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
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
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
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
Minimizing Age-of-Information for Fog Computing-supported Vehicular Networks with Deep Q-learning
Huazhong Univ. of Science & Technology（华中科技大学）；University of South Florida（南佛罗里达大学）
互联车辆网络是下一代云/雾支持的自动驾驶车辆的关键推动因素之一。大多数联网车辆应用需要频繁的状态更新，而信息年龄（AoI）是评估车辆和云/雾服务器之间无线链路性能的更相关指标。本文介绍了一种新颖的主动和数据驱动的方法来优化驾驶路线，其主要目标是保证AoI的置信度。特别是，我们报告了一项研究，通过商业LTE网络连接到云/雾服务器的多车辆校园穿梭系统的三个月的测量。我们建立了互联车辆中AoI的经验模型，并研究了主要因素对AoI性能的影响。我们还提出了一种基于深度Q-Learning Netwrok（DQN）的算法，以最大化的置信水平为每辆联网车辆确定最佳驾驶路线。数值结果表明，所提出的方法可以导致一个显着的改善对AoI的信心，为各种类型的服务支持。
2020-04-04 cs.AI cs.DC eess.SP
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
Hierarchical Fog-Cloud Computing for IoT Systems: A Computation Offloading Game
雾计算在网络边缘提供低延迟计算服务，是新兴物联网（IoT）系统的推动者。在本文中，我们研究了雾计算资源的物联网用户在一个分层的计算范式，包括雾和远程云计算服务的分配。我们制定了一个计算卸载游戏来模拟物联网用户之间的竞争，并有效地分配雾节点的有限处理能力。每个用户的目标是最大化其自身的体验质量（QoE），这反映了其在计算能量和延迟的减少方面对使用计算服务的满意度。利用潜在的博弈方法，我们证明了一个纯纳什均衡的存在性，并提供了一个上限的无政府代价。由于达到均衡的时间复杂度随着用户数量的增加而呈指数级增加，因此我们进一步提出了一种接近最优的资源分配机制，并证明了在具有$N$ IoT用户的系统中，它可以在$O(N/ε)$时间内实现$ε$ -纳什均衡。通过数值研究，我们评估用户的QoE以及均衡效率。我们的研究结果表明，通过利用所提出的机制，更多的用户受益于计算服务相比，现有的卸载机制。我们进一步表明，我们提出的机制显着降低了计算延迟，并为延迟敏感的物联网应用提供低延迟雾计算服务。
2017-10-17 cs.DC cs.GT cs.NI
Modelling Fog Offloading Performance
雾计算已经成为一种计算范例，旨在解决移动设备与远程云服务通信时的延迟，带宽和隐私问题。其概念是将计算服务卸载到更接近数据的位置。然而，在实现这一方法方面存在许多挑战。在卸载期间，由服务支持的应用（的一部分）可能不可用，用户将体验到停机时间。本文介绍了工作，旨在建立模型，允许预测这样的停机时间的基础上的指标（操作数据）的基础和周围的基础设施。这种预测在自动化雾卸载和雾编排中的自适应决策的背景下将是非常宝贵的。使用四种（线性和非线性）回归技术构建了满足四种基于容器的无状态和有状态卸载技术（即保存和加载，导出和导入，推送和拉取以及实时迁移）的模型。实验结果包括来自多个基于实验室的雾基础设施超过4200万个数据点。结果强调，合理准确的预测（回归模型的决定系数，平均绝对百分比误差，平均绝对误差）时，可以得到考虑25个指标相关的基础设施。
2020-02-12 cs.DC
A Flexible Privacy-preserving Framework for Singular Value Decomposition under Internet of Things Environment
奇异值分解（SVD）是一种广泛应用的矩阵分解工具，在推荐系统、异常检测、数据压缩等领域有着广泛的应用。在物联网（IoT）的环境下，人们对数据分析的需求越来越大，以改善人类的生活并创造新的经济增长点。此外，由于物联网的范围很大，大部分数据分析工作应该在网络边缘完成，即通过雾计算处理。然而，提供雾计算的设备可能不可信，而数据隐私通常是物联网应用用户的重要关注点。因此，当执行SVD用于数据分析目的时，应保护用户数据的隐私。基于上述原因，本文提出了一种用于SVD计算的隐私保护雾计算框架。安全性和性能分析表明了该框架的实用性。此外，由于不同的应用程序可能会以不同的方式利用SVD运算的结果，因此本文介绍了三个具有不同目标的应用程序，展示了该框架如何灵活地实现不同应用程序的目的，体现了设计的灵活性。
2017-03-22 cs.CR cs.DC
A Scalable Architecture for Monitoring IoT Devices Using Ethereum and Fog Computing
随着物联网（IoT）的近期显著发展，数十亿资源受限的设备通过互联网互连。监控大量在底层通信协议和数据格式方面异构的物联网设备具有挑战性。大多数现有的物联网设备监控解决方案严重依赖于集中式架构。由于使用集中式架构是以信任权威为代价的，因此它有几个固有的缺点，包括易受安全攻击，缺乏数据隐私和未经授权的数据操纵。因此，一种新的去中心化方法对于弥补这些缺陷至关重要。被广泛用于提供去中心化的最有前途的技术之一是区块链。此外，为了减轻资源受限的物联网设备上的通信开销和计算能力的负担，可以利用雾计算来减少通信延迟并提供更好的网络可扩展性。在本文中，我们提出了一种可扩展的基于区块链的架构，用于使用雾计算监控物联网设备。为了证明所提出的解决方案的可行性和可用性，我们利用以太坊智能合约实现了一个概念验证原型。最后，进行了综合评价。评估结果表明，所提出的解决方案具有显著的可扩展性，并与资源受限的物联网设备兼容。
2020-11-11 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
EdgeLinker: Practical Blockchain-based Framework for Healthcare Fog Applications to Enhance Security in Edge-IoT Data Communications
本文提出EdgeLinker框架，结合权威证明共识、以太坊智能合约与密码算法，保障医疗雾应用中边缘IoT设备与雾层间的安全通信，在读写吞吐量、读取时间及能耗上显著优于现有技术。
2024-08-28 cs.DC cs.NI
Fog Computing in Medical Internet-of-Things: Architecture, Implementation, and Applications
在物联网（IoT）的细分市场在各种商业报告中占据榜首的时代，显然可以预见，医学领域有望从我们周围的可穿戴设备和互联网连接传感器的爆炸式增长中获得巨大利益，以获取和传达有关症状，药物，食物摄入和影响健康的日常生活活动的前所未有的数据。然而，物联网驱动的医疗保健必须克服许多障碍，例如：1）对云服务器上的数据存储的需求越来越大，其中医疗大数据的分析变得越来越复杂，2）数据在传送时容易受到安全和隐私问题的影响，3）连续收集的数据的传送不仅成本高而且耗能，4）直接从云服务器操作和维护传感器是非试验性任务。本书章节在医疗物联网的背景下定义了雾计算。从概念上讲，雾计算是物联网中面向服务的中间层，提供传感器和云服务器之间的接口，以促进连接，数据传输和可查询的本地数据库。雾计算的核心是一个低功耗、智能、无线、嵌入式计算节点，它对从可穿戴设备或其他医疗传感器收集的原始数据进行信号调节和数据分析，并提供有效的手段来服务于远程医疗干预。我们使用Intel Edison和Raspberry Pi实现并测试了一个雾计算系统，该系统允许采集、计算、存储和通信各种医疗数据，例如语音障碍患者的病理语音数据、用于心率估计的心音图（PCG）信号以及基于心电图（ECG）的Q、R、S检测。
2017-06-24 cs.DC
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
Active Learning Solution on Distributed Edge Computing
Technical University of Denmark（丹麦技术大学）
工业4.0通过运营技术和信息技术的融合成为可能。实现融合的所有要求都集成在Fog平台上。当前所未有的数据生成导致云服务器负担过重，导致不合格的延迟时，在云服务器和边缘设备之间引入雾平台。在这个新的范例中，我们划分计算任务并将其推到边缘设备。此外，本地计算（在边缘侧）可以改善隐私和信任。为了解决这些问题，我们提出了一种新的方法，在该方法中，我们分解数据聚合和处理，通过将它们智能地划分在边缘设备和雾节点之间。我们在边缘设备上应用主动学习;在雾节点上应用联邦学习，这显著减少了训练模型的数据样本以及通信成本。为了证明所提出的方法的有效性，我们实现了一个图像分类任务，并评估其性能。此外，我们考虑了两种情况：大规模分布和非大规模分布，并提供了相应的解决方案。
2019-06-25 cs.DC cs.LG
Optimising cost vs accuracy of decentralised analytics in fog computing environments
Institute for Informatics
互联网边缘的设备和数据呈指数级增长，这加剧了对完全基于远程云平台的方法的可扩展性和隐私问题的担忧。数据重力是雾计算的一个基本概念，它指向数据分析的计算分散化，作为解决这些问题的可行替代方案。将人工智能任务分散到几个合作设备上意味着在完全集中化（即，所有数据在单个设备上）和完全分散（即，源位置的数据）。我们提出了一个分析框架，能够在这个连续体中找到最佳操作点，将学习任务的准确性与相应的网络和移动数据的计算成本联系起来，并在CP上运行分布式训练。我们通过模拟表明，该模型准确地预测了最佳的权衡，往往是完全集中和完全分散之间的中间点，也显示了显着的成本节约w.r.t.两个都是。最后，分析模型承认封闭形式或数值解，使其不仅是一个性能评估工具，但也是一个设计工具，以配置一个给定的分布式学习任务最佳部署之前。
2021-08-02 cs.DC cs.LG cs.NI
Data Aggregation Techniques for Internet of Things
Chongqing University of Posts and Telecommunications（重庆邮电大学）；School of Communication and Information Engineering（通信与信息工程学院）
本文的目标是为不同场景下的大规模物联网网络设计高效的数据聚合框架，以支持物联网分析层的正常运行。本文包括现代算法框架，如非凸优化，机器学习，随机矩阵扰动理论和联邦滤波，以及现代计算基础设施，如雾计算和云计算。这种雄心勃勃的设计的开发涉及许多开放的挑战，该提案设想了物联网数据聚合的三个主要开放挑战：第一，由于有限的功率和计算能力，物联网节点的严重资源约束，第二，高度不确定（不可靠）的原始物联网数据不适合决策，第三，关键应用程序的网络延迟和隐私问题。本文提出了三个独立的新颖的方法，不同的情况下，以解决一个或多个上述开放的挑战。第一种方法侧重于节能路由;讨论了基于固定和移动IoT节点的设备到设备通信的集群协议。第二种方法侧重于处理不确定的原始物联网数据;提出了一种物联网数据聚合方案，以提高原始物联网数据的质量。最后，第三种方法侧重于由于医疗物联网设备（IoMT）的通信开销和隐私问题而导致的功率损耗;描述了用于大规模IoMT设备的基于预测的数据聚合框架。
2019-07-24 cs.DC cs.LG cs.NI
Foam Segmentation in Wastewater Treatment Plants: A Federated Learning Approach with Segment Anything Model 2
ITIS Software, University of Malaga（ITIS软件，马拉加大学）
针对污水处理厂泡沫分割中标记数据稀缺、隐私限制数据共享的问题，提出结合联邦学习与SAM2的框架，利用预训练权重提升性能，通过Flower实现分布式训练，为自动泡沫跟踪提供实用方案。
2025-11-12 cs.CV cs.DC cs.LG
