Fog Computing Applications: Taxonomy and Requirements
雾计算旨在支持延迟关键型应用程序的特定需求，例如增强现实和物联网应用程序，这些应用程序会产生大量数据，这些数据无法发送到遥远的云数据中心进行分析。然而，这也为更广泛的应用创造了新的机会，这些应用反过来又对未来的雾计算平台提出了自己的要求。本文介绍了一组具有代表性的30个雾计算应用程序的研究，以及通用雾计算平台应支持的要求。
2019-07-26 cs.DC
FogBus: A Blockchain-based Lightweight Framework for Edge and Fog Computing
同时支持延迟敏感型和计算密集型物联网（IoT）应用的需求不断提高了集成边缘、雾和云基础设施的必要性。虽然有许多真实世界的框架试图支持这样的集成，他们有许多限制，从各种角度，包括平台独立性，安全性，资源管理和多应用程序的援助。为了解决这些限制，我们提出了一个简化但有效的框架，名为FogBus，用于促进端到端的物联网-雾（边缘）-云集成。FogBus为IoT应用程序和计算实例提供了一个独立于平台的接口，用于执行和交互。它不仅帮助开发人员构建应用程序，还帮助用户一次运行多个应用程序，并帮助服务提供商管理其资源。此外，FogBus应用区块链、身份验证和加密技术来保护敏感数据的安全操作。由于其轻量级和跨平台的软件系统，易于部署，可扩展性和成本效益。我们通过创建一个计算环境来证明我们的框架的有效性，该计算环境将手指脉搏血氧仪作为物联网设备与基于智能手机的网关和基于Raspberry Pi的Fog节点集成，用于睡眠呼吸暂停分析。我们还在此计算环境上运行了几个实验，改变FogBus设置。实验结果表明，不同的FogBus设置可以改善计算基础设施的延迟，能源，网络和CPU使用率。
2018-11-29 cs.DC
Fog Function: Serverless Fog Computing for Data Intensive IoT Services
雾计算可以通过将计算从云移动到边缘设备来支持具有快速响应时间和低带宽使用的物联网服务。然而，现有的雾计算框架具有有限的灵活性，以支持动态服务组合与面向数据的方法。FaaS（Function-as-a-Service）是一种很有前途的雾计算编程模型，可以增强灵活性，但目前基于事件或主题的功能触发设计以及数据管理和功能执行的分离导致数据密集型物联网服务效率低下。为了实现灵活性和效率，我们提出了一个以数据为中心的编程模型，称为雾函数，并介绍了其底层的编排机制，利用三种类型的上下文：数据上下文，系统上下文和使用上下文。此外，我们还展示了一个智能停车的具体用例，其中Fog Function允许服务开发人员轻松地对其服务逻辑进行建模，与静态服务拓扑相比，减少了学习工作量。我们的性能评估结果表明，雾功能可以扩展到数百个雾节点。雾功能可以通过云功能节省95%的内部数据流量来提高系统效率，并且可以通过边缘功能减少30%的服务延迟。
2019-07-18 cs.DC
On the Applicability of Network Coordinate Systems for Fog Computing
本文评估Meridian和Vivaldi网络坐标系统在雾计算中识别最近节点的性能，发现其虽能定位邻近节点，但忽略了负载均衡问题。
2023-07-25 cs.DC
Fog Computing: A Taxonomy, Survey and Future Directions
近年来，物联网（IoT）设备/传感器的数量在很大程度上增加。为了支持大部分地理分布的IoT设备/传感器的实时延迟敏感应用的计算需求，已经引入了一种名为“雾计算”的新计算范例。一般来说，雾计算更接近物联网设备/传感器，并扩展了基于云的计算，存储和网络设施。在本章中，我们全面分析了Fogs作为物联网设备/传感器和云计算中心之间的中间层所面临的挑战，并回顾了该领域的当前发展。根据雾计算面临的挑战及其主要特征，对雾计算进行了分类，并将现有的研究成果映射到该分类中，以找出雾计算领域目前的研究空白。此外，根据观察结果，我们提出了未来的研究方向。
2017-10-21 cs.DC
Fog Computing based SDI Framework for Mineral Resources Information Infrastructure Management in India
空间数据基础设施（SDI）是一个重要的概念，用于在网络上共享空间数据。随着空间云计算和雾计算等技术的积累，空间数据基础设施具有更大的发展潜力，已经成为空间数据处理、分析和传输的工具。雾计算是一种范例，其中雾设备有助于增加吞吐量并减少客户端边缘相对于云计算环境的延迟。本文提出并开发了一个基于雾计算的SDI框架，用于从印度矿产资源管理的空间大数据中进行挖掘分析。我们使用嵌入式微处理器Raspberry Pi构建了一个原型。我们通过对印度矿产资源管理的案例研究进行了初步的分析，包括叠加分析。结果表明，雾计算在空间数据分析中具有广阔的应用前景。我们使用开源GIS，即QGIS和QIS插件，以减少从雾节点到云的传输。
2018-01-11 cs.DC
FogStore: Toward a Distributed Data Store for Fog Computing
有状态应用和虚拟化网络功能（VNF）可以从状态外部化中受益，以提高其可靠性、可扩展性和互操作性。为了保持和共享外部化的状态，分布式数据存储（DDS）是一个强大的工具，允许在一致性，可用性和分区容差的传统权衡管理。随着雾计算和边缘计算的出现，有状态应用程序和VNF从数据中心推向网络边缘。这对为云数据中心部署量身定制的DDS提出了新的挑战。在本文中，我们提出了两个新的设计目标的DDS是专门为雾计算：（1）雾感知副本放置，（2）上下文敏感的差分一致性。为了在现有DDS的基础上实现这些设计目标，我们提出了FogStore系统。FogStore透明地管理副本放置和一致性管理中所需的调整，以便现有的DDS可以插入系统。为了展示FogStore的好处，我们使用Yahoo Cloud Serving Benchmark进行了一系列评估。
2017-09-22 cs.DC
Foggy: A Platform for Workload Orchestration in a Fog Computing Environment
在本文中，我们提出了雾，一个架构框架和软件平台的基础上开源技术。Foggy可为多层、分布式、异构和分散式云计算系统协调应用工作负载、协商资源并支持物联网操作。Foggy是为5G网络和物联网等新兴领域量身定制的，这些领域需要遵循雾计算范式，将资源和服务分布并靠近数据源和用户。Foggy为基础设施所有者和租户提供了一个平台（即，应用程序提供商）提供协商、调度和工作负载放置的功能，同时考虑传统要求（例如基于RAM、CPU、磁盘）和非传统要求（例如基于联网）以及对位置和访问权的多样化约束。在不久的将来，Foggy模型也可以考虑资源的经济和定价。通过视频监控和车辆跟踪环境中的三个用例，Foggy能够在基础设施所有者和租户的需求之间找到平衡，在有效和优化使用基础设施的同时满足应用程序的要求。
2018-09-29 cs.DC
Resource Management in Fog/Edge Computing: A Survey
与使用远程和集中的云数据中心资源相反，在网络边缘采用分散的资源来处理更靠近用户设备（例如智能手机和平板电脑）的数据是即将到来的计算范例，称为雾/边缘计算。与云相比，雾/边缘资源通常是资源受限的、异构的和动态的，从而使资源管理成为需要解决的重要挑战。本文回顾了早在1991年的出版物，其中85%的出版物在2013-2018年之间，以识别和分类雾/边缘计算中管理资源的架构，基础设施和底层算法。
2018-09-30 cs.DC
Big Data and Fog Computing
雾计算作为网络拓扑中位于边缘设备和云之间的计算层。它们的计算能力比边缘更强，但远低于云数据中心。它们通常具有高可靠性和始终在线的Internet连接。利用雾的应用程序可以避免云计算的网络性能限制，同时比边缘计算受到更少的资源约束。因此，它们提供了一种有益的现有模式的平衡。本文探讨了大数据背景下雾计算的各个方面。
2017-12-27 cs.DC
DHT-based Edge and Fog Computing Systems: Infrastructures and Applications
为了支持延迟要求低于云数据中心所能提供的新出现的应用程序，边缘和雾计算范式已经兴起。在这样的系统中，实时即时数据被处理得更靠近网络边缘，而不是远程数据中心。随着边缘和雾计算系统的发展，基于分布式哈希表（DHT）的新型高效解决方案应运而生，并在系统设计中发挥着关键作用。已经提出了几种基于DHT的解决方案，以增强边缘和雾计算基础设施的可扩展性和效率，或者实现特定于应用程序的功能，例如任务和资源管理。本文首次从基础设施和应用的角度对边缘和雾计算系统中最先进的基于DHT的架构进行了全面研究。此外，本文详细介绍了开放的问题，并讨论了未来的研究方向，基于DHT的边缘和雾计算系统。
2022-11-10 cs.DC
EmuFog: Extensible and Scalable Emulation of Large-Scale Fog Computing Infrastructures
雾计算部署模型的多样性和缺乏公共可用的雾基础设施使得设计高效的应用程序或资源管理策略成为一项具有挑战性的任务。这种研究通常需要一个测试框架，以可重复和可控的方式促进对应用程序或协议设计的实验评估。在本文中，我们提出了EmuFog-一个为雾计算场景量身定制的可扩展仿真框架-它可以从头开始设计雾计算基础设施，并模拟真实的应用程序和工作负载。EmuFog使研究人员能够根据用例设计网络拓扑，在拓扑中嵌入雾计算节点，并在通过仿真网络连接的节点上运行基于Docker的应用程序。EmuFog的每个子模块都很容易扩展，尽管EmuFog为每个子模块提供了默认实现。EmuFog的可扩展性和有效性在合成和真实世界的网络拓扑结构上进行了评估。
2017-09-22 cs.DC
Multi-Criteria-based Dynamic User Behaviour Aware Resource Allocation in Fog Computing
雾计算是一种很有前途的计算模式，可以在边缘附近处理物联网数据，以支持时间敏感的应用程序。然而，计算设备中的资源的可用性是不稳定的，因为它们可能不是专门专用于雾环境中的处理。这与动态用户行为相结合，可能会影响应用程序的执行。针对资源受限的Fog设备中用户行为的动态变化，提出了一种基于多准则的资源预留资源分配策略，该策略考虑了Fog计算相关特性，如设备异构性、资源约束和移动性，以及用户需求的动态变化，以最小化总体延迟、处理时间和SLA违规.我们采用多个目标函数，以找到适当的资源，在雾环境中执行时间敏感的任务。实验结果表明，我们提出的政策表现优于现有的，减少了51%的总延迟。该算法还减少了处理时间和SLA违规，这是有益的运行时间敏感的应用程序在雾环境中。
2019-12-17 cs.DC
Fog Computing for Smart Grids: Challenges and Solutions
智能电网（SG）能够整合包括可再生能源在内的各种电源。它们可以有助于减少有害气体排放，并支持双向信息流动，以提高能源效率，以及小规模微电网，作为一个有前途的解决方案，以应对环境问题。然而，随着关键任务和延迟敏感型应用的出现，传统的基于云的数据处理模式变得越来越不令人满意。使用雾计算来增强智能电网系统的边缘侧处理能力被认为是解决该问题的潜在解决方案。在本章中，我们的目的是提供一个全面的分析雾计算在智能电网中的应用。我们首先概述智能电网和雾计算。然后，通过对现有研究的综述，总结了雾计算在智能电网中的主要应用、关键问题和可能的解决方法。我们通过讨论研究挑战和未来方向来结束本章。
2020-08-31 cs.DC
Demystifying Fog Computing: Characterizing Architectures, Applications and Abstractions
物联网（IoT）通过智慧城市基础设施和生活方式设备加速了网络边缘数百万个传感器的部署。云计算平台的任务通常是处理来自边缘的大量快速数据流。最近，雾计算已经成为这些观察流的低延迟和资源丰富处理的概念，以补充边缘和云计算。在本文中，我们回顾了系统架构，应用程序特性和平台抽象的各个方面，这些方面在边缘，雾和云生态系统中表现出来。我们强调了Edge和Fog层的新功能，例如物理和应用程序移动性，隐私敏感性和新生的运行时环境。基于不同领域第一手经验的物联网应用案例研究推动了这一分类。我们还强调了雾计算的潜力和现实之间的差距，并确定了解决方案可持续发展需要克服的挑战。总之，我们的文章可以帮助平台和应用程序开发人员弥合差距，使雾计算可行。
2017-02-21 cs.DC
Fog Computing: Principles, Architectures, and Applications
万物互联（IoE）解决方案逐渐使每个对象在线，并且在集中式云中处理数据不能扩展到此类环境的要求。这是因为，有一些应用程序，如健康监测和应急响应，需要低延迟，而将数据传输到云然后返回应用程序所造成的延迟会严重影响性能。为此，雾计算应运而生，它将云计算扩展到网络边缘，以减少延迟和网络拥塞。雾计算是一种管理高度分布式和虚拟化环境的范例，在传感器和云数据中心之间提供计算和网络服务。本章提供了雾计算出现的背景和动机，并定义了其关键特征。此外，雾计算的参考架构，并讨论了最近的相关发展和应用。
2016-01-28 cs.DC
Monitoring Fog Computing: a Review, Taxonomy and Open Challenges
雾计算是一种在用户附近提供计算资源的分布式范例。雾编排是一组功能，用于协调动态基础设施和管理服务，以保证服务级别协议。监控是一项最重要的编排功能。它是资源管理操作的基础，收集资源和服务的状态，并将更新的数据交付给协调器。有几种云监控解决方案和工具，但它们都不符合雾的特征和挑战。雾监控解决方案很少，它们可能没有准备好组成编排服务。本文更新了有关雾监测的知识库，评估了可观测性，数据标准化和仪器领域等方面的最新主题。我们提出了一种新的分类雾监测解决方案，支持系统的文献综述。雾监测建议进行分析和分类，这一新的分类，为研究人员提供了一个全面的概述。这项工作还突出了主要的挑战和开放的研究问题。
2022-06-16 cs.DC
A Manifesto for Modern Fog and Edge Computing: Vision, New Paradigms, Opportunities, and Future Directions
物联网（IoT）设备的使用正在不断增加，并以快速的方式生成大量数据。云计算是有效处理和管理用户数据的重要范式。此外，引入雾和边缘计算范例以通过减少延迟和响应时间来改善用户服务。本章根据当前的研究趋势，提出了现代雾和边缘计算系统的宣言。此外，雾和边缘计算的架构和应用进行了说明。此外，研究的机会和有前途的未来方向提出了关于新的范式，这将有助于从业者，研究人员和学者继续他们的研究。
2021-09-19 cs.DC
Deep Reinforcement Learning-based Scheduling for Optimizing System Load and Response Time in Edge and Fog Computing Environments
针对边缘/雾计算环境中物联网应用调度面临的过载、依赖约束和资源限制等挑战，提出基于深度强化学习的调度算法DRLIS，在FogBus2框架中实现并显著降低了负载均衡、响应时间和加权成本。
2023-10-23 cs.DC
Scheduling IoT Applications in Edge and Fog Computing Environments: A Taxonomy and Future Directions
雾计算作为一种分布式模式，在网络边缘提供云服务，具有低延迟和高访问带宽，以支持各种物联网应用场景。为了充分利用这种计算模式的潜力，需要可扩展的，自适应的和准确的调度机制和算法，以有效地捕获用户，物联网应用，环境属性和优化目标的动态和需求。本文介绍了在雾计算中调度物联网应用程序的最新文献分类。基于我们的新的分类方案，目前的工作在文献中进行了分析，每个类别的研究差距，并描述各自的未来发展方向。
2022-04-26 cs.DC
Achieving Observability on Fog Computing with the use of open-source tools
本文针对资源受限的雾计算环境，形式化定义雾可观测性，并基于智慧城市真实测试床评估开源工具，证明在调整默认配置、控制开销后可实现可观测性。
2024-05-25 cs.DC
Fog Computing and Large Language Models: A vision for mutual beneficiaries
School of Computer and Information Sciences, University of Hyderabad（海德拉巴大学计算机与信息科学学院）
本文探讨雾计算与大型语言模型（LLMs）如何相互受益，通过优化LLMs以适应雾基础设施，并利用LLMs的代码生成能力动态部署雾应用，综述了当前研究现状与未来方向。
2026-07-09 cs.DC
A Survey on Scheduling the Task in Fog Computing Environment
该综述针对雾计算环境下的任务调度问题，梳理2018-2021年相关研究，分析现有调度方法及核心挑战，并提出该领域的未来研究方向，填补了相关综合综述的空白。
2023-12-20 cs.DC
Fuzzy Logic-based Robust Failure Handling Mechanism for Fog Computing
针对雾计算设备故障率高且现有方法不适配动态环境的问题，本文提出融合模糊逻辑检查点、任务迁移与任务复制的组合故障处理机制，并基于真实故障轨迹验证其将平均延迟和总处理时间分别降低56%和48%。
2025-04-11 cs.DC
Container Orchestration in Edge and Fog Computing Environments for Real-Time IoT Applications
资源管理是充分利用边缘/雾计算潜力执行实时的【形】关键物联网应用的主要因素。虽然存在一些资源管理框架，但大多数都不是基于分布式容器化组件设计的。因此，它们不适合高度分布式和异构的计算环境。容器化的资源管理框架（如FogBus 2）可以有效地将框架组件与物联网应用组件一起分发。然而，大量容器的管理、部署、健康检查和可扩展性是具有挑战性的问题。为了编排多个容器，开发了若干编排工具。但是，这些编排工具中的许多都是重量级的，并且具有很高的开销，特别是对于资源有限的边缘/雾节点。因此，对于由异构边缘/雾和/或云节点组成的混合计算环境，需要轻量级容器编排工具来支持边缘/雾处的资源有限的资源和云处的资源丰富的资源。因此，在本文中，我们针对提供容器化资源管理框架的FogBus 2框架提出了一种基于K3构建混合轻量级集群的可行方法。这项工作解决了在混合计算环境中创建轻量级计算集群的挑战。本文还提出了在混合环境中部署FogBus 2框架的三种设计模式，包括1）主机网络，2）代理服务器，3）环境变量。性能评估表明，该方法在可接受的低开销情况下，将实时的【形】物联网应用的响应时间提高了29%.
2022-03-10 cs.DC
Fog Computing Architecture: Survey and Challenges
生成大量数据的新兴技术（如物联网（IoT）服务）需要延迟感知计算平台来支持时间关键型应用程序。由于云计算的按需服务和可扩展性特征，大数据应用处理在云基础设施中完成。仅在云中管理大数据应用程序对于与智能交通系统、医疗保健解决方案、应急响应系统和内容交付应用程序相关的延迟敏感型应用程序来说并不是一种有效的解决方案。因此，允许应用程序在云和终端设备之间执行计算操作的雾计算范例已经出现。在雾架构中，物联网设备和传感器连接到位于用户附近的雾设备，它还负责中间计算和存储。大多数计算将通过消除对云资源的完全依赖而在边缘上完成。在这一章中，我们调查和调查雾计算架构已提出在过去几年中。此外，我们还研究了物联网应用程序和平台的要求，以及云系统在执行物联网应用程序时所面临的限制。最后，我们回顾了当前的研究工作，特别是专注于大数据应用程序执行雾和解决几个开放的挑战，以及未来的研究方向。
2018-11-22 cs.DC
AI-based Fog and Edge Computing: A Systematic Review, Taxonomy and Future Directions
计算中的资源管理是一个非常具有挑战性的问题，涉及到顺序决策。资源限制、资源异构性、工作负载的动态性和多样性以及雾/边缘计算环境的不可预测性使得雾环境中的资源管理更具挑战性。近年来，基于人工智能（AI）和机器学习（ML）的解决方案被用来解决这个问题。能够做出顺序决策的AI/ML方法，如强化学习，似乎最有希望解决这类问题。但是这些算法也有自己的挑战，比如高方差、可解释性和在线训练。不断变化的雾/边缘环境动态需要在线学习的解决方案，以适应不断变化的计算环境。在本文中，我们使用标准的综述方法进行了系统性文献综述（SLR），以分析AI/ML算法的作用以及这些算法在雾/边缘计算环境中资源管理的适用性所面临的挑战。此外，还讨论了用于边缘AI管理的各种机器学习、深度学习和强化学习技术。此外，我们还介绍了基于AI/ML的雾/边缘计算的背景和现状。此外，基于AI/ML的雾/边缘计算的资源管理技术的分类已经提出，并比较现有的技术的基础上提出的分类。最后，在基于AI/ML的雾/边缘计算领域，已经确定并讨论了开放的挑战和有前途的未来研究方向。
2022-12-09 cs.DC
Integration of FogBus2 Framework with Container Orchestration Tools in Cloud and Edge Computing Environments
目前，由于容器技术具有重量轻、部署简单、支持多环境、启动时间短、可扩展、易迁移等优点，在云计算和边缘/雾计算中得到了广泛应用，并解决了不同计算环境下的设备异构问题。在此基础上，作为最流行的容器编排和管理系统之一，Kubernetes几乎主导了云环境。但是，由于它主要是为计算资源充足的集中式资源管理场景而设计的，因此由于硬件限制，该系统在边缘环境中不稳定。因此，为了实现云和边缘/雾混合计算环境下的容器编排，提出了一种可行的基于K3 s构建混合集群的方法，解决了不同环境下虚拟实例因IP地址而无法连接的问题。我们还提出了将FogBus 2框架部署到混合环境中的三种设计模式，包括1）主机网络模式，2）代理服务器和3）环境变量。
2021-12-11 cs.DC
SoA-Fog: Secure Service-Oriented Edge Computing Architecture for Smart Health Big Data Analytics
智能健康模式采用互联网连接的可穿戴设备进行远程监测，诊断以提供廉价的医疗保健解决方案。雾计算通过处理身体传感器网络附近的数据来减少延迟并提高吞吐量。在本文中，我们提出了一种安全的面向服务的边缘计算架构，并在最近发布的公共数据集上进行了验证。结果和讨论支持智能健康应用程序的建议架构的适用性。我们提出了SoA-Fog，即使用雾设备有效管理健康数据的三层安全框架。分别从客户层、雾层和云层三个方面讨论了安全问题。采用双赢螺旋模型，结合用例和顺序图设计了原型系统。使用2011年至2014年印度马哈拉施特拉邦疟疾病媒传播疾病阳性地图的拟议框架进行重叠分析。移动客户端作为测试用例。我们提出的安全雾框架和最先进的基于云的框架之间进行了比较分析。
2017-12-25 cs.DC
Edge, Fog, and Cloud Computing : An Overview on Challenges and Applications
随着物联网（IoT）和各种移动设备的快速增长，传统的云计算范式面临着重大挑战（高延迟、带宽成本等）。受这些限制和对物联网未来的担忧的推动，现代架构正朝着将云计算资源分布到大多数终端设备所在的远程位置的方向发展。边缘和雾计算被认为是集中式云解决方案不适合的应用程序的关键推动因素。在本文中，我们回顾了边缘、雾、云计算的高级定义，以及它们在各种物联网场景中的配置。我们进一步讨论了它们在许多应用中的交互和协作，例如云卸载，智能城市，医疗保健和智能农业。虽然在开发这种分布式系统方面仍然存在挑战，但解决这些限制的早期研究也已经浮出水面。
2022-11-03 cs.DC
Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT
本文提出融合预测调度、能源感知分配与移动性管理的联邦雾计算框架，OMNeT++ 仿真证明其在资源利用率、延迟、能效和可扩展性上优于非联邦架构。
2025-06-14 cs.DC
A Decade of Research in Fog computing: Relevance, Challenges, and Future Directions
本文综述雾计算十年研究，系统梳理其技术、非功能与经济挑战及相关学术和产业贡献，并结合联邦学习、量子计算等趋势提出未来方向。
2023-07-07 cs.DC
Genetic-based optimization in Fog Computing: current trends and research opportunities
雾计算是一种新的计算范式，它源于减少物联网（IoT）中网络使用和延迟的需求。雾可以被认为是云层和物联网用户之间的连续体，允许在网络基础设施设备中执行应用程序或存储/处理数据。雾设备的异构性和更广泛的分布是云和雾基础设施之间的主要区别。基于遗传的优化通常用于分布式系统;然而，雾计算的差异化特征需要新的设计，研究和实验。在基于遗传的雾资源优化领域的研究不断增加，在这一领域缺乏以前的分析，鼓励我们提出一个全面的，详尽的，系统的审查最新的研究工作。研究和分析了雾中的资源优化技术，特别强调了基于遗传的解决方案及其特点和设计方案。我们定义了雾基础设施中优化范围的分类，并使用此优化分类法对本次调查中的70篇论文进行分类。随后，根据遗传优化设计对论文进行了评估。最后，本文概述了每项调查工作的优点和局限性。在此基础上，提出了今后的研究方向。我们的结论是，需要更多的研究工作，以解决当前的挑战，在数据管理，工作流调度和服务放置。此外，仍然有改进的设计和部署的并行和混合遗传算法，利用和适应，雾域的异构性和分布式功能的空间。
2022-05-13 cs.DC
Multiple Linear Regression-Based Energy-Aware Resource Allocation in the Fog Computing Environment
雾计算是时间敏感的物联网（IoT）应用的一种有前途的计算范例。它有助于在用户附近处理数据，以便提供比云更快的处理结果;它还有助于减少网络流量。雾计算中的计算环境是高度动态的，并且大多数雾设备是电池供电的，因此应用程序失败的可能性很高，这导致延迟应用程序结果。另一方面，如果我们在故障发生后将应用程序重新安装到其他设备中，则将不符合时间敏感性。为了解决这个问题，我们需要以节能的方式运行应用程序，由于雾计算环境的动态特性，这是一项具有挑战性的任务。要求以这样的方式安排应用，即应用不应由于能量不可用而失败。在本文中，我们提出了一个多线性，基于回归的资源分配机制，在雾计算环境中以能量感知的方式运行应用程序，以尽量减少由于能量约束的故障。现有的工作缺乏考虑雾环境的动态性的能量感知应用执行。因此，我们提出了一种基于多元线性回归的方法，可以实现这样的目标。我们提出了一个可持续的能源意识的框架和算法，执行应用程序在雾环境中的能源意识的方式。能源效率的分配和应用程序的执行时间之间的权衡已被调查，并显示有一个最小的负面影响系统的能量感知分配。我们比较了我们提出的方法与现有的方法。我们提出的方法最小化的延迟和处理20%，和17%，与现有的。此外，SLA违规减少了57%，建议的能量感知分配。
2021-03-10 cs.DC
Observability in Fog Computing
针对雾计算因节点分布式、设备资源受限等导致服务维护难、恢复慢的问题，本文阐述可观测性三大支柱，讨论挑战与方法，介绍架构、工具及示例，为提升雾服务可观测性提供全面参考并展望未来方向。
2024-11-25 cs.DC
FogGrid: Leveraging Fog Computing for Enhanced Smart Grid Network
本手稿集中在雾计算的智能电网网络，包括一个分布式发电系统称为微电网的应用。它解决了智能电网的特点和优势。讨论了基于共享信息资源的按需处理的两种计算方法。雾计算作为计算和/或通信节点的附加层，在处理大量数据的同时将云后端从多任务中卸载。比较了雾计算和云计算分层体系结构在资源利用效率方面的差异。为了缓解雾计算的优势，提出了一种基于Intel Edison的雾计算框架。所提出的架构已硬件实现的微电网系统。所获得的结果显示了雾计算在低功耗、降低存储需求和覆盖分析能力方面对智能电网网络的功效。
2017-12-27 cs.DC cs.NI
LEAF: Simulating Large Energy-Aware Fog Computing Environments
尽管效率不断提高，但今天的数据中心和网络消耗了大量的能源，预计这一需求将进一步增长。一个重要的研究问题是雾计算是否以及如何遏制这一趋势。由于雾基础设施的实际部署仍然很少，因此很大一部分研究依赖于模拟。然而，现有的功耗模型通常仅针对特定组件，例如计算节点或电池受限的边缘设备。结合分析和离散事件建模，我们开发了一个整体但粒度的能耗模型，可以确定计算节点的功耗以及网络流量和应用程序随着时间的推移。模拟可以包含数千台设备，这些设备在分布式、异构和资源受限的基础设施上执行复杂的应用程序图。我们在智能城市交通场景中评估了我们公开的原型LEAF，证明它可以研究节能雾计算架构，并可用于评估动态任务放置策略和其他节能机制。
2021-03-01 cs.DC
An Adaptive Nature-inspired Fog Architecture
在过去的十年中，云计算通过在互联网上提供低成本的计算和存储资源来有效地利用规模经济，最终导致将计算资源整合到大型数据中心中。然而，高度分散的物联网（IoT）技术的出现无法有效地利用集中式云基础设施，将计算推向资源分散。雾计算通过将计算和存储资源分散在网络边缘，非常接近数据生成的位置，扩展了云模式。从本质上讲，雾计算促进了物理上位于边缘设备附近的有限计算，存储和网络资源的操作。然而，雾的共同复杂性以及最近物联网趋势的影响，即部署和互连非常大的普及设备和传感器，需要探索自适应雾架构方法，这些方法能够适应和扩展以响应分布式物联网应用的不可预测的负载模式。在本文中，我们介绍了一个有前途的新的自然启发雾架构，命名为SmartFog，能够提供低决策延迟和自适应资源管理。通过利用新的算法和技术，从多标准决策，图论和机器学习领域，我们模拟雾作为一个分布式智能处理系统，因此模仿人脑的功能。
2018-03-09 cs.DC
On the design of a Fog computing-based, driving behaviour monitoring framework
近年来，汽车制造业的技术进步可能会大大提高安全性，但个人的驾驶行为仍然是一个至关重要的因素，侵略性，缺乏重点和粗心是大多数交通事故的主要原因。5G网络基础设施的即将部署，加上雾计算的出现和物联网（IoT）作为可靠且具有成本效益的服务交付框架的建立，可以为部署准确的驾驶监控解决方案提供手段，该解决方案可用于进一步了解特殊道路行为的根本原因，以及其与驾驶员生理状态的相关性，车辆状况和某些环境参数。本文介绍了雾计算的一些基本属性，以及驾驶行为监测框架的功能要求，其次是其高层次的架构蓝图和原型实现过程的描述。
2020-10-19 cs.DC
On Using Micro-Clouds to Deliver the Fog
云计算已经证明了它本身是一种可扩展的、具有成本效益的解决方案，适用于许多现实世界的应用。然而，其工作方式并不理想地适合于以有限的网络带宽和高延迟为特征的资源受限的环境。随着边缘设备的日益增长和复杂化，雾计算的想法提出将一些计算卸载到边缘。为此，微云--小型单板计算机的模块化和便携式组件--已经开始受到关注，作为支持雾计算的基础设施，通过以具有成本效益的方式在边缘提供隔离的资源供应。我们调查了微云的可行性和准备提供雾计算的愿景。通过大量的实验，我们展示了由Raspberry Pi计算机集合形成的微云的潜力，以托管一系列与雾相关的应用程序，特别是对于网络带宽有限和延迟时间长的地方。
2017-02-06 cs.DC
The FORA Fog Computing Platform for Industrial IoT
工业4.0只有通过使用不同计算和通信技术的运营和信息技术（OT & IT）的融合才能成为现实。云计算不能用于涉及工业应用的OT，因为它不能保证严格的非功能需求，例如，可靠性、可信赖性和及时性。相反，一种新的计算范式，称为雾计算，被设想为实现IT/OT融合的架构手段。在本文中，我们提出了一个针对工业物联网应用的雾计算平台（FCP）参考架构。FCP基于：确定性虚拟化，减少了安全和安全保证所需的工作;中间件，支持关键控制和动态雾应用;确定性网络和互操作性，使用开放标准，如IEEE 802.1时间敏感网络（TSN）和OPC统一架构（OPC UA）;资源管理和调度机制;以及用于安全、容错和分布式机器学习的服务。我们提出了一种定义和评估参考体系结构的方法。我们使用架构分析设计语言（AADL）对FCP参考架构进行建模，并使用一组工业用例来评估其对工业物联网领域的适用性。
2020-07-02 cs.DC
Autonomic Management of Power Consumption with IoT and Fog Computing
我们介绍了一种用于在涉及物联网（IoT）和雾计算的设置中自主管理功耗的系统。中央物联网（CIoT）是一种基于雾计算的解决方案，提供先进的编排机制来管理动态占空比，以节省额外的能源。该解决方案通过基于上下文信息（例如环境条件、用户行为、行为变化、关于能量和网络资源利用的规定等）调整归属（H）和离开（A）周期来工作。通过概念验证进行的性能分析显示，平均节能58.4%，在增加调度系统和可变长睡眠周期（LS）时，节能率高达61.51%。然而，不存在增加LS时间和更多节省的线性关系。这项研究的意义是促进自主管理作为一种解决方案，以发展更节能的建筑和更智能的城市，实现可持续发展的目标。
2021-05-12 cs.DC
The Internet of Things, Fog and Cloud Continuum: Integration and Challenges
物联网对计算能力和存储的需求预计将在未来十年保持增长。因此，网络边缘设备生成的数据量也将增长。虽然云计算已经是获取计算和存储作为许多应用的服务的既定且有效的方式，但是它可能不适合于处理来自IoT设备的无数数据并且满足很大程度上异构的应用要求。雾计算已被开发为位于物联网和云之间，提供了一个计算能力的层次结构，可以收集，聚合和处理来自/到物联网设备的数据。结合雾和云可以减少到云的数据传输和通信瓶颈，并且还有助于减少延迟，因为雾计算资源更接近边缘。本文探讨了这个物联网-雾-云生态系统，并从不同方面提供了文献综述：它可以如何组织，如何管理，以及应用程序如何从中受益。最后，我们提出了物联网-雾-云基础设施中尚未解决的挑战性问题。
2018-09-26 cs.DC
FLight: A Lightweight Federated Learning Framework in Edge and Fog Computing
本文提出轻量级联邦学习框架FLight，基于FogBus2实现，支持同步与异步联邦学习，并通过启发式工人选择算法提升边缘/雾计算环境下的训练时间效率。
2023-08-05 cs.DC
Characterizing Task Completion Latencies in Fog Computing
雾计算将计算资源分配到物联网（IoT）设备和云之间的多个位置，正吸引着学术界和工业界的广泛关注。然而，尽管人们对雾计算的潜力感到兴奋，但雾计算架构的属性很少有全面的定量特征。在本文中，我们研究了雾计算中的任务完成延迟的性质。首先，我们提出了我们的经验基准为基础的研究任务完成延迟的结果。该研究涵盖了一系列设置，并独特地考虑了传统和无服务器雾计算执行点。它展示了不同位置的执行点特性的范围以及给定位置的延迟特性的相对稳定性。它还强调了现有雾计算算法中没有包含的无服务器执行的属性。其次，我们提出了一个框架，我们开发的协同优化任务完成质量和延迟，这是我们的实证研究的见解的启发。我们描述雾计算任务分配问题，我们制定了在这个框架下，并提出了我们开发的算法来解决这些问题。
2018-11-06 cs.DC cs.NI
WSN and Fog Computing Integration for Intelligent Data Processing
具有传感、计算、控制和通信能力的网络嵌入式系统允许开发各种应用场景，并代表物联网（IoT）范式的构建块。传统的数据汇集方法包括多个现场级物联网系统，这些系统可以将来自分布式地面传感器网络的数据直接中继到云平台进行存储、分析和处理。然而，在这样的应用中，在非结构化环境中的快速传感器部署代表了对系统的整体鲁棒性的挑战。我们讨论了雾和薄雾计算方法，分层处理数据沿其路径从源到目的地。中间数据处理的几个阶段以渐进的方式减少了计算和通信工作。因此，提出并说明了一种用于智能数据监测和处理的三层拓扑结构，以提高参考场景中的信息噪声比。
2019-03-22 cs.DC
Placement of Microservices-based IoT Applications in Fog Computing: A Taxonomy and Future Directions
本文提出了雾计算环境中基于微服务的物联网应用部署的全面分类法，分析了部署问题的主要方面、相关工作及研究空白，并探讨了未来研究方向。
2023-02-14 cs.DC
Con-Pi: A Distributed Container-based Edge and Fog Computing Framework
边缘和雾计算范例通过提供更接近数据源的计算资源，克服了以云为中心执行不同延迟敏感型物联网（IoT）应用的局限性。像Raspberry Pis（RPis）这样的小型单板计算机（SBC）被广泛用作这两种范式中的计算节点。这些设备通常配备中速处理器，并为外围接口和网络提供支持，使其非常适合处理物联网驱动的操作，如数据感测，分析和驱动。然而，这些小型边缘设备在促进多租户和资源共享方面受到限制。通过集中式实体管理计算和外围资源进一步显著降低了它们的性能和服务质量。为了解决这些问题，一个完全分布式的框架，名为Con-Pi，在这项工作中提出的边缘或雾环境中管理资源。Con-Pi利用容器化的概念，并利用Docker容器将物联网应用程序作为微服务运行。%此外，Con-Pi以分布式方式跨多个RP运行，并使它们能够共享资源。所提出的框架的软件系统还提供了一个范围，以集成不同的物联网应用程序，资源和能源管理策略的边缘和雾计算。它的性能进行了比较与国家的最先进的框架，通过真实世界的实验。实验结果表明，Con-Pi通过其分布式卸载模型，在提高响应时间、管理能量使用和计算资源方面优于其他算法。此外，我们还使用Con-Pi开发了一个自动化的害虫鸟类威慑系统，以证明其在为各种物联网用例（包括智能农业）开发实用解决方案方面的适用性。
2021-08-09 cs.DC
Computational Perspective of the Fog Node
雾计算是最近提出的一种计算范例，用于解决基于云的系统中的一些弱点。为此，该技术已被多个技术领域广泛研究。它仍处于成熟阶段，因此学术界对它的概念和定义没有达成共识，每个领域都采用适合每个用例的概念和定义。本文提出了一个定义和分类依赖于计算的角度为雾节点，这是一个基本元素，在雾计算环境。此外，还提出了与雾节点相关的主要挑战。
2022-03-14 cs.DC
Authentication, Access Control, Privacy, Threats and Trust Management Towards Securing Fog Computing Environments: A Review
雾计算是一种新兴的计算范式，在过去几年中，研究人员和技术行业已经开始考虑部署物联网应用。雾是高度分布的，由大量的自主终端设备组成，这些设备有助于处理。但是，不同用户之间提供的各种设备不会被审核。因此，雾设备的安全性是雾计算环境中的主要问题。此外，减轻和防止这些安全措施是一个研究问题。因此，要为Fog设备提供必要的安全性，我们需要了解Fog的安全问题。需要识别其他文献作品未涵盖的Fog安全的所有方面，并需要汇总Fog安全中的所有问题。需要注意的是，计算设备由许多普通用户组成，并且不受任何中央实体或管理机构的管理。因此，信任和隐私也是Fog获得市场采用的关键挑战。为了提供所需的信任和隐私，我们还需要关注身份验证，威胁和访问控制机制以及雾计算中的技术。在本文中，我们进行了一项调查，并提出了一个分类，它提出了一个概述现有的安全问题的背景下，雾计算范式。我们讨论了基于区块链的解决方案，以实现安全的雾计算环境，并提出了各种研究挑战和未来研究的方向。
2020-03-01 cs.CR cs.DC
Managing Data Replication and Distribution in the Fog with FReD
本文提出雾计算数据复制中间件 FReD，通过通用数据访问接口和可控分发机制解决异构分布式环境下的数据管理问题，并用原型和三个案例验证其低延迟、高带宽及隐私敏感应用支持能力。
2023-07-11 cs.DC
Energy-Efficient Resource Management in Microservices-based Fog and Edge Computing: State-of-the-Art and Future Directions
University of Sargodha（萨戈达大学）；University of Surrey（萨里大学）；University of Kurdistan（库尔德斯坦大学）；The University of Melbourne（墨尔本大学）
本文综述了基于微服务的雾和边缘计算中最新的节能资源管理策略，识别了现有研究中的挑战，并提出了利用AI、量子计算和无服务器计算等技术的未来研究方向。
2025-11-18 cs.DC
DeFog: Fog Computing Benchmarks
雾计算设想，与在云上运行应用相比，跨云中的资源和位于网络边缘的资源部署应用的服务可以提高应用的整体性能。然而，目前还没有基准测试可以直接比较仅云、仅边缘和云边缘部署平台上的应用程序性能，以获得有关性能改进的任何见解。本文提出了DeFog，这是第一个Fog基准测试套件：（i）通过使用标准方法减轻Fog基准测试的负担，（ii）通过收集一组基准测试的相关指标目录来促进对目标平台的理解。目前的DeFog基准测试组合包括六个有助于使用边缘的相关应用。在多个目标平台上进行了实验研究，以展示使用DeFog收集与应用程序延迟（通信和计算）相关的指标，了解压力和并发用户对应用程序延迟的影响，以及了解跨云和边缘部署应用程序的不同服务组合的性能。DeFog可供公众下载（https：//github.com/qub-tagon/DeFog）。
2019-07-25 cs.DC
Load balancing mechanisms in fog computing: A systematic review
最近，雾计算已经作为现代分布式范例被引入，并且作为云计算的补充来提供服务。Fog系统将存储和计算扩展到网络边缘，除了支持位置感知和移动性支持外，还能显著解决延迟敏感型应用的服务计算问题。负载均衡是雾网络的一个重要方面，它可以避免某些雾节点负载不足或过载的情况。通过负载均衡可以提高服务质量（QoS）参数，例如资源利用率、吞吐量、成本、响应时间、性能和能耗。近年来，人们对雾网络中的负载均衡技术进行了一些研究，但还没有系统的综述来巩固这些研究。本文系统地回顾了雾计算中的负载平衡机制，分为四类，包括近似方法、精确方法、基本方法和混合方法（2013年至2020年8月期间发表）。此外，本文还研究了负载均衡指标，以及与雾网络中所选负载均衡机制相关的所有优点和缺点。评价技术和工具，适用于每一个审查的研究进行了探讨。此外，这些机制的基本开放的挑战和未来的趋势进行了讨论。
2020-12-01 cs.DC cs.NI
