Resource Allocation of Industry 4.0 Micro-Service Applications across Serverless Fog Federation
本文研究偏远工业现场无服务器雾联邦中的资源分配问题,提出感知微服务架构和延迟约束的应用划分方法,实验表明可按时多服务约20%的任务。
2024-01-14 cs.DC
F-FDN: Federation of Fog Computing Systems for Low Latency Video Streaming
视频流越来越受欢迎,并已成为最消耗带宽的互联网服务。因此,在低延迟和不间断的流式传输体验方面的鲁棒流式传输,特别是对于遥远地区的观众,已经成为一个挑战。减少延迟的常见做法是预处理每个视频的多个版本,并使用内容分发网络(CDN)来缓存在地理区域中流行的视频。然而,随着视频存储库大小的快速增长,在每个CDN上缓存多个版本的视频内容变得效率低下。因此,在本文中,我们提出了雾传输网络(FDN)的架构,并提供了联合它们(称为F-FDN)的方法,以减少视频流延迟。除了缓存之外,FDN还能够按需处理视频。F-FDN利用相邻FDN上的缓存内容来进一步减少延迟。特别地,F-FDN配备有旨在通过概率性地评估从相邻FDN获取视频片段或通过处理它们的成本效益来减少延迟的方法。针对其他流媒体方法的实验结果表明,按需处理和利用相邻FDN上的缓存视频片段可以显着减少流媒体延迟(平均52%)。
2019-05-11 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
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 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
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
FogGIS: Fog Computing for Geospatial Big Data Analytics
云地理信息系统(GIS)已成为分析、处理和传输地理空间数据的工具。雾计算是一种范例,其中雾设备有助于提高吞吐量并减少客户端边缘的延迟。本文开发了一个基于雾的框架命名为雾地理信息系统从地理空间数据挖掘分析。我们用Intel Edison做了一个原型,一个嵌入式微处理器。我们通过初步分析验证了FogGIS。包括压缩和覆盖分析。结果表明,雾计算在地理空间数据分析方面有很大的潜力。我们使用了几种开源压缩技术来减少向云的传输。
2016-12-10 cs.DC
Adaptive multi-criteria-based load balancing technique for resource allocation in fog-cloud environments
针对雾云环境资源稀缺、需低延迟响应的资源分配难题,提出结合FAHP与FTOPSIS的自适应多准则负载均衡资源分配技术,在多指标上优于现有方法。
2024-02-02 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
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
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
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
Application Management in Fog Computing Environments: A Taxonomy, Review and Future Directions
物联网(IoT)模式正在迅速被用于在各个领域创建智能环境。与智慧城市、医疗保健、工业4.0和Agtech相关的物联网网络物理系统(CPS)处理大量数据,并需要来自不同类型应用程序的实时数据处理服务。物联网应用程序的以云为中心的执行几乎无法满足这些要求,因为云计算中心与物联网设备之间存在多跳距离。\textit{Fog computing}是云在边缘网络上的扩展,可以在更靠近数据源的地方执行这些应用程序。因此,雾计算可以提高应用服务的交付时间,抵抗网络拥塞。然而,雾节点是高度分布,异构和大多数的资源和空间共享的限制。因此,有效管理应用程序是充分利用雾节点功能的必要条件。在这项工作中,我们调查了雾计算中现有的应用程序管理策略,并在架构,放置和维护方面对其进行了审查。此外,我们提出了一个全面的分类,并强调了基于雾的应用程序管理的研究差距。我们还讨论了一个前景模型,并提供了未来的研究方向,进一步改善雾计算中的应用程序管理。
2020-05-21 cs.DC eess.SP
Scheduling Algorithms for Hierarchical Fog Networks
雾计算在雾设备/微型数据中心($mdcs$)的帮助下将云的功能带到了网络边缘附近。在这样的系统中的作业调度是一个复杂的问题,由于分层和地理分布的雾设备的性质。本文提出了两种雾调度算法,分别称为$FiFSA$(Hierarchical $Fi$ rst $F$ og $S$ configuring $A$ l出租m)和$EFSA$(Hierarchical $E$ elected $F$ og $S$ configuring $A$ l出租m)。我们考虑一个分层模型的雾设备,其中存在于较高层的雾设备的计算能力是大于那些存在于较低层。然而,与较低层雾设备相比,较高层雾设备位于距数据生成源更大的物理距离处。考虑了具有不同粒度和cpu需求的作业。一般来说,具有中等CPU需求的作业被安排在较低层雾设备上,而具有较大CPU需求的作业被安排在较高层雾设备或云数据中心$(cdc)$上。$FiFSA$和$EFSA$的性能已被评估使用各种模拟雾层次结构以及原型测试平台上的真实生活中的工作负载跟踪。与最长时间优先($LTF$)和仅云($cdc-only$)调度算法相比,采用$FiFSA$的总完成时间平均提高了27%和57.9%,成本提高了32%和61%。与$LTF$和$cdc-only$相比,采用$EFSA$的总完成时间平均缩短了48%和70%,成本平均降低了52%和72%。
2021-12-09 cs.DC
Fog Computing: Survey of Trends, Architectures, Requirements, and Research Directions
像物联网(IoT)这样的新兴技术需要延迟感知计算来进行实时应用处理。在物联网环境中,连接的事物会产生大量的数据,这些数据通常被称为大数据。由于云计算范例的按需服务和可扩展性特征,从IoT设备生成的数据通常在云基础设施中处理。然而,对于某些物联网应用程序,特别是对时间敏感的应用程序来说,专门在云上处理物联网应用程序请求并不是一个有效的解决方案。为了解决这个问题,提出了位于云和物联网设备之间的雾计算。通常,在雾计算环境中,IoT设备连接到雾设备。这些雾设备位于用户附近,负责中间计算和存储。雾计算研究仍处于起步阶段,仍然需要对雾基础设施,平台和应用程序的需求进行基于分类的调查。本文首先对雾计算进行了概述,回顾了雾计算的定义、研究趋势以及雾计算与云计算的技术差异。然后,我们研究了许多提出的雾计算架构,并详细描述了这些架构的组件。由此,将定义每个组件的角色,这将有助于雾计算的部署。其次,通过考虑雾计算范式的要求,提出了雾计算的分类。我们还讨论了现有的研究工作和差距,在资源分配和调度,容错,仿真工具,和基于雾的微服务。最后,针对目前研究工作的局限性,我们提出了一些开放性的问题,这将决定未来的研究方向。
2018-07-03 cs.DC
Resilient Execution of Data-triggered Applications on Edge, Fog and Cloud Resources
物联网(IoT)正在导致物理世界的流数据的普遍可用性,再加上作为智能城市和5G部署的一部分部署的边缘计算基础设施。这些受限的、不太可靠但便宜的资源由雾资源补充,雾资源提供联合管理和加速计算,以及按需付费的云资源。缺乏直观的方法来部署应用程序管道以使用这些不同的流,并在边缘和雾资源上可靠地执行它们。我们提出了一个创新的应用程序模型,声明式地指定查询,以匹配来自流源的微批数据流,并触发数据管道的分布式执行。我们还设计了一个弹性的调度策略,使用先进的保留可靠的雾,以保证在最后期限内,同时最大限度地减少执行成本的低完成。我们对100多个虚拟物联网资源和$\approx 10k$任务执行进行了详细的实验,并与基线调度策略进行了比较,说明了我们框架的成本效益,弹性和可扩展性。
2022-03-24 cs.DC
A Comprehensive Survey on Fog Computing: State-of-the-art and Research Challenges
云计算及其三个关键方面(即,IaaS、PaaS和SaaS)及其固有优势(例如,弹性和可伸缩性)仍然面临若干挑战。云和终端设备之间的距离对于延迟敏感的应用程序(如灾难管理和内容交付应用程序)可能是一个问题。服务水平协议(SLA)也可能会在云提供商没有数据中心的位置进行处理。雾计算是解决这些问题的一种新范式。它可以在云外部、网络边缘、更靠近终端设备或最终在SLA规定的位置提供资源和服务。雾计算不是云计算的替代品,而是一种有力的补充。它支持边缘处理,同时仍然提供与云交互的可能性。本文对雾计算进行了全面的调查。它批判性地审查了最先进的一套简洁的评价标准。我们涵盖了构成雾系统的架构和算法。最后介绍了面临的挑战和研究方向。此外,总结了经验教训,并讨论了雾在触觉互联网等新兴技术中可能发挥的关键作用。
2017-11-01 cs.DC cs.SE
IFogSim2: An Extended iFogSim Simulator for Mobility, Clustering, and Microservice Management in Edge and Fog Computing Environments
物联网(IoT)已被证明是下一代网络物理系统(CPS)的构建块。物联网设备生成的大量数据需要对延迟敏感的处理,这通过在远程云计算中心部署相应的应用程序是不可行的。边缘/雾计算是云在物联网附近网络上的一种有前途的扩展,可以满足智能CPS的这些要求。然而,Edge/Fog基础设施的结构和操作差异阻碍了将基于云的服务法规直接应用于这些环境。因此,最近进行了许多研究工作,重点是边缘/雾计算环境中的高效应用和资源管理。可扩展的边缘/雾基础设施是验证这些策略的必要条件,由于高成本和实施时间,在现实世界中适应这些策略也具有挑战性。考虑到模拟作为这一约束的关键,已经开发了各种软件,可以模拟边缘/雾计算环境的物理行为。然而,现有的模拟器往往无法支持先进的服务管理功能,因为它们的整体架构,缺乏实际的数据集,并定期更新的范围有限。为了克服这些问题,我们在这项工作中为Edge/Fog计算开发了多个模拟模型,用于服务迁移,动态分布式集群形成和微服务编排,并与现有的iFogSim模拟工具包集成,以iFogSim 2的形式推出。使用三个用例场景评估iFogSim 2及其内置策略的性能,并在不同设置下与当代模拟器和基准策略进行比较。实验结果表明,该方案在服务管理时间、网络使用率、内存消耗和仿真时间等方面都优于其他方案。
2021-09-15 cs.DC cs.PF cs.SE
Federated Fog Computing for Remote Industry 4.0 Applications
工业4.0基于物联网设备、传感器和执行器运行,改变了不同行业中计算资源和软件解决方案的使用。各种工业4.0延迟敏感型应用程序基于机器学习来处理自动化和其他工业活动的传感器数据。将传感器数据发送到云系统非常耗时,并且不利于应用程序的延迟限制,因此,通常会部署雾计算。跨异构雾系统执行这些应用程序演示了影响任务完成时间的随机执行时间行为。我们调查和建模各种工业4.0 ML为基础的应用程序的随机执行和分析。石油和天然气等行业容易发生灾难,需要协调各种延迟敏感活动。因此,由于灾难期间计算需求的激增,雾计算资源可能会被超额订阅。我们建议联合附近的雾计算系统,并形成一个雾联合会,使远程工业4.0网站对计算需求的激增具有弹性。我们提出了一个统计资源分配方法跨雾联邦延迟敏感的任务。许多现代工业4.0应用程序都是基于微服务的工作流运行的,这些微服务在工业现场中单独使用。因此,工业4.0解决方案需要了解应用程序的架构,特别是单片与微服务。因此,我们提出了一种基于概率的资源分配方法,可以跨雾联邦划分微服务工作流,以满足其延迟约束。工业4.0中的另一个问题是联邦雾的数据隐私。因此,我们提出了一种基于联邦学习的解决方案,可以在联邦雾系统中训练工业ML应用程序,而不会影响数据的机密性。
2023-01-01 cs.DC cs.SY eess.SY
HealthFog: An Ensemble Deep Learning based Smart Healthcare System for Automatic Diagnosis of Heart Diseases in Integrated IoT and Fog Computing Environments
云计算通过互联网提供资源,并允许部署过多的应用程序来为不同的行业提供服务。这些云框架目前面临的主要瓶颈是其有限的可扩展性,因此无法满足基于集中式物联网(IoT)的计算环境的要求。其主要原因是,像健康监测和监控系统这样的延迟敏感型应用程序现在需要对传输到集中式数据库以及从数据库到云数据中心的大量数据(大数据)进行计算,这导致此类系统的性能下降。雾和边缘计算的新范式通过将资源更接近用户来提供创新解决方案,并为数据处理提供低延迟和高能效的解决方案。尽管如此,当前的雾模型仍有许多局限性,并且从有限的角度关注结果的准确性或减少的响应时间,而不是两者。我们提出了一个名为HealthFog的新框架,用于在边缘计算设备中集成集成深度学习,并将其部署到自动心脏病分析的实际应用中。HealthFog使用物联网设备将医疗保健作为雾服务提供,并有效地管理心脏病患者的数据,这些数据是根据用户请求提供的。FogBus是一个支持Fog的云框架,用于部署和测试所提出的模型在功耗,网络带宽,延迟,抖动,准确性和执行时间方面的性能。HealthFog可配置为各种操作模式,在不同的雾计算场景和不同的用户要求中,根据需要提供最佳的服务质量或预测准确性。
2019-11-15 cs.DC eess.SP
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
Joint Failure Recovery, Fault Prevention, and Energy-efficient Resource Management for Real-time SFC in Fog-supported SDN
在本文中,我们专注于流量工程,故障恢复,故障预防和服务功能链(SFC)的可靠性和能耗的限制,在软件定义网络(SDN)的问题。这些类型的部署使用雾计算作为新兴范例来管理通过启用SDN的交换机(可能是雾节点)的分布式小型流量。这种集成的主要目的是支持SFC上下文中的实时的【形】服务交付、故障恢复和故障感知。首先,我们提出了一种称为FRFP的故障恢复和故障预防架构;这是一种多层结构,其中实时的【形】业务流通过支持SDN的交换机,以共同降低流量重路由和雾节点能耗的网络副作用。然后,我们在数学上制定了一个优化问题,称为最优雾支持的能量感知SFC重路由算法(OFES),并提出了一个接近最优的启发式称为启发式OFES(HFES),以解决相应的问题在多项式时间。以这种方式,所选路径的能量消耗和可靠性被优化,同时满足服务质量约束并且网络拥塞被最小化。在可靠性方面,这项工作的重点是故障预防,但是,由于我们使用的重新分配技术,所提出的方案可以用作故障恢复方案。我们比较了HFES和OFES在功耗,平均路径长度,故障概率,网络副作用,链路利用率和雾节点利用率方面的性能。此外,我们分析了HFES的计算复杂性。我们使用一个真实的网络拓扑来评估我们的算法。仿真结果表明,该启发式算法适用于大规模网络。
2018-07-01 cs.DC cs.NI
PLATOS: A Power and Latency-Aware Task-Oriented Scheduling Strategy for Healthcare IoT in Fog Computing
针对医疗物联网在雾计算中的延迟和能耗问题,提出PLATOS四阶段任务导向调度策略,在iFogSim2中实现能耗降低18.72%、延迟降低8.65%。
2026-09-09 cs.AI cs.DC
Lifting the Fog of Uncertainties: Dynamic Resource Orchestration for the Containerized Cloud
针对容器化云的配置不确定性,本文提出基于 Contextual Bandit 的 Drone 动态资源编排框架,自适应调参以兼顾性能与成本,并通过次线性遗憾理论和实验验证其收益。
2023-09-29 cs.DC
Resilience and Load Balancing in Fog Networks: A Multi-Criteria Decision Analysis Approach
针对雾计算环境中有限资源的负载均衡问题,提出采用多准则决策分析方法ELECTRE,结合计算与网络负载等多目标做服务选择,仿真显示其较传统基线方法性能最高提升67%。
2022-10-24 cs.DC cs.NI
Towards a Cloud Fog Edge System for Smart Building
University Sorbonne Paris Nord(巴黎北索邦大学);CNRS(法国国家科学研究中心);INRIA(法国国家信息与自动化研究所);National institute of Informatics(国立信息学研究所)
本文提出将建筑物作为数据中心的去中心化系统,利用边缘计算和轻量级Kubernetes-like框架,在低功耗微控制器上部署AI算法,实现可持续、保护隐私的智能环境,并评估了两种新在线算法。
2026-10-02 cs.DC cs.LG
Edge-Mapping of Service Function Trees for Sensor Event Processing
针对雾计算中物联网资源受限问题,本文提出将事件处理流水线改造为含服务功能链的服务功能树架构,并设计算法将其映射到雾网络,通过仿真验证其有效性,克服单服务部署瓶颈。
2024-07-16 cs.DC
An Experimental Study on Microservices based Edge Computing Platforms
物联网(IoT)的快速技术进步使智慧城市的蓝图变得可行,通过整合异构的云/雾/边缘计算范例,在我们的城市和社区中协作提供各种智能服务。由于具有细粒度和松耦合等吸引人的特性,微服务架构已被提出来在大规模分布式物联网系统中提供可扩展和可扩展的服务。最近的研究基于云计算环境下的场景对微服务之间的性能干扰进行了评估和分析。然而,考虑到边缘设备(如计算消耗和网络容量)的限制,它们对于物联网应用并不全面。本文研究了边缘计算平台上的多种微服务部署策略。微服务作为Docker容器开发,全面的实验结果展示了微服务在基准场景上运行的性能和干扰。
2020-04-06 cs.DC
Multi-microservice migration modelling, comparison, and potential in 5G/6G mobile edge computing: A non-average parameter values approach
针对5G/6G移动边缘计算中多微服务迁移问题,本文提出基于非平均值参数的数学模型,对比分析MiGrror与预拷贝实时迁移方法,实验证明MiGrror能以最小带宽开销实现低于10毫秒停机时间,显著提升服务连续性。
2023-05-18 cs.DC cs.NI
QONNECT: A QoS-Aware Orchestration System for Distributed Kubernetes Clusters
Technische Universität Berlin(柏林工业大学)
本文提出 QONNECT,一个厂商无关的 QoS 感知编排框架,通过中央知识库与分布式代理架构,实现跨异构 Kubernetes 集群的声明式应用部署与动态迁移,并在九集群测试平台上验证了其自动故障转移与自我优化能力。
2025-10-10 cs.DC
ECHO: An Adaptive Orchestration Platform for Hybrid Dataflows across Cloud and Edge
物联网(IoT)正在提供前所未有的观测数据,用于管理智慧城市公用事业。边缘和雾网关设备是物联网部署的一个组成部分,用于获取实时数据并实施控制。最近,边缘计算正在成为补充以云为中心的分析的一流范例。但一个关键的限制是缺乏跨边缘和云的应用程序的平台即服务。在这里,我们提出了ECHO,一个编排平台,跨分布式资源的业务流程。ECHO的混合数据流组合可以在不同的数据模型上操作-流,微批处理和文件,并与TensorFlow和Storm等本地运行时引擎接口以执行它们。它管理应用程序的生命周期,包括基于容器的部署和用于状态管理的注册表。ECHO可以在不同的Edge、Fog和Cloud资源上调度任务流,也可以在资源之间进行动态任务迁移。我们验证了ECHO平台在Raspberry Pi、NVidia TX 1、ARM 64和Azure Cloud VM资源上执行智能交通和智能实用程序应用的视频分析和传感器流,并展示了我们的结果。
2017-07-04 cs.DC
Edge Offloading in Smart Grid
本文综述智能电网中的边缘卸载,分析边缘-雾-云等架构及优化算法,并通过SWOT分析支持决策,以应对低延迟和高可靠性挑战。
2024-01-15 cs.DC cs.NI
Sustainable Cloud-Fog-Edge Systems for Smart Buildings: Algorithmic Adaptation under Memory Constraints and Dynamic Orchestration Strategies
University Sorbonne Paris Nord(巴黎北索邦大学);CNRS(法国国家科学研究中心);INRIA(法国国家信息与自动化研究所)
针对智能建筑的可持续云-雾-边系统,提出含Arduino数据采集、KOptim编排框架及适配GHA算法的方案,经Tour Perret传感器数据验证可可靠识别两种运行状态。
2026-10-12 cs.DC cs.LG cs.NA