مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 17 66 2026 2 26 Enhancing Edge Computing Efficiency Using Autoencoding افزايش كارايى محاسبات لبه به كمك رمزگذارى خودكار fa مهدی تاتار دانشگاه آزاد واحد تهران جنوب فاطمه نصیری دانشگاه آزاد اسلامی واحد یادگار امام (ره) 2025 3 21 <p>The rapid expansion of Internet of Things (IoT) devices has led to a significant increase in the volume of generated data, posing substantial challenges for edge computing environments. Traditional cloud-based computing methods struggle to meet the demands of this technology due to limitations related to latency and privacy. To overcome these challenges, researchers have been exploring innovative solutions to optimize data storage and processing in edge computing environments.</p> <p>In this study, a hybrid approach is introduced that simultaneously leverages Autoencoders (AEs) and Multilayer Perceptrons (MLPs) to enhance data processing efficiency in IoT edge computing. By utilizing the advantages of both architectures, this approach provides a robust model for effectively managing large-scale IoT data. The evaluation results of the proposed method indicate that the model outperforms other approaches, achieving the highest accuracy (0.88), precision (0.75), recall (0.70), and F1-score (0.72). These findings suggest that the proposed solution can serve as an efficient approach for<strong> optimizing IoT data processing.</strong></p> <p>گسترش سریع دستگاه&zwnj;های اینترنت اشیا (IoT) منجر به افزایش چشمگیر حجم داده&zwnj;های تولیدی شده است که چالش&zwnj;های قابل توجهی را برای محیط&zwnj;های محاسباتی لبه ایجاد می&zwnj;کند. روش&zwnj;های سنتی مبتنی بر رایانش ابری به دلیل محدودیت&zwnj;های مربوط به تأخیر و حفظ حریم خصوصی، در پاسخگویی به نیازهای این فناوری با مشکلاتی مواجه هستند. به&zwnj;منظور غلبه بر این چالش&zwnj;ها، پژوهشگران در جستجوی راه&zwnj;حل&zwnj;های نوآورانه برای بهینه&zwnj;سازی ذخیره&zwnj;سازی و پردازش داده&zwnj;ها در محیط&zwnj;های محاسباتی لبه بوده&zwnj;اند. در این مطالعه، یک رویکرد ترکیبی معرفی شده است که از رمزگذارهای خودکار (AEs) و پرسپترون&zwnj;های چندلایه (MLP) به&zwnj;طور هم&zwnj;زمان بهره می&zwnj;برد تا کارایی پردازش داده&zwnj;ها در محاسبات لبه IoT را بهبود بخشد. این رویکرد با بهره&zwnj;گیری از مزایای هر دو معماری، یک مدل قدرتمند برای مدیریت مؤثر داده&zwnj;های IoT در مقیاس بزرگ ارائه می&zwnj;دهد. نتایج ارزیابی روش پیشنهادی نشان می&zwnj;دهد که این مدل با دستیابی به بالاترین دقت (0.88)، صحت (0.75)، فراخوانی (0.70) و امتیاز F1 (0.72)، در مقایسه با سایر روش&zwnj;ها عملکرد بهتری دارد و می&zwnj;تواند به&zwnj;عنوان یک راهکار کارآمد در بهینه&zwnj;سازی پردازش داده&zwnj;های IoT مورد استفاده قرار گیرد.v</p> http://jour.aicti.ir/en/Article/Download/49801