Resource Allocation with Edge Computing in IoT Networks via Machine Learning

Abstract

Nesnelerin İnterneti (IoT) uygulamalarının hızla yaygınlaşması, kenar bilişim ortamlarında düşük gecikmeli, enerji verimli ve güvenilir hesaplama ihtiyacını önemli ölçüde artırmıştır. Görev aktarımı (task offloading), akıllı kaynak tahsisi için temel mekanizmalardan biri olarak öne çıkmaktadır. Ancak, heterojen sistem kaynakları, değişken görev gereksinimleri ve dinamik iş yükü koşulları nedeniyle en uygun görev aktarım stratejisinin belirlenmesi halen zorlu bir problemdir. Bu tez çalışmasında, IoT kenar bilişim ağlarında akıllı görev aktarımı için makine öğrenmesi tabanlı yaklaşımlar incelenmiş; özellikle statik ve dinamik ortamlar altında gözetimli öğrenme ile pekiştirmeli öğrenme yöntemlerinin karşılaştırılmasına odaklanılmıştır. Bu kapsamda, dört gözetimli öğrenme modeli ve bir pekiştirmeli öğrenme modeli; ideal sentetik, gerçekçi sentetik, Tıbbi Nesnelerin İnterneti (IoMT) ve araçsal sis bilişim veri kümeleri dâhil olmak üzere birden fazla veri kümesi üzerinde değerlendirilmiştir. Model performansı; doğruluk ve makro-F1 skoru gibi tahmine dayalı metriklerin yanı sıra gecikme, enerji tüketimi, son teslim zamanı kaçırma oranı ve Deneyim Kalitesi (QoE) maliyeti gibi sistem düzeyindeki metrikler kullanılarak ölçülmüştür. Bulgular, sistem koşullarının sabit olduğu ve kararların birbirinden bağımsız olduğu statik görev aktarım ortamlarında denetimli öğrenme modellerinin yüksek performans gösterdiğini ortaya koymaktadır. Ancak, dinamik yük değişimi ve ağ tıkanıklığı etkileri modele dahil edildiğinde, sınıflandırma doğruluğu daha düşük olmasına rağmen pekiştirmeli öğrenme yöntemi uzun vadeli QoE maliyetini ve teslim süresi ihlal oranını anlamlı biçimde azaltmaktadır. Bu tezde elde edilen sonuçlar, uygun öğrenme yaklaşımının seçiminin görev aktarımı ortamının operasyonel özelliklerine bağlı olduğunu göstermektedir. Statik ve dinamik görev aktarımı senaryolarını açık biçimde ayrıştıran bu çalışma, IoT uç bilişim ağları için daha uyarlanabilir ve bağlam farkındalığına sahip kaynak tahsisi mekanizmalarının tasarımına katkı sağlamaktadır.The rapid growth of Internet of Things (IoT) applications has significantly increased the demand for low-latency, energy-efficient and reliable computation in edge computing environments. Task offloading has emerged as a key mechanism for intelligent resource allocation. However, determining the optimal offloading strategy remains challenging due to heterogeneous system resources, varying task requirements and dynamic workload conditions. This thesis investigates machine learning based approaches for intelligent task offloading in IoT edge computing networks, with particular emphasis on comparing supervised learning and reinforcement learning under both static and dynamic environments. Four supervised learning models and one reinforcement learning model were evaluated using multiple datasets, including ideal synthetic, realistic synthetic, IoMT and vehicular fog computing datasets. Model performance was assessed using both predictive metrics, including accuracy and macro-F1 score, as well as system-level metrics (latency, energy consumption, deadline miss rate and Quality of Experience (QoE) cost). The results demonstrate that supervised learning models perform effectively in static offloading environments where system conditions are stable and offloading decisions are independent. However, when dynamic load evolution and congestion effects are introduced, the reinforcement learning approach achieves lower long-term QoE cost and deadline miss rate, despite being less effective in terms of static classification accuracy. Overall, this thesis provides empirical evidence that the choice of learning approach should depend on the operational characteristics of the offloading environment. By clearly distinguishing between static and dynamic task offloading scenarios, the study contributes to the design of more adaptive and context-aware resource allocation mechanisms for IoT edge computing networks.