بهینه سازی مه و مدیریت منابع

اینترنت اشیا (IoT) شبکه ای از دستگاه هایی است که توانایی درک محیط، پردازش، برقراری ارتباط و انجام اقدامات خاص را دارند (Taneja and Davy 2016). اینترنت اشیا دارای کاربردهای زیادی از جمله نظارت بر محیط زیست، مدیریت ترافیک، خانه های هوشمند و شهرهای هوشمند است (رضای پناه، نظری و احمدی 2019). رایانش ابری یکی از فناوری‌های اصلی برای تحقق IoT است. با توجه به حجم زیاد داده های تولید شده توسط دستگاه های اینترنت اشیا، مراکز داده ابری بهترین مکان برای ذخیره این داده ها هستند. ابر از نظر تئوری دارای منابع نامحدود و مقیاس پذیر است و می تواند الزامات اساسی برنامه های کاربردی اینترنت اشیا را برآورده کند (دستجردی و بویا 2016). با این حال، تا سال 2020 بیش از 50 میلیارد دستگاه شبکه ای وجود دارد و سیسکو پیش بینی می کند که تا سال 2030، بیش از 500 میلیارد دستگاه اینترنت اشیا به اینترنت متصل خواهند شد (Mohan et al. 2017). بنابراین واضح است که زیرساخت ابری فعلی قادر به پشتیبانی از تمامی داده های تولید شده توسط این دستگاه ها نخواهد بود. علاوه بر این، تمرکز جغرافیایی ابر منجر به ناتوانی آن در رفع نیازهای برنامه های کاربردی اینترنت اشیا بلادرنگ می شود (رضایی پناه، مجرد و فخاری 2020). با وجود این فاصله، دستگاه های اینترنت اشیا متصل به ابر از مشکل زمان پاسخ، تأخیر، پهنای باند و ازدحام شبکه رنج می برند. بنابراین، ساختار نسبتاً متمرکز ابر با ماهیت غیرمتمرکز اینترنت اشیا مطابقت ندارد و یک مدل محاسباتی جدید برای غلبه بر این محدودیت‌ها مورد نیاز بود (گوسوامی و همکاران 2021؛ Karatas and Korpeoglu 2019).

محاسبات مه یا لبه به عنوان یک مدل محاسباتی جدید برای میزبانی برنامه های IoT به منظور غلبه بر محدودیت های استفاده از مراکز داده ابری معرفی شده است (Souza et al. 2018). جامعه هنوز بر روی تعاریف روشنی از این اصطلاحات همگرا نشده است (چن و همکاران 2020؛ فروزنده، رستمی و برهمند 2021؛ اسکارلات و همکاران 2017؛ سوزا و همکاران 2018). محاسبات مه شامل تعداد زیادی گره ناهمگن است که به خدمات اینترنت اشیا اجازه می دهد در مجاورت منابع بدون دخالت ابر اجرا شوند. این فناوری خدمات را به لبه شبکه به صورت توزیع شده گسترش می دهد و ذخیره سازی، تجزیه و تحلیل و پردازش را به محل ایجاد داده ها و کاربران نهایی نزدیک می کند. محاسبات مه به عنوان یک لایه میانی بین سرورهای ابری و دستگاه های اینترنت اشیا در نظر گرفته می شود و شبکه را به یک شبکه لبه تبدیل می کند (خسروآبادی، فتوحی قزوینی و فتوحی 2021). در این لایه منابع مه و ابر برای ارائه خدمات با هم کار می کنند. از مزایای قابل توجه محاسبات مه می توان به کاهش تاخیر و هزینه های محاسباتی و همچنین توانایی آن در برآوردن زمان پاسخ مورد نیاز در برنامه های حساس به تأخیر و زمان واقعی اشاره کرد (Taneja and Davy 2016). در حال حاضر، مدیریت منابع یکی از چالش های اصلی در تحقیقات مبتنی بر محاسبات مه است (Puliafito et al. 2019; Xavier et al. 2020). مسائل زیادی در ارتباط با مدیریت منابع در رایانش ابری و مه وجود دارد، مانند پیش‌بینی منابع، تأمین منابع، تأمین خدمات، زمان‌بندی، اعزام و مهاجرت خدمات (خسروآبادی، فتوحی قزوینی، و فتوحی 2021).

یکی از موانع اصلی پذیرش محاسبات مه «نحوه استقرار مؤثر خدمات در گره‌های مه‌آلود» است (Karatas and Korpeoglu 2019). زیرا برخلاف مراکز داده ابری، دستگاه های مه پویا دارای منابع محدود و توزیع شده هستند و این امر مدیریت منابع را چالش برانگیز می کند. بنابراین، یکی از مهمترین مشکلات در مدیریت منابع مه و ابر، تصمیم گیری برای ارائه خدمات یا قرار دادن خدمات به صورت مستقل است. هدف از حل این مشکل، استقرار اجزای توزیع شده برنامه های کاربردی اینترنت اشیا (به عنوان مثال، خدمات) در منابع مه و ابر است، که باعث نقشه برداری بین گره های مه و برنامه های کاربردی اینترنت اشیا برای استفاده از منابع می شود (Yang et al. 2018). مزایای ارائه خدمات پویا شامل کاهش استفاده از پهنای باند، مدیریت بهینه منابع، کاهش هزینه‌های محاسباتی، در دسترس بودن، کاهش تأخیر، افزایش قابلیت اطمینان، کاهش مصرف انرژی، بهبود QoS و برآورده کردن زمان پاسخ مورد نیاز برای برنامه‌های بلادرنگ است (سانتویو-گونزالس و Cervelló-Pastor 2018).

شرکت International Business Machines (IBM) مدل مستقل MADE-k را برای پیاده سازی محاسبات مه معرفی کرده است (Jacob et al. 2004). این مدل شامل چهار مرحله نظارت، تجزیه و تحلیل، تصمیم گیری و اجرا است که با یک دانش بنیان مشترک است (سلیمیان، قبایی ارانی و شهیدی نژاد 2021). خدمات اینترنت اشیا و منابع مه در مرحله نظارت کنترل می شوند. مرحله تحلیل مسئولیت اولویت بندی اجرای خدمات بر اساس مهلت مقرر را بر عهده دارد. در مرحله تصمیم گیری، برنامه ریزی برای استقرار مناسب خدمات انجام می شود و در نهایت در مرحله اجرا، جانمایی برنامه ریزی شده اعمال می شود.

برای دانلود پروژه نمونه iFogSim پویا: چارچوبی برای شبیه سازی تمام پشته مدیریت منابع پویا در سیستم های اینترنت اشیا به همراه شبیه سازی، اینجا کلیک کنید.

معماری اکوسیستم Cloud-Fog-IoT

همانطور که در شکل 1 نشان داده شده است، معماری تولید ابر مبتنی بر محاسبات مه شامل سه لایه است: دستگاه های اینترنت اشیا، لایه محاسبات مه و لایه رایانش ابری (Natesha and Guddeti 2021). طبق این معماری، محاسبات مه یک لایه میانی بین دستگاه های اینترنت اشیا و رایانش ابری است که تعادل مناسب بین این لایه ها را فراهم می کند. لایه دستگاه شامل حسگرها و مانیتورهایی است که داده ها را در زمان واقعی حس می کند و آن را به لایه مه منتقل می کند. لایه مه برای جمع آوری و تجزیه و تحلیل داده های اینترنت اشیاء در زمان واقعی استفاده می شود. این لایه می تواند خدمات مورد نیاز درخواست های دریافتی را بر اساس منابع موجود ارائه دهد. در نهایت، لایه ابر وظیفه ذخیره و تخصیص خدمات به درخواست هایی را بر عهده دارد که لایه مه قادر به اجرای آنها نیست.

شکل 1. معماری اکوسیستم سه لایه Cloud-Fog-IoT.

محاسبات مه ارتباطات، پردازش و ذخیره سازی را بر روی منابعی انجام می دهد که به کاربران نهایی نزدیک هستند. این مهم‌ترین مزیت محاسبات مه است که منجر به افزایش QoS برای برنامه‌های بلادرنگ می‌شود (Neware و Shrawankar 2020). شکل 2 برخی از مزایای محاسبات مه را نسبت به سایر مدل های محاسباتی نشان می دهد.

شکل 2. برخی از مزایای محاسبات مه.

منابع

• Askarzadeh, A. 2016. A novel metaheuristic method for solving constrained engineering optimization problems: Crow search algorithm. Computers & Structures 169:1–597. doi:https://doi.org/10.1016/j.compstruc.2016.03.001. [Crossref], [Web of Science ®], [Google Scholar]
• Brogi, A., S. Forti, and A. Ibrahim (2018, March). Optimising QoS-assurance, resource usage and cost of fog application deployments. In International Conference on Cloud Computing and Services Science (pp. 168–89). Springer, Cham. [Google Scholar]
• Chen, Y., Z. Li, B. Yang, K. Nai, and K. Li. 2020. A Stackelberg game approach to multiple resources allocation and pricing in mobile edge computing. Future Generation Computer Systems 108:273–87. doi:https://doi.org/10.1016/j.future.2020.02.045. [Crossref], [Google Scholar]
• Dastjerdi, A. V., and R. Buyya. 2016. Fog computing: Helping the internet of things realize its potential. Computer 49 (8):112–16. doi:https://doi.org/10.1109/MC.2016.245. [Crossref], [Web of Science ®], [Google Scholar]
• Faraji Mehmandar, M., S. Jabbehdari, and J. H. Haj Seyyed. 2020. A dynamic fog service provisioning approach for IoT applications. International Journal of Communication Systems 33 (14):e4541. doi:https://doi.org/10.1002/dac.4541. [Crossref], [Web of Science ®], [Google Scholar]
• Forouzandeh, S., M. Rostami, and K. Berahmand. 2021. Presentation a trust walker for rating prediction in recommender system with biased random walk: Effects of h-index centrality, similarity in items and friends. Engineering Applications of Artificial Intelligence 104:104325. doi:https://doi.org/10.1016/j.engappai.2021.104325. [Crossref], [Web of Science ®], [Google Scholar]
• Goswami, P., A. Mukherjee, M. Maiti, S. K. S. Tyagi, and L. Yang. 2021. A neural network based optimal resource allocation method for secure IIoT network. IEEE Internet of Things Journal 1–1. doi:https://doi.org/10.1109/JIOT.2021.3084636. [Crossref], [Google Scholar]
• Hajipour, H., H. B. Khormuji, and H. Rostami. 2016. ODMA: A novel swarm-evolutionary metaheuristic optimizer inspired by open-source development model and communities. Soft Computing 20 (2):727–47. doi:https://doi.org/10.1007/s00500-014-1536-x. [Crossref], [Web of Science ®], [Google Scholar]
• Hassan, H. O., S. Azizi, and M. Shojafar. 2020. Priority, network and energy-aware placement of IoT-based application services in fog-cloud environments. IET Communications 14 (13):2117–29. doi:https://doi.org/10.1049/iet-com.2020.0007. [Crossref], [Google Scholar]
• Ibrahim, A., M. Noshy, H. A. Ali, and M. Badawy. 2020. PAPSO: A power-aware VM placement technique based on particle swarm optimization. IEEE Access 8:81747–64. doi:https://doi.org/10.1109/ACCESS.2020.2990828. [Crossref], [Web of Science ®], [Google Scholar]
• Jacob, B., R. Lanyon-Hogg, D. K. Nadgir, and A. F. Yassin. 2004. A practical guide to the IBM autonomic computing toolkit. IBM Redbooks 4 (10):1–268. [Google Scholar]
• Jia, B., H. Hu, Y. Zeng, T. Xu, and Y. Yang. 2018. Double-matching resource allocation strategy in fog computing networks based on cost efficiency. Journal of Communications and Networks 20 (3):237–46. doi:https://doi.org/10.1109/JCN.2018.000036. [Crossref], [Google Scholar]
• Karatas, F., and I. Korpeoglu. 2019. Fog-based data distribution service (F-DAD) for Internet of Things (IoT) applications. Future Generation Computer Systems 93:156–69. doi:https://doi.org/10.1016/j.future.2018.10.039. [Crossref], [Google Scholar]
• Kennedy, J., and R. Eberhart (1995, November). Particle swarm optimization. In Proceedings of ICNN’95-international conference on neural networks, Perth, WA, Australia, (Vol.4, pp. 1942–48). IEEE. [Crossref], [Google Scholar]
• Khosroabadi, F., F. Fotouhi-Ghazvini, and H. Fotouhi. 2021. SCATTER: service placement in real-time fog-assisted IoT networks. Journal of Sensor and Actuator Networks 10 (2):26. doi:https://doi.org/10.3390/jsan10020026. [Crossref], [Google Scholar]
• Kim, W.-S., and S.-H. Chung. 2018. User-participatory fog computing architecture and its management schemes for improving feasibility. IEEE Access 6:20262–78. doi:https://doi.org/10.1109/ACCESS.2018.2815629. [Crossref], [Google Scholar]
• Lee, G., W. Saad, and M. Bennis. 2019. An online optimization framework for distributed fog network formation with minimal latency. IEEE Transactions on Wireless Communications 18 (4):2244–58. doi:https://doi.org/10.1109/TWC.2019.2901850. [Crossref], [Google Scholar]
• Mahmoud, M. M., J. J. Rodrigues, K. Saleem, J. Al-Muhtadi, N. Kumar, and V. Korotaev. 2018. Towards energy-aware fog-enabled cloud of things for healthcare. Computers & Electrical Engineering 67:58–69. doi:https://doi.org/10.1016/j.compeleceng.2018.02.047. [Crossref], [Google Scholar]
• Maier, H. R., S. Razavi, Z. Kapelan, L. S. Matott, J. Kasprzyk, and B. A. Tolson. 2019. Introductory overview: Optimization using evolutionary algorithms and other metaheuristics. Environmental Modelling & Software 114:195–213. doi:https://doi.org/10.1016/j.envsoft.2018.11.018. [Crossref], [Google Scholar]
• Minh, Q. T., D. T. Nguyen, A. Van Le, H. D. Nguyen, and A. Truong (2017, November). Toward service placement on fog computing landscape. In 2017 4th NAFOSTED conference on information and computer science, Hanoi, Vietnam, (pp. 291–96). IEEE. [Crossref], [Google Scholar]
• Mirjalili, S., and A. Lewis. 2016. The whale optimization algorithm. Advances in Engineering Software 95:51–67. doi:https://doi.org/10.1016/j.advengsoft.2016.01.008. [Crossref], [Web of Science ®], [Google Scholar]
• Mohan, A., K. Gauen, Y. H. Lu, W. W. Li, and X. Chen (2017, May). Internet of video things in 2030: A world with many cameras. In 2017 IEEE international symposium on circuits and systems (ISCAS), Baltimore, MD, USA, (pp. 1–4). IEEE. [Crossref], [Google Scholar]
• Murtaza, F., A. Akhunzada, S. Ul Islam, J. Boudjadar, and R. Buyya. 2020. QoS-aware service provisioning in fog computing. Journal of Network and Computer Applications 165:102674. doi:https://doi.org/10.1016/j.jnca.2020.102674. [Crossref], [Google Scholar]
• Natesha, B. V., and R. M. R. Guddeti. 2021. Adopting elitism-based Genetic Algorithm for minimizing multi-objective problems of IoT service placement in fog computing environment. Journal of Network and Computer Applications 178:102972. doi:https://doi.org/10.1016/j.jnca.2020.102972. [Crossref], [Google Scholar]
• Neware, R., and U. Shrawankar. 2020. Fog computing architecture, applications and security issues. International Journal of Fog Computing (IJFC) 3 (1):75–105. doi:https://doi.org/10.4018/IJFC.2020010105. [Crossref], [Google Scholar]
• Puliafito, C., E. Mingozzi, F. Longo, A. Puliafito, and O. Rana. 2019. Fog computing for the internet of things: A survey. ACM Transactions on Internet Technology (TOIT) 19 (2):1–41. doi:https://doi.org/10.1145/3301443. [Crossref], [Google Scholar]
• Ramírez, W., X. Masip-Bruin, E. Marin-Tordera, V. B. C. Souza, A. Jukan, G. J. Ren, and O. G. de Dios. 2017. Evaluating the benefits of combined and continuous Fog-to-Cloud architectures. Computer Communications 113:43–52. doi:https://doi.org/10.1016/j.comcom.2017.09.011. [Crossref], [Google Scholar]
• Ren, J., G. Yu, Y. He, and G. Y. Li. 2019. Collaborative cloud and edge computing for latency minimization. IEEE Transactions on Vehicular Technology 68 (5):5031–44. doi:https://doi.org/10.1109/TVT.2019.2904244. [Crossref], [Google Scholar]
• Rezaeipanah, A., H. Nazari, and G. Ahmadi. 2019. A Hybrid Approach for Prolonging Lifetime of Wireless Sensor Networks Using Genetic Algorithm and Online Clustering. Journal of Computing Science and Engineering 13 (4):163–74. doi:https://doi.org/10.5626/JCSE.2019.13.4.163. [Crossref], [Google Scholar]
• Rezaeipanah, A., M. Mojarad, and A. Fakhari. 2020. Providing a new approach to increase fault tolerance in cloud computing using fuzzy logic. International Journal of Computers and Applications 1–9. doi:https://doi.org/10.1080/1206212X.2019.1709288. [Taylor & Francis Online], [Google Scholar]
• Saeedi, S., R. Khorsand, S. G. Bidgoli, and M. Ramezanpour. 2020. Improved many-objective particle swarm optimization algorithm for scientific workflow scheduling in cloud computing. Computers & Industrial Engineering 147:106649. doi:https://doi.org/10.1016/j.cie.2020.106649. [Crossref], [Google Scholar]
• Salimian, M., M. Ghobaei‐Arani, and A. Shahidinejad. 2021. Toward an autonomic approach for Internet of Things service placement using gray wolf optimization in the fog computing environment. Software: Practice and Experience 51 (8):1745-1772. [Crossref], [Google Scholar]
• Santoyo-González, A., and C. Cervelló-Pastor. 2018. Latency-aware cost optimization of the service infrastructure placement in 5G networks. Journal of Network and Computer Applications 114:29–37. doi:https://doi.org/10.1016/j.jnca.2018.04.007. [Crossref], [Google Scholar]
• Skarlat, O., M. Nardelli, S. Schulte, M. Borkowski, and P. Leitner. 2017. Optimized IoT service placement in the fog. Service Oriented Computing and Applications 11 (4):427–43. doi:https://doi.org/10.1007/s11761-017-0219-8. [Crossref], [Google Scholar]
• Souza, V. B., X. Masip-Bruin, E. Marín-Tordera, S. Sànchez-López, J. Garcia, G. J. Ren, A. J. Ferrer, and A. Juan Ferrer. 2018. Towards a proper service placement in combined Fog-to-Cloud (F2C) architectures. Future Generation Computer Systems 87:1–15. doi:https://doi.org/10.1016/j.future.2018.04.042. [Crossref], [Google Scholar]
• Talatian Azad, S., G. Ahmadi, and A. Rezaeipanah. 2021. An intelligent ensemble classification method based on multi-layer perceptron neural network and evolutionary algorithms for breast cancer diagnosis. Journal of Experimental & Theoretical Artificial Intelligence 1–21. doi:https://doi.org/10.1080/0952813X.2021.1938698. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
• Taneja, M., and A. Davy (2016, October). Resource aware placement of data stream analytics operators on fog infrastructure for internet of things applications. In 2016 IEEE/ACM Symposium on Edge Computing (SEC), Washington, DC, USA, (pp. 113–14). IEEE. [Crossref], [Google Scholar]
• Xavier, T. C. S., I. L. Santos, F. C. Delicato, P. F. Pires, M. P. Alves, T. S. Calmon, A. C. Oliveira, and C. L. Amorim. 2020. Collaborative resource allocation for Cloud of Things systems. Journal of Network and Computer Applications 159:102592. doi:https://doi.org/10.1016/j.jnca.2020.102592. [Crossref], [Google Scholar]
• Yang, X. S., and S. Deb (2009, December). Cuckoo search via Lévy flights. In 2009 World congress on nature & biologically inspired computing (NaBIC), Coimbatore, India, (pp. 210–14). Ieee. [Crossref], [Google Scholar]
• Yang, Y., S. Zhao, W. Zhang, Y. Chen, X. Luo, and J. Wang. 2018. DEBTS: Delay energy balanced task scheduling in homogeneous fog networks. IEEE Internet of Things Journal 5 (3):2094–106. doi:https://doi.org/10.1109/JIOT.2018.2823000. [Crossref], [Google Scholar]
• Yousefpour, A., A. Patil, G. Ishigaki, I. Kim, X. Wang, H. C. Cankaya, J. P. Jue, W. Xie, and J. P. Jue. 2019. FOGPLAN: A lightweight QoS-aware dynamic fog service provisioning framework. IEEE Internet of Things Journal 6 (3):5080–96. doi:https://doi.org/10.1109/JIOT.2019.2896311. [Crossref], [Google Scholar]
• Yousefpour, A., G. Ishigaki, R. Gour, and J. P. Jue. 2018. On reducing IoT service delay via fog offloading. IEEE Internet of Things Journal 5 (2):998–1010. doi:https://doi.org/10.1109/JIOT.2017.2788802. [Crossref], [Google Scholar]
• Zhang, B., X. Wang, and M. Huang. 2018. Multi-objective optimization controller placement problem in internet-oriented software defined network. Computer Communications 123:24–35. doi:https://doi.org/10.1016/j.comcom.2018.04.008. [Crossref], [Google Scholar]

پروژه مشابه دارید؟

برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.

اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.

سریع ترین راه پاسخگویی سیمیا، واتساپ و سروش می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.

 09392265610

نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.

از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.