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
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
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
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
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
Declarative Application Management in the Fog. A bacteria-inspired decentralised approach
针对云-物联网连续体异构资源上下一代应用编排的需求，提出一种受细菌菌落自组织启发的声明式完全去中心化应用管理方案，经仿真验证具备可扩展性，支持用户移动性与差异化应用管理策略。
2025-01-17 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
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
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
iFogSim: A Toolkit for Modeling and Simulation of Resource Management Techniques in Internet of Things, Edge and Fog Computing Environments
物联网（IoT）旨在将每个对象（例如智能相机，可穿戴设备，环境传感器，家用电器和车辆）在线，从而产生大量数据，这些数据可能会淹没存储系统和数据分析应用程序。云计算在基础设施级别提供服务，可以扩展到物联网存储和处理需求。然而，有些应用程序（如健康监测和紧急响应）需要低延迟，将数据传输到云然后返回应用程序所造成的延迟可能会严重影响其性能。为了克服这一局限性，人们提出了雾计算模式，将云服务扩展到网络边缘，以减少延迟和网络拥塞。为了充分发挥雾和物联网模式在实时分析方面的潜力，需要解决几个挑战。第一个也是最关键的问题是设计资源管理技术，确定将哪些分析应用程序模块推送到每个边缘设备，以最大限度地减少延迟并最大限度地提高吞吐量。为此，我们需要一个评估平台，以可重复的方式量化物联网或雾计算基础设施上的资源管理策略的性能。在本文中，我们提出了一个名为iFogSim的模拟器，用于对物联网和雾环境进行建模，并测量资源管理技术在延迟、网络拥塞、能耗和成本方面的影响。我们描述了两个案例研究，以展示物联网环境的建模和资源管理策略的比较。此外，在不同的情况下，在RAM消耗和执行时间方面的仿真工具包的可扩展性进行了验证。
2016-06-07 cs.DC
Energy-Efficient Resource Management in Microservices-based Fog and Edge Computing: State-of-the-Art and Future Directions
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
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
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
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
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
A Holistic View on Resource Management in Serverless Computing Environments: Taxonomy and Future Directions
近年来，无服务器计算已成为云应用程序的一个有吸引力的部署选项。这种计算模型的独特功能包括快速自动扩展、强大的隔离、细粒度的计费选项以及访问自主处理资源管理决策的大规模服务生态系统。由于这些特征，这种模型也越来越多地被探索用于地理分布的边缘和雾计算网络中的部署。计算资源的有效管理一直受到研究人员的关注。由于需要自动化资源配置、分配、调度、监控和扩展的整个过程，因此需要专门关注无服务器模式下的资源管理。在这篇文章中，我们确定了覆盖无服务器环境中资源管理更广泛概念的主要方面，并提出了影响这些方面的元素分类，包括系统设计，工作负载属性和利益相关者期望的特征。我们全面了解跨边缘、雾和云计算网络部署的无服务器环境。我们还分析了现有的作品，讨论使用这种分类的无服务器资源管理方面。本文进一步确定了文献中的差距，并强调了未来的研究方向，以提高这种计算模型的能力。
2021-06-01 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
Resource Management in Edge and Fog Computing using FogBus2 Framework
边缘/雾计算是一种新型计算范式，为资源有限的物联网（IoT）设备提供可扩展的计算和存储资源。与云计算相比，边缘/雾服务器的资源更少，但可以以更高的带宽和更少的通信延迟访问。因此，集成边缘/雾和云基础设施可以支持执行各种延迟敏感和计算密集型物联网应用。尽管一些框架试图提供这种集成，但仍然存在一些挑战需要解决，例如不同物联网应用的动态调度，可扩展性机制，多平台支持以及支持不同的交互模型。FogBus 2作为一个新的基于Python的框架，提供了一个轻量级的、分布式的、基于容器的框架来克服这些挑战。在本章中，我们将重点介绍FogBus 2框架的关键特性，并描述其主要组件。此外，我们提供了一个分步指南，以建立一个集成的计算环境，包含多个云服务提供商（混合云）和边缘设备，这是任何物联网应用场景的先决条件。为了实现这一点，所有计算资源之间的低开销通信网络由所提供的脚本和配置文件启动。接下来，我们提供安装和运行主框架及其集成应用程序的说明和相应的代码片段。最后，我们将演示如何使用FogBus 2框架实现和集成几个新的物联网应用程序以及自定义调度和可扩展性策略。
2021-08-02 cs.DC cs.NI cs.PF
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
Genetic-based fog colony optimization hybridized with hierarchical clustering and its influence in the placement of fog services
University of Balearic Islands（巴利阿里群岛大学）
本文提出利用分层聚类定义雾簇布局，并结合遗传算法优化网络通信时间和算法执行时间，通过实验验证了遗传算法在雾服务部署中的有效性。
2022-09-13 cs.DC
GAP: Game Theory-Based Approach for Reliability and Power Management in Emerging Fog Computing
提出基于非合作博弈论的雾计算功耗与可靠性管理模型，结合冷主/备份策略和动态电压频率调整，实现能耗降低35%、等待时间减少41%、完成时间缩短31%。
2024-12-15 cs.DC cs.ET cs.GT
Heterogeneous Task Offloading and Resource Allocations via Deep Recurrent Reinforcement Learning in Partial Observable Multi-Fog Networks
随着无线服务和应用变得更加复杂并且需要更快和更高容量的网络，需要基于每个应用的要求来有效地管理日益复杂的任务的执行。在这方面，雾计算能够将虚拟化服务器集成到网络中，并使云服务更接近终端设备。与云服务器相比，雾节点的计算能力有限，因此单个雾节点可能无法执行计算密集型任务。在这种情况下，通过选择合适的节点和适当的资源管理，同时保证用户的服务质量（QoS）要求，任务卸载在雾节点处可以特别有用。研究了多雾节点系统中异构服务任务的联合任务卸载和资源分配控制设计。这个问题被表述为一个部分可观察的随机博弈，其中每个雾节点合作，以最大化聚合的本地奖励，而节点只能访问本地观察。为了处理部分可观测性，我们应用深度递归Q网络（DRQN）方法来近似最优价值函数。然后将该解决方案与深度Q网络（DQN）和深度卷积Q网络（DCQN）方法进行比较，以评估不同神经网络的性能。此外，为了保证神经网络的收敛性和准确性，采用了调整的勘探开发方法。数值结果表明，与基线方法相比，该算法可以获得更高的平均成功率和更低的平均溢出率。
2020-07-21 cs.DC cs.MA eess.SP
A Distributed Application Placement and Migration Management Techniques for Edge and Fog Computing Environments
雾/边缘计算模型允许利用物联网（IoT）设备附近的资源来支持各种类型的实时IoT应用。然而，由于用户的移动性和具有不同要求的广泛的物联网应用，满足这些应用的要求是一个具有挑战性的问题。由于资源有限，仅在一个雾/边缘服务器上执行IoT应用程序可能并不总是可行的，而在不同服务器上执行IoT应用程序需要服务器之间的进一步协作。此外，考虑到用户的移动性，每个物联网应用程序的某些模块可能需要迁移到其他服务器上执行，从而导致服务中断和额外的执行成本。在这篇文章中，我们提出了一个新的加权成本模型分层雾计算环境，在响应时间的物联网应用程序和物联网设备的能耗方面，以尽量减少成本运行物联网应用程序和潜在的迁移。此外，提出了一种分布式集群技术，使任务的协同执行，从应用程序模块，服务器之间发出。此外，我们提出了一种应用程序放置技术，以最大限度地减少以分布式方式在多个服务器上执行物联网应用程序的总体成本。此外，提出了一种分布式迁移管理技术，用于解决用户移动过程中应用程序模块向其他远程服务器迁移的问题，并在集群、应用程序放置和迁移管理技术中嵌入了故障恢复方法，用于从不可预测的故障中恢复。性能结果表明，我们的技术显着提高了其同行的位置部署时间，任务的平均执行成本，迁移总数，中断任务的总数，和累计迁移成本。
2021-08-05 cs.DC cs.PF
Implementing an Edge-Fog-Cloud architecture for stream data management
移动物联网（IoMT）需要支持数据生存周期过程，从排序、清理和监控数据流到查询、聚合和分析等更复杂的任务。当前用于IoMT中的流数据管理的解决方案集中在数据生存周期过程的部分方面，特别强调传感器网络。本文旨在通过开发流数据生存周期流程来解决这个问题，该流程包含处理异构、流和地理位置分散的IoMT设备所需的边缘/雾/云架构。我们提出了一个3层架构，以支持即时层内通信，建立一个流数据流实时响应系统中的即时数据生存周期任务。因此，通信和流程是我们为IoMT设计流数据管理解决方案的决定性因素。我们描述和评估我们的原型实现使用实时交通数据源。初步结果显示了运行数据生存周期任务的优势，这些任务可以减少冗余的数据流，并且不应该传输到云。
2017-09-27 cs.CY cs.DC cs.NI
AI Augmented Edge and Fog Computing: Trends and Challenges
本文综述了AI增强的边缘、雾和云资源管理技术演进、最新趋势及未来研究方向，重点探讨AI驱动的自主系统如何优化QoS和资源管理。
2023-04-14 cs.DC
ENORM: A Framework For Edge NOde Resource Management
随着数十亿设备连接到互联网，目前使用云作为集中式服务器的计算技术将变得站不住脚。这就提出了对雾计算的需求，雾计算利用了节点上网络边缘的计算，如路由器、基站和交换机以及云计算。然而，为了实现雾计算，需要解决管理边缘节点的挑战。本文旨在解决资源管理的挑战。我们开发了第一个框架来管理边缘节点，即边缘节点资源管理（ENORM）框架。提出了用于供应和自动缩放边缘节点资源的机制。该框架的可行性证明了一个PokeMon Go类在线游戏用例。使用ENORM的好处是将应用程序延迟降低了20% - 80%，并将边缘节点和云之间的数据传输和通信频率降低了95%。这些结果突出了雾计算在提高服务质量和体验方面的潜力。
2017-09-12 cs.DC
A Taxonomy of Workflow Management Systems for Grid Computing
随着网格技术和应用技术的出现，科学家和工程师们正在构建越来越复杂的应用程序来管理和处理大型数据集，并在分布式资源上执行科学实验。这样的应用场景需要用于组成和执行复杂工作流的手段。因此，许多努力已经朝着网格计算的工作流管理系统的发展。在本文中，我们提出了一个分类的特点和分类网格上的工作流的建设和执行的各种方法。我们还调查了几个有代表性的网格工作流系统开发的各种项目在世界范围内展示分类的全面性。该分类法不仅突出了设计和工程的相似性和差异，国家的最先进的网格工作流系统，但也确定了需要进一步研究的领域。
2005-04-13 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
Energy and Thermal-aware Resource Management of Cloud Data Centres: A Taxonomy and Future Directions
University of Melbourne（墨尔本大学）
本文研究了云数据中心现有的资源管理方法，以提高能源和热效率。它确定了在资源管理系统中集成计算和冷却系统管理以及基于学习的解决方案的需求。在对文献进行深入分析的基础上，提出了数据中心节能和热高效资源管理的分类方法。此外，根据分类法对现有方法进行了详细的调查，并讨论了最近的进展，包括基于机器学习的资源管理方法和冷却管理技术。
2021-07-06 cs.DC cs.LG cs.NI
Power and Performance Efficient SDN-Enabled Fog Architecture
软件定义网络（SDN）大大简化了网络管理。然而，使纯SDN能够在处理大量数据的同时实时响应仍然是一项具有挑战性的任务。相比之下，雾计算具有强大的潜力，可以实时处理大量激增的数据。SDN控制平面支持创新，并大大简化了网络运营和管理，从而为实现能源和性能感知的SDN雾计算提供了一个有前途的解决方案。此外，支持SDN的雾计算中的功耗效率和性能评估是研究界尚未充分探索的领域。我们提出了一种新的SDN启用雾架构，以提高电源效率和性能，利用合作和非合作的基于策略的计算。来自广泛模拟的初步结果证明了功率利用率以及整体性能（即，处理时间、响应时间）。最后，我们讨论了几个开放的研究问题，需要在未来进一步调查。
2021-05-30 cs.AI cs.DC cs.NI
FOCAN: A Fog-supported Smart City Network Architecture for Management of Applications in the Internet of Everything Environments
智慧城市愿景将雾计算（FC）等新兴异构通信技术结合在一起，大幅降低运行各种应用的万物互联（IoE）设备的延迟和能耗。区分智能城市的FC范例的关键特征是，它通过有线/无线接入网络（例如，邻近接入点和基站）以提供资源增强（例如，网络搜寻）用于资源和能量有限的有线/无线（可能是移动的）事物。此外，开发智慧城市应用的目标是改善城市流量的管理，并允许对用户交易关系中可能出现的挑战做出实时响应。本文提出了一种支持雾的智能城市网络架构，称为雾计算架构网络（FOCAN），这是一种多层结构，其中运行在事物上的应用程序通过智能城市环境联合计算，路由和相互通信，以减少延迟，提高能源供应和具有不同功能的事物之间的服务效率。引入FOCAN后出现的一个重要问题是需要避免将数据传输到/从远处传输，而是覆盖物联网应用的最近区域。我们定义了FOCAN设备之间的三种类型的通信（例如，主间通信、主通信和辅助通信）来以满足IoE的服务质量标准的方式管理应用。FOCAN的主要优点之一是设备可以以低能耗和高效的方式提供服务。选定案例研究的仿真结果证明了FOCAN节能解决方案对智慧城市中各种类型事物的通信性能的巨大影响。
2017-10-04 cs.DC cs.NI
A Taxonomy of Live Migration Management in Cloud Computing
云数据中心已成为提供服务的骨干基础设施。随着新兴的边缘计算模式，计算和网络功能已从云推向边缘，以提供具有低端到端延迟的计算，智能和网络管理。边缘和云计算中跨不同计算节点的服务迁移对于保证动态环境中的服务质量至关重要。动态资源管理涉及到迁移虚拟机以实现各种目标，如负载均衡、整合、性能、节能和灾难恢复等。一些人已经研究了如何提高和预测VM和容器的单个实时迁移的性能。最近，一些研究服务迁移的边缘为中心的计算范式。然而，缺乏关注边缘和云计算环境中的实时迁移管理的调查。我们检查每个字段的特征，并进行以迁移管理为中心的分类和调查。我们还确定了差距和研究机会，以保证实时迁移的资源管理性能。
2021-12-05 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
Resource Management in Cloud Computing: Classification and Taxonomy
云计算是远程计算/基于Internet的计算的新时代，人们可以通过Internet从任何计算机轻松访问他们的个人资源。云将计算作为一种实用程序提供，因为它可按需提供给云消费者。它是一种简单的按使用付费的消费者-提供者服务模型。它包含大量的共享资源。因此，资源管理始终是云计算中的一个主要问题，就像任何其他计算范式一样。由于有限资源的可用性，云提供商提供所有请求的资源是非常具有挑战性的。从云提供商的角度来看，云资源必须以公平和有效的方式分配。从资源管理作为云计算中的一个过程的角度来看，研究调查是不可用的。因此，本文提供了一个详细的顺序视图/步骤的资源管理在云计算。本文首先对云计算中的各种资源进行了分类。并对云计算中的资源管理进行了分类，为进一步研究提供了依据。最后对各种资源管理算法进行了比较。
2017-02-24 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
Adaptive Management of Microservices in Dynamic Computing Environments: A Taxonomy and Future Directions
The University of Melbourne（墨尔本大学）
本文探讨动态环境中微服务的自适应管理，通过分类和评估展示现有系统在动态建模和评估中的不足，并提出未来研究方向，如跨层协调和安全学习控制。
2026-04-28 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
Navigating Fog Federation: Classifying Current Research and Identifying Challenges
本文系统综述了雾联邦研究，分类现有方法、架构与挑战，并梳理仿真评估工具，指出研究空白与未来方向。
2024-11-23 cs.DC
Carbon-aware Resource Management for Latency-Sensitive Cloud Computing Environments: A Taxonomy and Future Directions
University of Melbourne（墨尔本大学）；University of Amsterdam（阿姆斯特丹大学）
本文针对延迟敏感型云计算环境的碳感知资源管理问题，对相关最新文献进行分类分析，指出现有研究差距并提出未来研究方向，助力平衡延迟约束与碳减排目标。
2026-10-22 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
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
SLA Management in Intent-Driven Service Management Systems: A Taxonomy and Future Directions
本文通过系统文献综述研究意图驱动服务管理系统中的SLA管理，识别出四种意图管理活动并提出分类法，为工业界和学术界提供未来研究方向。
2023-05-26 cs.DC
Federated Learning Framework in Fogbus2-based Edge Computing Environments
联邦学习是指在多个分布式设备上进行训练，并从它们收集模型权重以导出共享的机器学习模型。这使得模型能够从多个站点提供的丰富数据源中获益。此外，由于仅从分布式设备收集模型权重，因此这些数据的隐私受到保护。在机器学习模型的协作训练是必要的同时训练数据是高度敏感的情况下，它是有用的。本研究旨在研究轻量级联邦学习的实现，以部署在各种分布式资源，包括资源受限的边缘设备和资源丰富的云服务器。作为一个资源管理框架，FogBus2框架，这是一个容器化的分布式资源管理框架，被选为实现的基础框架。该研究提供了一个联邦学习的框架和轻量级实现在FogBus 2。此外，提出并实现了一种工人选择技术。工人选择算法选择一组合适的工人参加训练，以达到更高的训练时间效率。此外，本研究整合了联邦学习的同步与异步模式，并结合了以经验主义为基础的工作者选择演算法。事实证明，与同步联邦学习或顺序机器学习训练相比，异步联邦学习更具时间效率。性能评估显示了联邦学习机制的有效性，并与FogBus 2框架实现集成。与顺序训练相比，工人选择策略达到80%准确率的时间减少了33.9%，而异步进一步将同步联邦学习训练时间提高了63.3%。
2022-11-14 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
A Test Taxonomy and Continuous Integration Ecosystem for Dynamic Resource Management in HPC
Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）
本文提出一种结合MPI可变库测试分类的持续集成生态系统，用于评估动态资源管理框架的正确性，通过容器化虚拟集群实现自动化验证，提升了早期故障检测和维护效率。
2026-04-29 cs.DC cs.SE
A Taxonomy of Data Grids for Distributed Data Sharing, Management and Processing
数据网格已被用作科学界的平台，科学界需要共享、访问、传输、处理和管理分布在世界各地的大型数据汇集。它们将高端计算技术与高性能网络和广域存储管理技术相结合。在本文中，我们讨论了数据网格背后的关键概念，并将其与其他数据共享和分发范例，如内容分发网络，对等网络和分布式数据库进行比较。然后，我们提供了全面的分类法，涵盖了体系结构，数据传输，数据复制和资源分配和调度的各个方面。最后，我们将建议的分类映射到各种数据网格系统，不仅验证分类，而且确定未来探索的领域。通过这种分类法，我们的目标是对现有系统进行分类，以更好地了解它们的目标和方法。这将有助于评估它们对解决类似问题的适用性。这种分类法还提供了这一领域的“差距分析”，通过这种分析，研究人员可以潜在地确定新的问题进行调查。最后，我们希望提出的分类和映射也有助于为新的从业者提供一个简单的方法来理解这个复杂的研究领域。
2005-06-10 cs.CE 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
Trust-Aware Output Management for Physical Neural Network in Cloud-Continuum Systems
University of L\"ubeck, Institute of Telematics, 23562 L\"ubeck, Germany
针对云连续体系统中物理神经网络输出受噪声和可靠性信息缺失影响的问题，提出可信感知输出管理框架，通过边缘信任评分和雾层融合，将不安全接受率从61.5%降至5.0%，显著提升输出安全性。
2026-09-22 cs.DC cs.NE
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
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
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
A Taxonomy and Survey of Grid Resource Planning and Reservation Systems for Grid Enabled Analysis Environment
耦合地理上分布的资源来解决大规模问题的概念正变得越来越流行，形成了通常所说的网格计算。网格环境中的资源管理变得复杂，因为资源在地理上是分布的，本质上是异构的，并且由不同的个人和组织拥有，每个人都有自己的资源管理策略和不同的访问和成本模型。已经有许多项目设计和实现了具有各种架构和服务的资源管理系统。在本文中，我们提出了资源管理系统应满足的一般要求。分类也已定义的基础上，在不同的现有网格项目的资源管理系统的调查已进行，以确定这些系统缺乏所需的功能的关键领域。
2018-01-14 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
