ارائه مدل توصیه گر برای بهبود عملکرد بلاکچین در اینترنت اشیاء با رویکرد یادگیری تقویتی عمیق

با پیشرفت جامعه بشری و فناوری اطلاعات و ارتباطات، اینترنت اشیاء در ابعاد مختلف زندگی روزمره مردم و صنایع نفوذ کرده است. باوجود تمامی تسهیلات اینترنت اشیاء، به دلیل ساختار ضعیف امنیتی تبدیل به یکی از اهداف هکرها شده است. فناوری نوظهور بلاکچین با توجه به ویژگی های ذاتی از قبیل توزیع شدگی، امنیت، تغییرناپذیری و قابل بررسی بودن تبدیل راه حلی مناسب برای تامین امنیت اینترنت اشیاء شده است. با این وجود ادغام اینترنت اشیاء و بلاکچین دارای چالش هایی از قبیل تاخیر، گذردهی، مقیاس پذیری و محدودیت توان دستگاه است. روش های یادگیری ماشین در حل مسایل پیچیده که برای انسان دشوار است، کارایی مناسبی از خود نشان داده اند. به همین دلیل اخیرا به عنوان یکی از روش های حل چالش های بلاکچین در اینترنت اشیاء مطرح شده اند. در این پژوهش برای بهبود چالش های بلاکچین در اینترنت اشیاء یک مدل جدید مبتنی بر عامل توصیه گر ارایه داده ایم. هدف مدل بهبود چالش گذردهی پایین بلاکچین در اینترنت اشیاء و همچنین محدودیت منابع دستگاه های اینترنت اشیاء برای استفاده از بلاکچین است. برای بهبود گذردهی عامل توصیه گر که از یادگیری تقویتی عمیق استفاده می کند با تنظیم اندازه و زمان ساخت بلاک می تواند گذردهی را بهبود دهد. همچنین، با توجه به توان محاسباتی دستگاه اینترنت اشیا ء و میزان انرژی مورد نیاز برای فرآیند؛ استخراج بین انجام فرآیند استخراج در دستگاه اینترنت اشیاء و یا واگذاری به لایه لبه محاسباتی، رویکرد بهینه را اتخاذ می کند. رویکرد بهینه در این پژوهش رویکردی است میزان تاخیر و انرژی مصرفی فرآیند استخراج را کمینه سازد. در این پژوهش علاوه بر ارایه معماری منطقی، به گردش کار عناصر مدل پیشنهادی را نیز با جزییات پرداخته شده است. طراحی مدل پییشنهادی را توسط روش اصل واحد برای حل چالش های بلاکچین در اینترنت اشیاء  مورد بررسی قرار گرفته است و نقاط ضعف و قوت مدل بیان شده است.