد.

 علاوه بر این، به‌وسیله عملیاتی با نام  “عملکرد به‌عنوان یک سرویس Function as a Service (FaaS)  “، هر سرور را به توابعی تقسیم می‌کنند که برای مدیریت خودکار منابع مستقل هستند و از قبل به‌صورت یک استاندارد تعریف شده و در برنامه‌های فناوری اینترنت پذیرفته شده هستند. همچنین  از جدیدترین تکنیک‌های یادگیری ماشین و هوش مصنوعی می‌توان برای بهینه‌سازی عملکرد سیستم‌های محاسباتی استفاده کرد.

ادغام محاسبات بدون سرور در مدل محاسباتی لبه، سرعت محاسباتی پردازش داده‌های به‌دست‌آمده از برنامه‌های IoT که بر روی دستگاه‌های لبه نصب شده است را بهبود می‌بخشد. این مفهوم سرور را به منابعی برای اجرای مستقل تقسیم می‌کند که مقیاس‌پذیری سیستم‌های محاسباتی را برای عملکرد بهتر افزایش می‌دهد. برای کارکرد مؤثر سیستم، نیاز به توان محاسباتی زیادی وجود دارد که می‌توان با استفاده از کامپیوترهای کوانتومی آن تأمین کرد.

2-1-  بلاک چین  Blockchain

فناوری بلاک‌چین یک دفترکل توزیع شده باز است و داده‌های برنامه [1]IoT را در زنجیره‌ای از بلوک‌ها پردازش می‌کند. این فناوری در پردازش داده‌ها برای محاسبات لبه بدون سرور،   مطمئن و بسیار مؤثر است؛ اما سرعت محاسباتی پردازش داده‌ها را کاهش می‌دهد؛ زیرا داده‌ها در بلوک‌ها پردازش می‌شوند. بلاک‌چین‌ها برای محاسبه هش هر بلوک داده از یک زنجیره کامل، از یک جزء محاسباتی در معماری خود استفاده می‌کنند. برای تأیید اثبات کار [2](POW)، این فرآیند باید به‌صورت موازی در چندین گره از یک معماری توزیع شده اجرا شود. میکروسرویس‌ها می‌توانند به ادغام چنین فرآیندهایی در یک پلت فرم[3] Faas کمک کنند.

بنابراین، برای حل این مشکل یعنی کاهش سرعت محاسبات،  می‌توان از رایانه‌های کوانتومی برای ارائه محاسبات در مقیاس بزرگ و برای مدیریت منابع استفاده کرد.

3-1-  محاسبات کوانتومی  Quantum computing

محاسبات کوانتومی محاسبات را با استفاده از دو مفهوم مهم فیزیک کوانتومی مانند درهم‌تنیدگی و برهم‌نهی انجام می‌دهند. امروزه، پارادایم محاسباتی لبه از مفهوم محاسبات بدون سرور برای ارائه عملکرد به‌عنوان یک سرویس استفاده می‌کند. این مدل از محاسبات برای پردازش در مقیاس بزرگ و برای متعادل‌کردن بار و انجام بدون وقفه، به محاسبات کوانتومی نیاز دارد.

علاوه بر این، یادگیری ماشینی و تکنیک‌های مبتنی بر هوش مصنوعی می‌توانند برای فعال‌کردن اجرای خودکار عملیات استفاده شوند. بدین ترتیب، سرعت محاسباتی رایانه‌های کوانتومی نیز بهبود می‌یابد.

2- چشم انداز مدل آینده نگر

1-2-  لایه IOT  یا اینترنت اشیا

لایه اینترنت اشیا از طریق دستگاه‌های edge  یا واسط شبکه، تعامل دستگاه‌های لبه یا کاربران نهایی را با سیستم‌های محاسباتی امکان‌پذیر می‌کند. در این لایه، برنامه‌های مختلف اینترنت اشیا (به‌عنوان‌مثال مراقبت‌های بهداشتی، شهر هوشمند، کشاورزی و پیش‌بینی آب‌وهوا) برای دریافت خدمات به شیوه‌ای کارآمد با سیستم کلی تعامل خواهند داشت.

2-2-  لایه مدیریت

اجزای اصلی لایه مدیریت عبارتند از resource monitor   یا مانیتور منابع، Serverless manager  یا مدیر  بدون سرور، application manager  یا مدیر برنامه، Blockchain service یا سرویس بلاک‌چین و ماژول محاسبات کوانتومی. مانیتور منبع از سه جزء مختلف فرعی مانند مدیر QoS[4] (برای شناسایی و مدیریت الزامات کیفیت خدمات (QoS) برنامه‌های IoT)، مدیر توافقنامه سطح سرویس (SLA) (برای حفظ SLA مورد مذاکره بین ارائه‌دهنده ابر و کاربر) و Database manager  یا مدیر پایگاه‌داده (که داده‌های برنامه‌های کاربردی اینترنت اشیا را به طور مؤثر مدیریت می‌کند) تشکیل شده است.  سرویس بلاک‌چین برای اطمینان از انتقال ایمن داده‌های برنامه در طول اجرای برنامه‌ها بکار می‌رود. مدیر Servlerless منابع ابری را مدیریت می‌کند که برنامه‌های IoT در زمان اجرا  استفاده می‌کنند. رایانه‌های کوانتومی نیز می‌توانند محاسبات در مقیاس بزرگ را تا پارادایم محاسباتی لبه ارائه کنند که با داده‌های Servlerless یکپارچه شده است و به تعادل بار مؤثر و تأمین پیوسته و مداوم منابع کمک می‌کند. Application Manager یک ماژول متمرکز است که اجرای برنامه IoT را مدیریت می کند و داده ها را برای زمان بندی منابع فراهم می کند. Placement module به عنوان یک رابط بین application manager[5] و application placement[6] module ، برای تبادل داده بین آنها عمل می کند.

3-2-  لایه سرویس

لایه سرویس شامل چهار نوع مختلف سرویس است:  Function as a Service (FaaS)[7] عملکرد به‌عنوان سرویس،[8] Software as a Service(SaaS) یا نرم‌افزار به‌عنوان سرویس،  Platform as a Service (PaaS)[9] بستر به‌عنوان سرویس  و [10]Infrastructure as a Service (IaaS)  زیرساخت به‌عنوان یک سرویس.

 FaaS مجازی‌سازی را از طریق کانتینرهای توابع مختلف انجام می‌دهد که به‌صورت ایزوله کار می‌کنند تا مقیاس‌پذیری سیستم‌های محاسباتی را به طور خودکار بهبود بخشند.
 SaaS خدمات ابری را با استفاده از مفهوم مجازی‌سازی مبتنی بر ماشین‌های مجازی (VM)[11] ارائه می‌دهد.

 Azure Microsoft ، Amazon Web Service (AWS)[12] یا OpenStack می‌توانند برای ارائه پلتفرم به‌عنوان یک سرویس مورداستفاده قرار گیرند. محاسبات Fog و [13]Edge را می‌توان برای ارائه خدمات زیرساخت استفاده کرد که با کاهش تأخیر و زمان پاسخ در پردازش داده‌ها در دستگاه‌های لبه بسیار مؤثر هستند.

کانتینرارکستراسیون ،  یک رابط بین [14]FaaS و[15] SaaS است و مقیاس بندی، پردازش، پیاده سازی و شبکه سازی کانتینرها را خودکار می کند. Application placement   یک رابط بین SaaS و PaaS [16]است و Application placement  های IoT را برای تامین منابع و زمان بندی امکان پذیر می کند. Resource scheduling  یا زمان‌بندی منابع ، رابطی بین PaaS و [17]IaaS است و منابع ابری را بر اساس آخرین تکنیک‌های یادگیری ماشین و هوش مصنوعی زمان‌بندی می‌کند. برای محاسبه[18] nonce یا [19]PoW، از فناوری‌های کوانتومی برای تصمیم‌گیری سریع تجمعی استفاده می‌شود.
3- مسیر پیش رو

ازآنجایی‌که خطوط ارتباطی  Serverless دیتا، با پارادایم محاسباتی edge ادغام شده‌اند، پلتفرم FaaS برای متعادل‌سازی بار و تأمین پویا، به محاسبات در مقیاس بزرگ نیاز دارد که آن‌هم توسط رایانه‌های کوانتومی انجام می‌گردد؛ بنابراین ما به  [20]Robust micro-service computational نیاز داریم.

برای ترکیب پلتفرم‌ها فقط می‌توان از توسعه تکنیک‌های هوش مصنوعی جدید استفاده کرد. آنها قادر هستند داده‌های بزرگ را روی پلتفرم‌های فوق‌العاده مقیاس‌پذیر ترکیب کنند که انجام آن به کارایی سیستم‌های محاسباتی کوانتومی برای تطبیق سریع در محیط‌های غیرثابت وابسته است. این را می‌توان از طریق AWS[21]  Lambda یا Google Cloud [22]Functions متوجه شد. علاوه بر این، یکپارچگی داده در مقیاس بزرگ نیازمند محاسبه هش (رمزنگاری) سریع در چارچوب‌های مبتنی بر بلاک‌چین است که برای این کار نیز  بیشتر از رایانه‌های کوانتومی استفاده می‌شود.

1-3-  هوش مصنوعی Artificial Intelligence (AI)

برای بهبود عملکرد سیستم‌های محاسباتی، نیاز به استفاده از جدیدترین تکنیک‌های یادگیری تقویتی و هوش مصنوعی برای فعال‌کردن محیط‌های  IoT وجود دارد. این تکنیک‌ها می‌توانند مقیاس‌پذیری Serverless edge computing را بهبود بخشند و ظرفیت محاسباتی برای پردازش داده‌های برنامه‌های IoT را افزایش دهند. علاوه بر این، هوش مصنوعی می‌تواند با اعمال‌نفوذ سیاست‌های بهینه‌سازی منابع و روش‌های یادگیری ماشین مقیاس‌پذیر، به بهینه‌سازی [23]QoS و کاهش نقض [24]SLA خدمات کمک کند. تکنیک‌های زمان‌بندی و تدارکات کنونی قابلیت‌های محاسباتی برای معماری‌های کوانتومی را در نظر نمی‌گیرند و ازاین‌رو استراتژی‌های مدیریت منابع آگاه‌تر و غنی‌تری  موردنیاز است که قادر به استفاده از چنین پلتفرم‌هایی با معماری جدید باشند.

2-3- IOT و فناوری‌های 5G/6G

آخرین برنامه‌های اینترنت اشیا مانند مراقبت‌های بهداشتی، شهر هوشمند، کشاورزی و پیش بینی آب و هوا نیاز به پردازش سریع داده ها با حداقل تأخیر و زمان پاسخ دارند.  G/6G مخفف خدمات مخابرات سیار نسل پنجم/ششم است که قابلیت ارائه نرخ انتقال داده با ظرفیت بالا با تأخیر بسیار کم و مصرف انرژی  پایین را دارد.

افزایش برنامه‌های کاربردی حیاتی و پیچیده در شبکه‌های [25]5G   نیازمند توجه بیشتری در آینده است، زیرا برنامه‌ها نیاز به برقراری ارتباط فوری و زنده با منابع دارند تا بتوانند نیازمندی‌های خود را به اشتراک بگذارند. Serverless edge computing  ،  می‌تواند از رایانه‌های کوانتومی برای فعال‌کردن قدرت محاسباتی بزرگ برای پردازش سریع داده‌ها در دستگاه‌های Edge استفاده کند که به این منظور از فناوری‌های 5G/6G   برای جمع‌آوری سریع داده‌ها و تحویل نتایج کمک می‌گیرد.

3-3- مدیریت انرژی

استفاده مؤثر از مدل پیشنهادی بحث شده می‌تواند خدمات را از نظر امنیت، قابلیت اطمینان و سرعت محاسباتی با استفاده از رایانه‌های کوانتومی و مفهوم بلاک‌چین بهبود بخشد. اما برای راه‌اندازی زیرساخت‌های بزرگ به مقدار زیادی انرژی نیاز داریم.

برای بهبود بهره‌وری انرژی در مراکز داده ابری، نیاز به تکنیک‌های کارآمد انرژی مبتنی بر هوش مصنوعی است که با حفظ دمای مرکز داده به‌صورت پویا، مصرف انرژی و نیاز به خنک‌کننده‌ها را کاهش دهد. پارادایم‌های محاسباتی مدرن با معماری‌های جدید حافظه می‌توانند به کاهش مصرف انرژی تا سطوحی که با رویکردهای حذف انرژی و منابع تجدیدپذیر قابل‌قبول هستند، کمک کنند.

4-3-  امنیت و حریم خصوصی

چارچوب‌های مبتنی بر بلاک‌چین می‌توانند سطح بالاتری از امنیت را برای سیستم‌های [26]Serverless edge computing فراهم کنند، اما برای تأمین یکپارچگی داده‌های با مقیاس بزرگ، نیاز به محاسبه هش سریع وجود دارد. برای حل این مشکل، باید از رایانه‌های کوانتومی برای  توسعه سیستم‌هایی که از نظر ویژگی‌های داده همه‌کاره محسوب می‌شوند ، استفاده کرد. مدل‌های توسعه‌یافته برای Serverless edge computing   در درجه اول باید محیطی امن را برای همه ذینفعان فراهم کنند ، این موضوع تغییر پارادایم را تسهیل می‌کند.

5-3-  کیفیت خدمات ([27]QoS)

برای Serverless edge computing ، نیاز به برآورده‌کردن الزامات QoS و درعین‌حال بهینه‌سازی پارامترهای عملکرد مانند زمان پاسخ، تأخیر، انرژی، امنیت و پهنای باند شبکه وجود دارد. دستیابی به QoS موردنظر می‌تواند به تحقق[28] SLA امضا شده بین کاربر و ارائه‌دهنده خدمت کمک کند.

3-6- طراحی اپلیکیشن

یکی از نیازها، طراحی برنامه‌های کاربردی اینترنت اشیا به‌صورت نوآورانه برای مراقبت‌های بهداشتی، پیش‌بینی آب‌وهوا و مدیریت ترافیک است که باعث استقلال بیشتر در طول اجرا بشوند. این موضوع به تکنیک‌هایی با سازگاری کامل با کاربردی عمومی نیاز دارد که برای [29]cognitive models  یا مدل‌های شناختی قابل‌استفاده هستند و می‌توانند در سیستم‌های edge و در همه‌جا حاضر و بر اساس معماری‌های کوانتومی به کار گرفته شوند. این نوع برنامه ها بر روی منابع لبه های مختلف اجرا می شوند تا تأخیر و زمان پاسخ را در زمان اجرا کاهش دهند و استفاده از منابع را بهبود بخشند

.

3-3- مقیاس پذیری پویا و مقیاس سازی خودکار

 استفاده از محاسبات بدون سرور یا FaaS برای محاسبات ابری و لبه، می‌تواند تقاضای انجام برنامه‌های مختلف اینترنت اشیا را به‌صورت پویا برآورده کند. علاوه بر این، مفهوم autoscaling یا مقیاس خودکار می‌تواند تأیید منابع، خودبهینه‌سازی پارامترهای QoS، محافظت از خود در برابر حملات و همچنین بازسازی خودکار در برابر وقوع خطاهای نرم‌افزار، سخت‌افزار یا شبکه را بدون مداخله دستی بهبود بخشد.

4-  نتیجه‌گیری

در این مقاله، پارادایم‌های نوظهور مختلف مانند محاسبات لبه، محاسبات بدون سرور، محاسبات کوانتومی و بلاک‌چین موردبحث و پیشنهاد قرار گرفته است. یک مدل مفهومی که از این پارادایم‌ها به طور مؤثر برای ارائه سرویس ابری قابل‌اعتماد، ایمن و سریع استفاده می‌کند موردبحث قرار گرفت. مطابق شکل 1، تمام پارادایم های مختلف محاسبات بدون سرور، فناوری بلاک چین و محاسبات کوانتومی گرد هم آمده اند تا یک پلت فرم محاسباتی کل نگر را ارائه دهند که شامل دستگاه های واقع در سرویس، مدیریت و لایه های اینترنت اشیا می شود. لایه اینترنت اشیا ، تجسمی از دستگاه‌های نهایی مانند حسگرها و محرک‌ها است که داده‌ها را جمع‌آوری می‌کنند ، اقدامات لازم را انجام می‌دهند و یا خروجی‌های برنامه را برای کاربران ارائه می‌کنند. لایه مدیریت ، منابع را رصد می کند و یک رابط بین دستگاه های اینترنت اشیا و پلت فرم های محاسباتی فراهم می کند. علاوه بر این، لایه Service توابع محاسباتی خام را بر روی منابع قدیمی یا کوانتومی تحت انتزاع FaaS سرورها اجرا می کند. در نهایت، تحقیقات آینده امیدوار کننده است جهت ها و چالش های باز برجسته شده اند.

5- منابع

1. Gill SS, Tuli S, Xu M, et al. Transformative effects of IoT, Blockchain and Artificial Intelligence on cloud computing:

Evolution, vision, trends and open challenges. Internet of Things 2019; 8: 100118.

2. Malla S, Christensen K. HPC in the cloud: Performance comparison of function as a service (FaaS) vs infrastructure as a

service (IaaS). Internet Technology Letters 2020; 3(1): e137.

3. Tuli S, Gill SS, Casale G, Jennings NR. iThermoFog: IoT-Fog based automatic thermal profile creation for cloud data

centers using artificial intelligence techniques. Internet Technology Letters 2020; 3(5): e198.

4. Bansal K, Mittal K, Ahuja G, Singh A, Gill SS. DeepBus: Machine learning based real time pothole detection system for

smart transportation using IoT. Internet Technology Letters 2020; 3(3): e156.

5. Cicconetti C, Conti M, Passarella A. A Decentralized Framework for Serverless Edge Computing in the Internet of Things.

IEEE Transactions on Network and Service Management 2020.

6. Shi W, Cao J, Zhang Q, Li Y, Xu L. Edge computing: Vision and challenges. IEEE internet of things journal 2016; 3(5):

637–646.

7. Baldini I, Castro P, Chang K, et al. Serverless computing: Current trends and open problems. In: Springer. 2017 (pp. 1–20).

8. Tuli S, Tuli S, Wander G, et al. Next generation technologies for smart healthcare: Challenges, vision, model, trends and

future directions. Internet Technology Letters 2020; 3(2): e145.

9. Moret-Bonillo V. Can artificial intelligence benefit from quantum computing?. Progress in Artificial Intelligence 2015; 3(2):

89–105.

10. Benedict S. Serverless Blockchain-Enabled Architecture for IoT Societal Applications. IEEE Transactions on Computational

Social Systems 2020.

11. DunjkoV, Briegel HJ. Machine learning&artificial intelligence in the quantum domain: a reviewof recent progress. Reports

on Progress in Physics 2018; 81(7): 074001.

12. Gill SS, Kumar A, Singh H, et al. Quantum Computing: A Taxonomy, Systematic Review and Future Directions. arXiv

preprint arXiv:2010.15559 2020.

13. Zheng Z, Xie S, Dai HN, Chen X, Wang H. Blockchain challenges and opportunities: A survey. International Journal of

Web and Grid Services 2018; 14(4): 352–375.

14. Cui L, Chen Z, Yang S, et al. A Blockchain-based Containerized Edge Computing Platform for the Internet of Vehicles.

IEEE Internet of Things Journal 2020.

15. Tuli S, Basumatary N, Gill SS, et al. Healthfog: An ensemble deep learning based smart healthcare system for automatic

diagnosis of heart diseases in integrated iot and fog computing environments. Future Generation Computer Systems 2020;

104: 187–200.

16. Aslanpour MS, Toosi A, Cicconetti C, et al. Serverless Edge Computing: Vision and Challenges. Proceedings of the 19th

Australasian Symposium on Parallel and Distributed Computing (AusPDC 2021) 2021: 1–10.

17. Yuvaraj N, Karthikeyan T, Praghash K. An Improved Task Allocation Scheme in Serverless Computing Using Gray Wolf

Optimization (GWO) Based Reinforcement Learning (RIL) Approach. Wireless Personal Communications 2020: 1–19.

18. Bhatia M, Sood SK. Quantum Computing-inspired Network Optimization for IoT Applications. IEEE Internet of Things

Journal 2020.

19. Malawski M, Gajek A, Zima A, Balis B, Figiela K. Serverless execution of scientific workflows: Experiments with

hyperflow, aws lambda and google cloud functions. Future Generation Computer Systems 2017.

20. Sisi Z, Souri A. Blockchain technology for energy-aware mobile crowd sensing approaches in Internet of

Things. Transactions on Emerging Telecommunications Technologies; n/a(n/a): e4217. e4217 ETT-20-1277.R1doi:

https://doi.org/10.1002/ett.4217

21. Li D, Deng L, Cai Z, Souri A. Blockchain as a service models in the Internet of Things management: Systematic review.

Transactions on Emerging Telecommunications Technologies 2020: e4139.

22. Khan WZ, Ahmed E, Hakak S, Yaqoob I, Ahmed A. Edge computing: A survey. Future Generation Computer Systems

2019; 97: 219–235.

23. Naranjo PGV, Pooranian Z, Shojafar M, Conti M, Buyya R. FOCAN: A Fog-supported smart city network architecture for

management of applications in the Internet of Everything environments. Journal of Parallel and Distributed Computing

2019; 132: 274–283.

24. Tuli S, Tuli S. AVAC: A Machine Learning based Adaptive RRAM Variability-Aware Controller for Edge Devices. IEEE

International Symposium on Circuits and Systems 2020.

25. Jacak L, Hawrylak P, Wojs A. Quantum dots. Springer Science & Business Media . 2013.

26. Preskill J. Quantum Computing in the NISQ era and beyond. Quantum 2018; 2: 79.

---

[1] اینترنت اشیاء

[2] proof of workاز قدرت محاسباتی برای حل معادلات پیچیده ریاضی و تأیید تراکنش‌ها استفاده می‌کند. ماینرها با رقابت برای حل این معادلات شرکت می‌کنند

[3] تابع به‌عنوان یک سرویس (Function as a Service)

[4] در واقع Qos مخفف عبارت quality Of Service به معنی سرویس کیفیت خدمات می باشد. همان طور که از نام آن مشخص است از این سرویس به منظور بهبود کیفیت ارتباطات استفاده می شود.

[5] مدیر برنامه برنامه یا ابزاری است که به ما امکان می دهد برنامه های نصب شده روی یک دستگاه را مدیریت کنیم

[6] ابزار قراردادن یک نرم افزار یا برنامه برای مدیریت داده ها

[7] تابع به‌عنوان یک سرویس

^[8] SaaS ، مخفف Software as a Service به معنای نرم‌ افزار به عنوان سرویس است که در آن نرم‌‌افزار به‌صورت آنلاین و از طریق اینترنت در اختیار کاربر قرار می‌گیرد و فرصتی را برای سازمان‌ها فراهم می‌کند تا بدون نیاز به خرید و نصب نرم‌‌افزار، از طریق اینترنت به برنامه‌های کاربردی مبتنی بر ابر دسترسی پیدا کنند.

[9] ^{سرویس PaaS مخفف Platform as a Service PaaS یک مدل سرویس‌دهی پلتفرم ابری است که به شما اجازه می‌دهد تا بدون دردسرهای مدیریت زیرساخت، روی توسعه برنامه‌های خود تمرکز کنید و زیرساختی که برای توسعه برنامه نیاز دارید، از جمله سرور، پایگاه‌ داده، ابزارهای توسعه و موارد دیگر را در اختیارتان قرار می‌دهد}.

[10] IaaS مخفف عبارت Infrastructure as a Service به‌معنای زیرساخت به‌عنوان سرویس نوعی از خدمات رایانش ابری است که منابع محاسباتی مانند سرورها، فضای ذخیره‌سازی، شبکه و مجازی‌سازی را بر حسب تقاضا ارائه می‌دهد.

[11] Virtual machine  ماشین مجازی

[12] آژور (Azure)، پلتفرم ابری (زیرساخت به‌عنوان سرویس) شرکت مایکروسافت است. 

[13] رایانش لبه‌ای یا اِج کامپیوتینگ (به انگلیسی: Edge computing ) روشی ست برای بهینه‌سازی سامانه‌های رایانش ابری. در این روش کنترل برنامه‌های رایانه ای، داده‌ها و سرویسها از برخی نودهای مرکزی گرفته می‌شود و به لبه/کناره‌های اینترنت، که با دنیای واقعی در ارتباطند، سپرده می‌شود.  همچنین رایانش‌مه (به انگلیسی: Fog Computing) مدل رایانشی جدیدی است که در آن منابع رایانشی از دیتاسنتر به لبه‌های شبکه منتقل می‌شوند. از جمله مشکلاتی که تجهیزات هوشمند در مدل اینترنت اشیا دارند کمبود منابع رایانشی مانند پردازشگر و تجهیزات ذخیره‌سازی است.

[14] تابع به‌عنوان یک سرویس (Function as a Service) که به اختصار FaaS نامیده می‌شود، یک سرویس محاسباتی ابری است که به کاربران اجازه می‌دهد تا در پاسخ به یک یا چند رویداد، کد را اجرا کنند.

[15] SaaS، مخفف Software as a Service به معنای نرم‌ افزار به عنوان سرویس است که در آن نرم‌‌افزار به‌صورت آنلاین و از طریق اینترنت در اختیار کاربر قرار می‌گیرد و فرصتی را برای سازمان‌ها فراهم می‌کند تا بدون نیاز به خرید و نصب نرم‌‌افزار، از طریق اینترنت به برنامه‌های کاربردی مبتنی بر ابر دسترسی پیدا کنند.

[16] سرویس PaaS مخفف Platform as a Service PaaS یک مدل سرویس‌دهی پلتفرم ابری است که به شما اجازه می‌دهد تا بدون دردسرهای مدیریت زیرساخت، روی توسعه برنامه‌های خود تمرکز کنید و زیرساختی که برای توسعه برنامه نیاز دارید، از جمله سرور، پایگاه‌ داده، ابزارهای توسعه و موارد دیگر را در اختیارتان قرار می‌دهد

[17] IaaS مخفف عبارت Infrastructure as a Service به‌معنای زیرساخت به‌عنوان سرویس نوعی از خدمات رایانش ابری است که منابع محاسباتی مانند سرورها، فضای ذخیره‌سازی، شبکه و مجازی‌سازی را بر حسب تقاضا ارائه می‌دهد

[18] «نانس» (nounce)‌ کوتاه‌شده‌ عبارت Number Only used Once‌ به معنای عددی یکبار مصرف است. این عدد به یک بلاکِ رمزنگاری‌شده اضافه شده و باعث می‌شود عملیات رمزنگاری نهایی با یک درجه‌ سختی مشخص صورت بگیرد. نانس در حقیقت عددی است که ماینرهای شبکه در تلاش‌اند آن را پیدا کنند.

[19] گواه اثبات کار یا به اختصار (PoW) یا همان (Proof of Work ) یک سیستم (تابع یا پروتکل) اندازه گیری است تا در برابر حملات محروم‌سازی از سرویس یا به اختصار (DoS) و دیگر سیستم هایی که قصد اذیت کردن را دارند مانند اسپم های شبکه جلوگیری کند

[20] میکروسرویس یک الگوی معماری نرم‌افزاری است که در آن برنامه‌ها به شکل سرویس‌های کوچک و مستقل طراحی می‌شوند. هر سرویس به صورت مستقل اجرا می‌شود و می‌تواند به طور مستقل بروزرسانی شود و از طریق شبکه‌های مختلف در دسترس باشد. این سرویس‌ها می‌توانند از زبان‌ها و فریم‌ورک‌های مختلف پیاده‌سازی شوند

[21] AWS یه مجموعه جامع از سرویس‌های ابری هست که توسط آمازون ارائه می‌شود

[22] AWS یه مجموعه جامع از سرویس‌های ابری هست که توسط آمازون ارائه می‌شود

[23] در واقع Qos مخفف عبارت quality Of Service به معنی سرویس کیفیت خدمات می باشد. همان طور که از نام آن مشخص است از این سرویس به منظور بهبود کیفیت ارتباطات استفاده می شود.

[24] وافقنامه سطح خدمات یا SLA که مخفف Service Level Agreement است، سطح خدماتی که انتظار دارید فروشنده ارائه دهد، معیارهایی که آن خدمات باید داشته باشد و جریمه احتمالی در صورت عدم تحویل خدمات مورد توافق را مشخص می‌کند

[25] نسل پنجم شبکه مخابرات سیار یا ۵جی (به انگلیسی: 5G)، یا دقیق‌تر، نسل پنجم ارتباطات سیّار سلولی با سرعت بسیار بالا

[26] Serverless یا مدل بدون سرور؛ یک مدل اجرایی از رایانش ابری است که در آن ارائه دهندگان خدمات ابر، تهیه‌ی سرورها و تخصیص آنها به شرکت‌ها را به صورت پویا و همیشگی مدیریت می‌کنند.

[27] در واقع Qos مخفف عبارت quality Of Service به معنی سرویس کیفیت خدمات می باشد. همان طور که از نام آن مشخص است از این سرویس به منظور بهبود کیفیت ارتباطات استفاده می شود.

[28] وافقنامه سطح خدمات یا SLA که مخفف Service Level Agreement است، سطح خدماتی که انتظار دارید فروشنده ارائه دهد، معیارهایی که آن خدمات باید داشته باشد و جریمه احتمالی در صورت عدم تحویل خدمات مورد توافق را مشخص می‌کند

[29] این اصطلاح تخصصی مربوط به رشته روانشناسی است. به منظور فهمیدن و پیش‌بینی اتفاقاتی که در مغز رخ می دهد از این نوع مدلسازی استفاده می‌شود همچنین این رشته مورد توجه علومی چون هوش مصنوعی و یادگیری ماشین قرار گرفته زیرا با درک اتفاقاتی که در مغز رخ می دهد می‌توان الگوریتمهای جدیدی را در یادگیری شناسایی کرد.