دکتر علی بهلولی

دانشیار

گروه مهندسی معماری‌کامپیوتر
دانشکده مهندسی کامپیوتر

پست الکترونیکی

bohlooli@eng.ui.ac.ir

تلفن

03137935622

آدرس

دانشگاه اصفهان میدان آزادی اصفهان، ایران
کد پستی : 8174673441

2009

2025

فعالیت های پژوهشی بر اساس سال

معرفی کلی

درباره من

علی بهلولی، دانشیار دانشکده مهندسی کامپیوتر دانشگاه اصفهان است. زمینه‌های تخصصی ایشان شامل طراحی و پیاده‌سازی سامانه‌های مبتنی بر میکروکنترلر و FPGA، کنترل کیفی با استفاده از پردازش تصویر و کاربرد هوش مصنوعی در سیستم‌های نهفته (Embedded AI) و اینترنت اشیاء می‌شود. ایشان با بیش از ۲۰ سال تجربه در عیب‌یابی، بهینه‌سازی و به‌روزرسانی سخت‌افزارهای صنعتی، بر توسعه‌ی راهکارهای هوشمند، کم‌مصرف و کارآمد برای حل مسائل دنیای واقعی متمرکز است. باور ایشان این است که فناوری زمانی ارزشمند است که بتواند مشکلات واقعی را حل کند؛ از همین رو، پروژه‌های خود را با رویکردی مسئله‌محور و با تأکید بر بهینه‌سازی عملکرد، کاهش مصرف انرژی و افزایش دقت پیش می‌برند.

علاقه مندی پژوهشی

✔ سیستم‌های رایانشی-فیزیکی ✔ اینترنت اشیاء ✔ هوش مصنوعی در سیستم‌های نهفته ✔ امنیت در اینترنت اشیاء صنعتی

عضویت در انجمن ها و گروههای تحقیقاتی

✔ آزمایشگاه پژوهشی سیستم‌های رایانشی-فیزیکی (cpslab.ui.ac.ir) ✔ عضو شورای ارتباط با صنعت دانشگاه اصفهان

فعالیت‌های حرفه‌ای

✔ طراحی و پیاده‌سازی سیستم‌های دیجیتال مبتنی بر میکروکنترلر و FPGA ✔ کنترل کیفی محصولات با استفاده از پردازش تصویر ✔ به روز رسانی و عیب یابی سیستمهای سخت افزاری

سابقه تحصیلی

دکتر, افزایش پایداری پیوند در شبکه‌های ..., دانشگاه اصفهان [اصفهان - ایران]
کارشناسی ارشد, طراحی پردازنده مبتنی بر ..., دانشگاه صنعتی اصفهان [اصفهان - ایران]
کارشناسی, اتوماسیون دستگاه حصیربافی, دانشگاه صنعتی اصفهان [اصفهان - ایران]

دروس

بهینه‌سازی پیشرفته هوش‌مصنوعی در سیستم‌های نهفته برنامه‌نویسی تجهیزات اینترنت اشیاء

برونداد‌های پژوهشی

همه موارد

مقالات

کتاب

2026

مقالات لاتین

2026

Bermuda Weed Optimization: A Scalable Meta-heuristic for Cloud-Based Cruise Control Systems

( Article . Hybrid Gold )

Bohlooli, A., Jamshidi, K.

Publication Date: 2026

International Journal of Engineering, Transactions A: Basics (17281431)39(10)pp. 2529-2545

2025

Adjustable random linear network coding (ARLNC): A solution for data transmission in dynamic IoT computational environments

( Article . Gold )

Bohlooli, A., Jamshidi, K.

Publication Date: 2025

Digital Communications and Networks (23528648)11(2)pp. 574-586

Boosting computation reuse efficiency in ICN-based edge computing via improved forwarding algorithms

( Article )

Bohlooli, A., Jamshidi, K.

Publication Date: 2025

Computing (14365057)107(6)

2024

An Efficient Approximation Algorithm for Service Function Chaining Placement in Edge-Cloud Computing Industrial Internet of Things

( Article )

Jamshidi, K., Bohlooli, A.

Publication Date: 2024

IEEE Internet of Things Journal (23274662)11(7)pp. 12815-12822

Enhancing computation reuse efficiency in ICN-based edge computing by modifying content store table structure

( Article )

Bohlooli, A., Jamshidi, K.

Publication Date: 2024

Computing (14365057)106(9)pp. 2949-2969

In edge computing, repetitive computations are a common occurrence. However, the traditional TCP/IP architecture used in edge computing fails to identify these repetitions, resulting in redundant computations being recomputed by edge resources. To address this issue and enhance the efficiency of edge computing, Information-Centric Networking (ICN)-based edge computing is employed. The ICN architecture leverages its forwarding and naming convention features to recognize repetitive computations and direct them to the appropriate edge resources, thereby promoting “computation reuse”. This approach significantly improves the overall effectiveness of edge computing. In the realm of edge computing, dynamically generated computations often experience prolonged response times. To establish and track connections between input requests and the edge, naming conventions become crucial. By incorporating unique IDs within these naming conventions, each computing request with identical input data is treated as distinct, rendering ICN’s aggregation feature unusable. In this study, we propose a novel approach that modifies the Content Store (CS) table, treating computing requests with the same input data and unique IDs, resulting in identical outcomes, as equivalent. The benefits of this approach include reducing distance and completion time, and increasing hit ratio, as duplicate computations are no longer routed to edge resources or utilized cache. Through simulations, we demonstrate that our method significantly enhances cache reuse compared to the default method with no reuse, achieving an average improvement of over 57%. Furthermore, the speed up ratio of enhancement amounts to 15%. Notably, our method surpasses previous approaches by exhibiting the lowest average completion time, particularly when dealing with lower request frequencies. These findings highlight the efficacy and potential of our proposed method in optimizing edge computing performance. © The Author(s), under exclusive licence to Springer-Verlag GmbH Austria, part of Springer Nature 2024.