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
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
FOGNITE: Federated Learning-Enhanced Fog-Cloud Architecture
FOGNITE提出一种雾-云框架,结合联邦学习、强化学习和数字孪生验证,在Raspberry Pi测试平台上实现负载均衡准确率提升93.7%、能源浪费减少63.2%,推动智能电网从被动纠错转向主动优化。
2025-07-22 cs.DC
A Two-Sided Matching Model for Data Stream Processing in the Cloud-Fog Continuum
延迟敏感和带宽密集型流处理应用是Internet网络上的主要流量生成器。流由连续的数据元素序列组成,这些数据元素需要近乎实时的处理。为了改善通信延迟并减少网络拥塞,雾计算通过将计算移动到网络边缘来补充云服务。不幸的是,新的云-雾连续体的异构性提出了与部署和执行数据流应用程序相关的重要挑战。在这项工作中,我们探索了一种称为Cloud-Fog的双边稳定匹配模型,用于在异构Cloud-Fog计算资源上部署分布式应用程序,该分布式应用程序表示为流处理微服务的工作流。在CODA中,应用微服务基于其微服务流处理时间对连续体资源进行排名,而资源基于其剩余带宽对流处理微服务进行排名。一种稳定的多对一匹配算法根据微服务的相互偏好将其分配给资源,旨在优化应用程序端的完整流处理时间和资源端的总流流量。我们评估CODA算法使用模拟和真实世界的云雾场景。与相关的最先进的方法相比,我们实现了11%至45%的流处理时间和1.3%至20%的流流量。
2021-05-17 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
MockFog 2.0: Automated Execution of Fog Application Experiments in the Cloud
雾计算是一种新兴的计算范式,它使用位于边缘、云中以及可能介于两者之间的处理和存储功能。然而,测试和基准测试雾应用程序是很困难的,因为运行时基础设施通常会被使用,或者可能还不存在。虽然基础设施测试台的仿真方法确实存在,但它们的重点通常是边缘设备的仿真。其他方法也可以模拟核心网络或云中的基础设施,但它们不支持自动化实验编排。在本文中,我们建议评估雾应用程序在云中创建的模拟基础设施测试平台上,可以根据预定义的编排时间表进行操作。开发人员可以自由地设计基础设施、配置性能特征、管理应用程序组件以及编排他们的实验。我们还介绍了我们的概念验证实现MockFog 2.0。我们使用MockFog 2.0来评估基于雾的智能工厂应用程序,并展示如何使用其功能来研究基础设施变化和工作负载变化的影响。通过这些实验,我们还表明,即使在公共云环境中,MockFog也可以实现良好的实验再现性。
2021-05-11 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
Distributed Edge Analytics in Edge-Fog-Cloud Continuum
针对云中心物联网应用的高延迟、高负载与隐私问题,本文提出边缘-雾-云连续体下的分布式边缘分析,从无服务器数据流水线、分布式计算、联邦学习三个维度结合自研框架验证了该方案的可行性。
2024-07-11 cs.DC
IFCIoT: Integrated Fog Cloud IoT Architectural Paradigm for Future Internet of Things
我们提出了一种新的集成雾云物联网(IFCIoT)架构范例,承诺提高性能,能源效率,降低延迟,更快的响应时间,可扩展性,以及更好的本地化精度为未来的物联网应用。雾节点(例如,边缘服务器、智能路由器、基站)从各种IoT设备接收计算卸载请求和感测数据。为了提高应用程序的性能,能源效率和实时响应能力,我们提出了一个可重构和分层的雾节点(边缘服务器)架构,分析应用程序的特性和重新配置的架构资源,以更好地满足峰值工作负载的需求。提出的雾节点架构的层包括应用层、分析层、虚拟化层、重配置层和硬件层。分层架构促进雾计算范例的抽象和实现,雾计算范例在本质上是分布式的,并且其中多个供应商(例如,应用、服务、数据和内容提供方)。我们还详细阐述了IFCIoT架构的潜在应用,如智慧城市、智能交通系统、本地化天气地图和环境监测,以及实时农业数据分析和控制。
2017-01-30 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
Management and Orchestration of Network Slices in 5G, Fog, Edge and Clouds
网络切片允许网络运营商在共享的物理网络上构建多个隔离的虚拟网络,以适应各种各样的服务和应用。通过网络切片,服务提供商可以提供具有成本效益的解决方案,以满足部署的应用程序和服务的各种性能要求。尽管有切片的好处,但网络切片的端到端编排和管理是一项具有挑战性且复杂的任务。在本章中,我们将概述网络切片的所有相关方面,重点关注5G、Fog/Edge和云计算平台中的软件定义网络(SDN)和网络功能虚拟化(NFV)等网络技术。为了构建所需的背景,本章首先简要概述了5G、雾/边缘和云计算及其相互作用。然后,我们涵盖了网络切片的5G愿景,并通过调查这些平台中最先进的切片方法将其扩展到雾和云计算。我们通过讨论未来的方向,分析网络切片实现的差距和趋势来结束本章。
2018-12-03 cs.DC
Cost-efficient, QoS and Security aware Placement of Smart Farming IoT Applications in Cloud-Fog Infrastructure
智能农业是农业领域最近的一项创新,它可以通过使用更智能、自动化和数据驱动的农场流程来提高农业产量,这些流程与农场上部署的物联网设备进行交互。云雾基础设施为执行物联网应用提供了有效的平台。雾计算通过使虚拟化服务更接近物联网设备来满足延迟敏感型物联网服务的实时处理需求,而云计算则允许执行具有更高计算要求的应用。物联网应用的部署是一个关键挑战,因为云和雾节点在资源可用性方面各不相同,并且使用不同的成本模型。此外,物联网应用的资源、服务质量(QoS)和安全要求的多样性使问题变得更加复杂。在本文中,我们将物联网应用程序放置建模为一个优化问题,旨在最大限度地降低成本,同时满足QoS和安全约束。该问题是制定使用非线性规划(ILP)。ILP模型进行评估的小规模的情况下。评估结果显示了QoS和安全需求对成本的影响。我们还研究了放松安全约束对布局决策的影响。
2021-07-29 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
Performance Estimation of Container-Based Cloud-to-Fog Offloading
雾计算将在云上运行的延迟关键应用服务卸载到位于网络边缘的资源上,这些服务非常接近最终用户设备。本文中的研究是出于对特征和估计所需的时间卸载服务使用容器,这是在“保存和加载”容器迁移技术的背景下进行调查。为此,该研究解决了诸如雾卸载是否可以准确建模以及哪些系统和网络相关参数影响卸载等问题。这些都是通过探索一个目录的21个不同的指标,在系统和过程的水平,被用作输入到四个估计技术,使用集体模型和个人模型来预测卸载所需的时间。这项研究收集了110多万个数据点,初步结果表明,可以准确地模拟卸载。
2019-09-11 cs.DC
Cloud, Fog or Edge: Where to Compute?
计算连续体通过靠近位于网络边缘的数据源的高能效和低延迟设备扩展了高性能云数据中心。然而,计算连续体的异构性提出了与应用程序管理相关的多个挑战。其中包括在哪里卸载应用程序-从云到边缘-以满足其计算和通信需求。为了支持这些决策,我们在本文中提供了一个详细的性能和碳足迹分析的用例应用程序的选择与互补的资源需求,在整个计算连续在现实生活中的评估测试平台。
2021-01-25 cs.DC
Feasibility of Fog Computing
随着数十亿设备连接到互联网,将云作为集中式服务器将是不可持续的。未来的方向是将计算从云端分散到更接近用户的网络边缘。这减少了用户设备与云之间的通信延迟,是本文定义的“雾计算”的前提。本文的目的是突出的可行性和好处,提高服务质量和经验,通过使用雾计算。对于一个在线游戏用例,我们发现,与使用纯云模型相比,使用网络边缘时用户的平均响应时间提高了20%。还观察到边缘和云服务器之间的流量减少了90%以上。初步结果突出了雾计算在实现可持续计算模型方面的潜力,并突出了将网络边缘集成到计算生态系统中的好处。
2017-01-19 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
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
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
EdgeLens: Deep Learning based Object Detection in Integrated IoT, Fog and Cloud Computing Environments
数据密集型应用程序正在以越来越快的速度增长,并且越来越需要解决其中的可伸缩性和高性能问题。随着云计算范例的出现,利用远程资源来构建和部署这些应用程序成为可能。近年来,基于物联网(IoT)范式的新的应用和服务集合需要在非常短的时间内处理大量数据。其中,监视和目标检测已经获得了最重要的地位,但云无法降低网络延迟以满足响应时间要求。雾计算解决了这个问题,它可以根据需要利用网络边缘的资源以及远程云资源。然而,仍然缺乏能够成功地将复杂的软件和应用程序(特别是深度学习)与雾和云计算环境集成的框架。在这项工作中,我们提出了一个框架,在雾云环境中部署基于深度学习的应用程序,以利用边缘和云资源为这些应用程序提供更好的服务质量。我们提出的框架,称为EdgeLens,适应应用程序或用户的要求,提供高精度或低延迟模式的服务。我们还测试了该软件在精度、响应时间、抖动、网络带宽和功耗方面的性能,并展示了EdgeLens如何适应不同的服务要求。
2019-06-26 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
MicroFog: A Framework for Scalable Placement of Microservices-based IoT Applications in Federated Fog Environments
微服务架构(MSA)在开发大规模物联网应用程序以部署在分布式和资源受限的雾计算环境中方面正在迅速普及。作为一种云原生应用架构,微服务的真正力量来自于其松散耦合、可独立部署和可扩展的性质,从而实现跨联合雾和云集群的分布式放置和动态组合。因此,有必要开发新的微服务放置算法,利用这些微服务特性来提高应用程序的性能。然而,现有的雾计算框架由于在多个领域存在不足而缺乏对集成此类放置策略的支持,包括跨多雾多云环境的MSA应用放置和部署,跨多个分布式集群的动态微服务组合,框架的可扩展性,对部署异构微服务应用的支持等。为此,我们设计并实现了MicroFog,一个雾计算框架,提供一个可扩展的、易于配置的控制引擎,该引擎在联合的雾环境中执行布局算法和部署应用程序。此外,MicroFog提供了对容器编排和动态微服务组合的充分抽象。该框架使用多个用例进行评估。结果表明,MicroFog是一个可扩展、可扩展且易于配置的框架,可以集成和评估新的放置策略,以便在多雾多云环境中部署基于微服务的应用程序。我们集成了多个微服务放置策略,以展示MicroFog支持水平缩放放置的能力,从而将应用程序服务的响应时间减少了54%。
2023-02-14 cs.DC
An IoT Platform-as-a-service for NFV Based -- Hybrid Cloud / Fog Systems
云计算尽管具有固有的优点(例如,资源效率)仍然面临若干挑战。用于将云连接到最终用户的广域网可能导致高延迟,这对于某些应用(尤其是物联网(IoT应用))可能是不可容忍的。雾计算可以通过将传统的云架构扩展到网络边缘,并在雾节点上部署一些应用程序组件来减少这种延迟。应用程序提供商使用平台即服务(PaaS)来提供(即,开发、部署、管理和协调)云中的应用程序。然而,现有的PaaS解决方案(包括物联网PaaS)通常专注于云计算,并且无法提供具有跨云和雾组件的应用程序。提供这样的应用需要现有PaaS中不存在的新功能,例如应用图生成。此外,现有PaaS提供的几个功能(例如,发布/发现)需要被显著地扩展以便适应混合云/雾环境。在本文中,我们提出了一种新的架构PaaS混合云/雾系统。它是物联网用例驱动的,其应用程序的组件被实现为虚拟网络功能(VNF),其执行序列被建模为具有子结构(如选择和循环)的图形。它通过跨云和雾的组件自动配置应用程序。此外,它还可以发现现有的云和雾节点,并生成应用程序图。概念验证基于Cloudify开源构建。当PaaS模块和应用程序组件放置在不同地理位置的云和雾中时,通过评估其性能来证明可行性。
2020-01-17 cs.DC cs.SE
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
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
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
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
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
Accelerator Virtualization in Fog Computing: Moving From the Cloud to the Edge
云上的硬件加速器可用于增强分析。下一代云的目标是使用加速器将增强的分析功能更接近网络边缘的用户设备,通过最小化端到端延迟和响应时间来提高服务质量。在包括云、边缘和用户设备的多层层次结构中利用云边缘连续体处的资源的集体计算模型被称为雾计算。本文确定了使加速器在边缘可访问的挑战和机遇。雾架构的整体视图是在这一领域进行有意义的研究的关键。
2018-10-14 cs.DC cs.NI
Internet of Things (IoT) Application Model for Smart Farming
智能农业通过使用物联网(IoT)设备、云计算、雾计算和数据分析等新兴技术,为农业过程带来了重大变革。它使农民能够实时了解农场,并帮助他们做出明智和明智的决策。在本文中,我们提出了一个分布式数据流(DDF)的智能农业应用程序,是由相互依赖的模块的模型。我们使用两种部署策略来评估所提出的应用程序模型:基于云的和基于雾的,其中应用程序模块分别部署在雾和云数据中心上。我们在端到端延迟和网络使用方面比较了基于云和基于雾的策略。
2021-01-11 cs.DC
HeRAFC: Heuristic Resource Allocation and Optimization in MultiFog-Cloud Environment
通过将远程云环境的计算能力更接近用户,引入了雾计算。因此,用户可以从更近的计算环境访问服务,从而导致更好的服务质量和更低的网络延迟。从服务提供商的角度来看,这解决了网络延迟和拥塞问题。这是通过在云和雾计算环境中部署服务来实现的。服务提供商的责任是管理两种计算环境中可用的异构资源。近年来,资源管理策略已经使得从附近的雾和云向用户的应用高效地分配资源成为可能。不幸的是,当服务提供商有机会从与附近的雾节点相距多跳距离的雾节点向用户的应用分配资源时,这些现有的资源管理策略未能给出期望的结果。在MultiFog-Cloud环境中,此资源管理问题的复杂性急剧增加。这个问题促使我们重新审视并提出一种新的启发式资源分配和优化算法在MultiFog-Cloud(HeRAFC)环境。HeRAFC综合考虑用户的应用优先级、执行时间和通信延迟,优化资源利用率,最大限度地减少云负载。对该算法进行了评价,并与相关算法进行了比较.仿真结果表明了所提出的HeRAFC算法的有效性。
2023-03-21 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
Modelling and Simulation of Fog and Edge Computing Environments using iFogSim Toolkit
Fog计算中的资源管理非常复杂,因为它涉及大量不同的和资源受限的Fog节点,以分布式方式满足支持IoT的系统的计算需求。它与云的集成引发了组合资源管理的进一步困难。物联网设备的不同感知频率、分布式应用结构及其协调也影响着雾计算环境中的资源管理。为了促进雾及其资源管理的发展,进行广泛的研究是毫无疑问的.为了发展和评估不同的想法和资源管理政策,对雾环境的实证分析是关键。由于Fog计算环境包含物联网设备、Fog节点和云计算中心以及大量的物联网数据和分布式应用程序,因此Fog环境的实际实施将非常昂贵。此外,在真实世界的雾环境中修改任何实体将是繁琐的。在这种情况下,模拟雾计算环境可以是非常有帮助的。仿真工具包不仅提供了框架来设计定制的实验环境,而且还有助于可重复的评估。在本章中,我们将重点介绍用于建模和模拟雾计算环境的iFogSim工具包教程。我们相信本章将为研究人员提供一种在研究工作中应用iFogSim的简化方法。
2018-12-03 cs.DC
Characterizing Application Scheduling on Edge, Fog and Cloud Computing Resources
云计算已经发展成为由商业提供商提供的流行的分布式计算服务。最近,边缘和雾计算资源作为物联网(IoT)部署的一部分出现在广域网上。这三个资源抽象层是互补的,并提供独特的好处。在云上调度应用程序一直是一个活跃的研究领域,工作流和XML模型作为一个灵活的抽象来指定要执行的应用程序。然而,边缘和雾的应用程序编程和调度模型仍在成熟中,并且可以从云资源的学习中受益。同时,在应用程序的执行中使用这些资源也是有价值的。在本文中,我们提出了一个概念分类,这些概念对于指定和解决边缘上的应用程序调度问题,以及云计算资源至关重要。我们首先描述了这些基础设施的资源能力和局限性,并设计了一个分类的应用程序模型,服务质量(QoS)的约束和目标,调度技术,基于文献综述。我们还使用这种分类法列出了关键的研究原型和论文。这项调查有利于这些分布式资源的开发人员和研究人员设计和分类他们的应用程序,选择相关的计算抽象,开发或选择适当的调度算法。它还强调了文学中仍然存在开放问题的差距。
2019-04-23 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
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
Adaptive Edge Process Migration for IoT in Heterogeneous Cloud-Fog-Edge Computing Environment
以云为中心的物联网管理系统的延迟问题激发了雾和边缘计算(FEC)架构,该架构将任务从云分发到边缘资源,如路由器,交换机或物联网设备本身。具体来说,物联网系统的移动传感器也可以为FEC执行某些任务。考虑到当移动传感器无法继续其任务时从移动传感器到其他资源的动态过程迁移的需要,IoT系统需要提供允许移动传感器在运行时将其任务动态地迁移到其他FEC资源的灵活机制。然而,它提出了一个问题,在什么是最佳的方法时,移动传感器打算将其任务迁移到多个异构FEC资源?为了解决这个问题,作者提出了REM方案,这是能够优化进程迁移决策。此外,为了实现这样的系统并验证REM方案,作者开发了EPIOT主机框架。最后,作者实现了REM方案和框架,并进行了评估,结果表明,REM方案是能够提高在异构FEC环境中的进程迁移的性能。
2018-11-27 cs.DC
Context-aware Distribution of Fog Applications Using Deep Reinforcement Learning
雾计算是一种新兴的范例,旨在满足数十亿连接到互联网的设备所产生的日益增长的计算需求。将应用程序的服务从云卸载到网络边缘可以提高应用程序的整体服务质量(QoS),因为它可以处理更接近用户设备的数据。从Wi-Fi路由器到具有不同资源能力的迷你云的各种Fog节点使得确定应用程序的哪些服务需要卸载变得具有挑战性。在本文中,上下文感知的机制,跨云和雾分布应用程序的建议。该机制动态地生成(重新)部署计划的应用程序,以最大限度地提高应用程序的性能效率,考虑到QoS和运行成本。该机制依赖于深度Q网络来生成分发计划,而无需事先了解雾节点上的可用资源、网络条件和应用程序。所提出的上下文感知分发机制的可行性证明了两个用例,即人脸检测应用程序和基于位置的移动游戏。与现有研究中使用的静态分发方法相比,动态分发在两种用例中的效用都有所增加。
2020-01-24 cs.DC
Serverless data pipeline approaches for IoT data in fog and cloud computing
随着物联网(IoT)设备数量的增加,正在生成大量原始数据。基于云的物联网数据处理中的延迟、成本和其他挑战推动了边缘和雾计算模型的采用,其中一些数据处理任务被移到更接近数据源的地方。正确处理此类数据流需要构建数据管道,以控制数据流的完整生存周期,从数据源的数据采集、边缘和雾处理,到云端存储和分析。数据分析任务需要在距离数据源不同的距离上动态执行,并且通常在非常异构的硬件设备上执行。这可以通过使用无服务器(或FaaS)云计算模型来简化,其中任务被定义为虚拟功能,可以从边缘迁移到云(反之亦然),并以事件驱动的方式在数据流上执行。在这项工作中,我们研究了构建无服务器数据管道(SDP)用于物联网数据分析的好处,并评估了设计SDP的三种不同方法:1)基于现成的数据流工具(DFT),2)基于对象存储服务(OSS)和3)基于MQTT。此外,我们将这些策略应用于三个雾应用程序(Aeneas,PocketSphinx和自定义视频处理应用程序),并通过比较它们的处理时间(计算时间,网络通信和磁盘访问时间)和资源利用率来评估性能。结果表明,DFT是不适合的计算密集型应用,如视频或图像处理,而OSS是最适合这项任务。然而,DFT非常适合带宽密集型应用,因为它使用的网络资源最少。另一方面,基于MQTT的SDP随着CPU和内存使用量的增加而被观察到。<truncted to fit character limi…
2021-12-18 cs.DC
DeF-DReL: Systematic Deployment of Serverless Functions in Fog and Cloud environments using Deep Reinforcement Learning
University of Tartu(塔尔图大学);University of Hyderabad(海得拉巴大学)
针对雾计算资源有限且未充分利用云环境的问题,提出DeF-DReL算法,利用深度强化学习优化雾与云间的请求分配比例,实验证明其优于现有算法。
2022-04-18 cs.AI cs.DC
Fog computing state of the art: concept and classification of platforms to support distributed computing systems
随着物联网(IoT)成为我们日常生活的一部分,连接设备的数量迅速增长。基于云计算技术的成熟方法无法在这样的环境中提供必要的服务质量,特别是在减少数据延迟方面。如今,雾计算技术被视为处理大量关键和时间敏感数据的新方法。本文回顾了云计算技术,分析了这种方式演进的前提条件和雾计算概念的出现。作为雾计算关键特征概述的一部分,我们分析了雾和边缘计算概念的常见混淆。我们提供了雾计算技术的概述:虚拟化,容器化,编排,可扩展性,并行计算环境,以及对支持雾计算的最流行平台的系统分析。作为分析的结果,我们提供了两种方法来分类雾计算平台:通过组件的开放/封闭原则和基于所提供的平台功能(部署,平台和生态系统即服务)的三级分类。
2021-06-22 cs.DC
Fog Robotics: A Summary, Challenges and Future Scope
人机交互对于使机器人更接近人类起着至关重要的作用。机器人通常受到自身能力的限制。因此,他们利用云机器人来提高他们的灵活性。它的能力包括共享地图、图像和处理能力等信息。整个过程涉及到分发数据,这些数据将大幅增长。可能出现新的问题,例如带宽、回程和前传系统处的网络拥塞,从而导致高延迟。因此,它可以对机器人、用户和云之间的无缝连接产生影响。此外,机器人可能无法在规定的时间内成功完成其目标。因此,Cloud Robotics无法处理机器人带来的流量。相反,即将到来的Fog Robotics可以通过解决Cloud Robotics的主要问题来解决问题。因此,为了检查其可行性,我们在本文中讨论了雾机器人的需求和架构。为了评估这些架构,我们使用了Fog Robotics的真实场景,并将其与Cloud Robotics进行了比较。接下来,选择延迟作为验证系统有效性的主要因素。此外,我们使用Pepper机器人,Fog机器人服务器和Cloud服务器来利用实时延迟。实验结果表明,与Cloud Robotics相比,Fog Robotics显著降低了延迟。此外,雾机器人系统的优势,挑战和未来的范围进行了进一步讨论。
2019-08-14 cs.DC cs.RO
Scheduling in Cloud,Fog, and Edge Computing: A Comparative Analysis and Decision Framework for Technique Selection
Department of Computing and Software, McMaster University(麦克马斯特大学计算与软件系)
本综述对比分析云、雾、边缘计算中不同调度技术的权衡,开发了基于多维度因素的调度技术选择决策框架,为相关场景的调度方法选型提供指导。
2026-10-12 cs.DC
From Zero to Fog: Efficient Engineering of Fog-Based Internet of Things Applications
在物联网数据处理中,由于延迟约束、带宽限制和隐私问题,单独的云计算是不够的。通过引入更靠近网络边缘的中间节点,在物联网设备附近提供计算服务,雾计算可以减少网络压力和应用服务的高访问延迟。虽然这是实现高效物联网应用的唯一可行方法,但雾中云和中间节点之间的组件放置问题为系统设计增加了一个新的维度。这个问题的最先进的解决方案依赖于模拟或通过启发式算法解决形式化的分配问题,这两者都是不准确的,并且无法随着解空间呈指数级增长而扩展。在本文中,我们提出了一个设计实用的基于雾的物联网应用程序的三步过程,该过程使用最佳实践,模拟和测试床分析来收敛到一个高效的系统架构。然后,我们将此流程应用于智能工厂案例研究中。通过部署过滤选项的物理测试平台,我们表明,我们的过程中的每一步收敛到更有效的应用程序设计。
2021-07-02 cs.DC
AuctionWhisk: Using an Auction-Inspired Approach for Function Placement in Serverless Fog Platforms
功能即服务(FaaS)范式作为包括云和边缘节点的雾环境的计算模型具有很大的潜力,因为计算请求可以以细粒度的方式跨整个雾连续体进行调度。当请求速率超过资源受限边缘的容量限制时,一些功能需要向云卸载。在本文中,我们提出了一种拍卖启发的方法,其中应用程序开发人员对资源进行投标,而雾节点在本地决定执行哪些功能,哪些功能卸载,以最大限度地提高收入。与目前许多在雾中放置功能的方法不同,我们的方法可以以在线和分散的方式工作。我们还介绍了我们的概念验证原型AuctionWhisk,说明了如何在真正的FaaS平台中实现这种方法。通过大量的模拟运行和系统实验,我们表明,收入超载节点可以最大化,而不会丢弃功能请求。
2021-11-23 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
A Serverless Cloud-Fog Platform for DNN-Based Video Analytics with Incremental Learning
Nanyang Technological University(南洋理工大学);Wuhan University(武汉大学);Nanjing University of Science and Technology(南京理工大学);K&C Technologies Solutions(K&C技术解决方案公司)
基于DNN的视频分析已经授权了许多新的应用(例如,自动零售)。同时,雾设备的激增为开发人员提供了更多的设计选择,以提高性能并节省成本。据我们所知,本文提出了第一个无服务器系统,该系统充分利用了客户端-雾-云协同作用,以更好地服务于基于DNN的视频分析。具体而言,该系统旨在实现两个目标:1)通过明智地管理部署在客户端、雾和云环境中的计算和带宽资源,在较低带宽使用和较短往返时间(RTT)的约束下提供最佳分析结果。2)将开发人员从繁琐的管理和操作任务中解放出来,包括DNN部署,云和雾的资源管理。为此,我们实现了一个整体的云雾系统,称为VPaaS(视频平台即服务)。VPaaS采用无服务器计算,使开发人员能够通过简单地编程一组功能(例如,模型推理),然后通过精心设计的模块协调这些模块来处理视频。为了节省带宽并减少RTT,VPaaS提供了一种新的视频流协议,该协议仅将低质量视频发送到云。部署在云端的最先进(SOTA)DNN可以识别需要在雾端进一步处理的视频帧区域。在雾端,这些区域中的错误识别标签可以使用轻量级DNN模型进行校正。为了解决数据漂移问题,我们将有限的人类反馈纳入系统中以验证结果,并采用增量学习来不断改进我们的系统。评估表明,VPaaS优于几种SOTA系统:它保持了高准确性,同时将带宽使用量减少了21%,RTT减少了62.5%,云货币成本减少了50%。
2021-02-05 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
Fog System Configuration Management with CRDTs
针对地理分布式雾环境下中心化强一致性配置管理存在高延迟、网络分区时不可用的问题,本文提出基于CRDT的替代方案,在FReD平台原型实现后,服务器响应时间最多降低50%。
2023-07-25 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
FBase: A Replication Service for Data-Intensive Fog Applications
雾计算范式中边缘和云的结合实现了新一代数据密集型应用。然而,这些应用程序必须面对许多特定于雾的挑战,开发人员必须为每个应用程序重复解决这些挑战。在本文中,我们提出了一个复制服务,专门针对数据密集型雾应用程序的需求,旨在缓解或消除高度分布式和异构环境雾应用程序运行所带来的挑战。此外,我们提出了我们的原型概念验证实现FBase,我们已经作为开源。
2020-01-29 cs.DC
The Power of Internet of Things (IoT): Connecting the Dots with Cloud, Edge, and Fog Computing
本综述全面探讨了物联网与云计算、雾计算和边缘计算三种架构的集成,分析了各自的应用、优势与局限,并指出了未解决的问题与未来研究方向。
2023-09-07 cs.DC cs.NI
iGateLink: A Gateway Library for Linking IoT, Edge, Fog and Cloud Computing Environments
近年来,物联网(IoT)越来越受欢迎,物联网网关扮演着越来越重要的角色,调解了大量异构物联网设备和云服务之间的交互。在本文中,我们介绍了iGateLink,这是一个开源的Android库,可以简化Android应用程序的开发,作为物联网设备和边缘/雾/云计算环境之间的网关。由于其可插拔的设计,提供与作为数据源或雾/云框架的许多设备的连接的模块可以很容易地重复用于不同的应用程序。在两个案例研究中使用iGateLink复制了医疗保健和图像处理领域的先前工作,与使用传统方法相比,该库被证明在适应不同场景和加速网关应用程序开发方面是有效的。
2019-11-16 cs.DC cs.SE eess.SP
An edge-fog-cloud platform for anticipatory learning process designed for Internet of Mobile Things
本文提出了一种新的数据分析架构,目标是在移动物联网的背景下进行预期的学习过程。该架构是地理分布的,由边缘,雾和云资源组成,这些资源共同运作以支持这种预期的学习过程。我们设计的架构可以管理来自IoMT设备的大量数据流,并在连续的阶段中分析边缘,雾和云的资源层次结构。我们讨论了每一层的分析任务的特点。我们注意到,网络中传输的数据量从边缘到雾,最后到云都在减少,而计算的复杂性却在增加。这种设计允许支持不同类型的分析需求,根据所利用的资源类型,从实时到历史。我们已经实施了拟议的架构作为一个概念验证使用的过境数据从加拿大大蒙克顿地区的饲料。
2018-06-19 cs.CY cs.DC cs.NI