با پیشرفت جامعه بشری و فناوری اطلاعات و ارتباطات، اینترنت اشیا در ابعاد مختلف زندگی روزمره مردم و صنایع نفوذ کرده است. اینترنت اشیا با وجود تمامی تسهیلات، 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 به راه حلی مناسب برای تأمین امنیت اینترنت اشیا شده است. با وجود این، ادغام اینترنت اشیا و بلاکچین دارای چالش هایی مانند تأخیر، گذردهی، مقیاس پذیری و محدودیت توان دستگاه است. روش های یادگیری ماشین در حل مسائل پیچیده که برای انسان دشوار است، کارایی مناسبی از خود نشان داده و به همین دلیل، به تازگی به عنوان یکی از راه های حل چالش های بلاکچین در اینترنت اشیا مطرح شده اند. در این پژوهش برای بهبود چالش های بلاکچین در اینترنت اشیا یک مدل جدید مبتنی بر عامل توصیه گر ارائه داده ایم. هدف این مدل بهبود چالش گذردهی پایین بلاکچین در اینترنت اشیا و محدودیت منابع دستگاه های اینترنت اشیا برای استفاده از بلاکچین است. برای بهبود گذردهی عامل توصیه گر که از یادگیری تقویتی عمیق استفاده می کند، بلاک با تنظیم اندازه و زمانِ ساخت می تواند گذردهی را بهبود بخشد. همچنین، عامل توصیه گر با دریافت توان محاسباتی دستگاه اینترنت اشیا و میزان انرژی مورد نیاز برای فرایند استخراج، رویکرد بهینه را از بین انجام فرایند استخراج در دستگاه اینترنت اشیا و یا واگذاری به لایه لبه محاسباتی انتخاب می کند. رویکرد بهینه در این پژوهش رویکردی است که میزان تأخیر و انرژی مصرفی فرایند استخراج را کمینه سازد. در این پژوهش افزون بر ارائه معماری منطقی، به گردش کار عناصر مدل پیشنهادی نیز با جزئیات پرداخته شده است. طراحی مدل پییشنهادی با استفاده از روش اصل واحد برای حل چالش های بلاکچین در اینترنت اشیا مورد بررسی قرار گرفته و نقاط ضعف و قوت مدل بیان شده است.
