FoggyEdge: An Information Centric Computation Offloading and Management Framework for Edge-based Vehicular Fog Computing
本文提出基于命名数据网络和微服务的四层 FoggyEdge 框架，融合车辆雾计算与路侧边缘计算，以降低车联网服务时延和卸载传输成本，并通过 SUMO 实验验证其有效性。
2023-04-20 cs.NI
Multi-Objective Offloading Optimization in MEC and Vehicular-Fog Systems: A Distributed-TD3 Approach
针对MEC与车载雾系统中的多目标卸载优化，提出分布式TD3方法，通过强化学习环境实现近乎最优卸载决策，以最小化延迟和能耗，仿真验证了其高效性。
2024-04-19 cs.NI eess.SP
Delay-sensitive Task Offloading in Vehicular Fog Computing-Assisted Platoons
针对车辆雾计算辅助车队中计算资源不足导致的任务处理时延问题，本文提出一种基于半马尔可夫决策过程的卸载策略，以最小化卸载时延并最大化长期回报，仿真实验验证了其有效性。
2023-09-19 cs.NI eess.SP
ENGINE:Cost Effective Offloading in Mobile Edge Computing with Fog-Cloud Cooperation
移动边缘计算（MEC）作为一种利用云节点或雾节点将远程云计算扩展到网络边缘的新兴范例，被认为是下一代无线网络的关键技术。通过将计算密集型任务从资源受限的移动设备卸载到雾节点或远程云，可以节省移动设备的能量并且可以增强计算能力。对于雾节点，他们可以租用资源丰富的远程云来帮助他们处理来自移动设备的传入任务。在这种架构中，可以充分利用移动设备的短计算和计算延迟的好处。然而，现有的研究大多假设雾节点具有无限的计算能力，这是不实际的，特别是当雾节点也是能量受限的移动设备。为了提供雾节点的激励和降低移动设备的计算成本，我们提供了一个成本有效的卸载方案在移动边缘计算与雾节点和远程云之间的合作与任务依赖约束。移动设备的预算有限，必须确定哪些任务应该在本地计算或发送到雾。为了解决这个问题，我们首先制定的卸载问题作为一个任务完成时间最小化的问题，给定的预算的移动设备，这是NP-难的。然后，我们设计了两个以上的算法来研究网络的性能。仿真结果表明，所提出的贪心算法可以达到接近最优的性能。平均而言，蛮力法和贪心算法在应用程序完成时间上优于模拟退火算法约28.13%。
2018-10-13 cs.NI
A Survey on Offloading in Federated Cloud-Edge-Fog Systems with Traditional Optimization and Machine Learning
物联网（IoT）设备生成的大量数据需要云、边缘和雾计算范式提供的计算能力和存储容量。每种计算模式都有自己的优点和缺点。云计算提供了增强的数据存储和计算能力，但会导致高通信延迟。边缘计算和雾计算提供类似的服务，具有较低的延迟，但容量，能力和覆盖范围有限。单一的计算范式无法满足物联网设备的所有要求，需要在它们之间建立联盟来扩展它们的容量、能力和服务。这种联合对用户和提供商都有好处，也揭示了云、边缘和雾之间流量卸载的研究问题。传统上，优化用于解决流量卸载问题。然而，在这样一个复杂的联邦系统中，传统的优化无法跟上决策制定的严格延迟要求，从毫秒到亚秒。机器学习方法，特别是强化学习，因此变得流行，因为它们可以快速地解决具有大量未知信息的动态环境中的卸载问题。这项研究提供了云、边缘和雾之间的一种新的联邦分类，并为不同的联邦场景提供了一个全面的研究路线图。我们调查的各种优化方法来解决这个卸载问题的相关文献，并比较其显着特点。然后，我们提供了一个全面的调查卸载联邦系统与机器学习的方法和经验教训，作为这些调查的结果。最后，我们概述了未来的研究和挑战，必须面对的几个方向，以实现这样的联邦。
2022-02-22 cs.NI
MOFCO: Mobility- and Migration-Aware Task Offloading in Three-Layer Fog Computing Environments
针对三层雾计算中UE移动性导致服务迁移代价高的问题，提出MOFCO算法，将任务卸载与资源分配建模为MINLP问题并用启发式辅助演化博弈论求解，使系统成本平均降低19%，最高达43%。
2025-07-16 cs.AR cs.DC cs.NI
Joint Task Offloading and Resource Allocation in Aerial-Terrestrial UAV Networks with Edge and Fog Computing for Post-Disaster Rescue
针对灾后救援场景下无人机计算与续航资源不足的问题，提出结合MEC与VFC的三层计算架构及MVTORA方法，有效提升系统效用。
2023-10-06 cs.GT cs.NI eess.SP
Delay Sensitive Task Offloading in the 802.11p Based Vehicular Fog Computing Systems
车雾计算（VFC）被认为是一种很有前途的解决方案，以处理自主车辆网络中的爆炸性任务。在VFC系统中，任务卸载是高效处理计算密集型任务的关键技术。在任务卸载中，任务根据802.11p标准被传送到VFC系统，并由VFC系统中的计算资源处理。任务卸载的延迟，包括传输延迟和计算延迟，是非常关键的，特别是对于一些延迟敏感的应用。此外，系统的长期奖励（即，联合考虑传输延迟、计算延迟、可用资源以及车辆和任务的多样性）对于提供商来说变得非常重要。因此，在这篇文章中，我们提出了一个最佳的任务卸载方案，以最大限度地提高系统的长期回报，其中802.11p是作为车辆之间的通信传输协议。具体来说，一个任务卸载问题的半马尔可夫决策过程（SMDP）的基础上制定。为了解决这个问题，我们利用基于Bellman方程的迭代算法来逼近期望的解。所提出的方案的性能已被证明了大量的数值结果。
2020-12-02 cs.NI
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
Deep Reinforcement Learning for Delay-Optimized Task Offloading in Vehicular Fog Computing
针对车雾计算中任务卸载的延迟优化问题，本文构建含新型车辆移动模型的仿真环境，提出基于深度强化学习的卸载算法，在最小化全局任务延迟与缓解队列拥塞上均优于传统方法，具备自扩展能力。
2024-10-08 cs.NI
A Fog-based Architecture and Programming Model for IoT Applications in the Smart Grid
智能电网利用许多物联网（IoT）应用来支持其智能电网监测和控制。物联网应用的要求因智能电网中的不同任务而异。在本文中，我们提出了一种新的计算范式，提供位置感知，延迟敏感的监测和智能控制物联网应用在智能电网。特别是，一个新的基于雾的架构和编程模型的设计。雾计算将计算扩展到网络边缘，与物联网应用完美匹配。然而，现有的方案很难满足智能电网中雾计算节点之间的分布式协调。在该模型中，我们引入了一个新的分布式雾计算协调器，它周期性地收集雾计算节点的信息，例如，此外，雾计算协调器还管理作业，以便所有计算节点可以在复杂任务上进行协作。此外，我们还构建了一个智能电动汽车服务的工作原型来评估所提出的模型。实验结果也表明，我们提出的模型超过了传统的雾计算方案的物联网应用在智能电网。
2018-04-04 cs.NI
SPATO: A Student Project Allocation Based Task Offloading in IoT-Fog Systems
物联网（IoT）设备高度依赖云系统来满足其存储和计算需求。然而，由于云服务器的远程位置，物联网设备经常遭受间歇性广域网（WAN）延迟，这使得延迟关键型物联网应用程序的执行变得不可想象。为了克服这个问题，服务提供商（SP）通常在网络边缘部署多个雾节点（FN），这有助于执行从IoT设备卸载的计算，并改善用户体验。由于FN的资源有限，因此将物联网服务与FN相匹配，同时从最终用户的角度确保最小的延迟和能量，并从SP的角度最大化收入和满足最后期限的任务是具有挑战性的。因此，在本文中，我们提出了一个学生项目分配（SPA）为基础的有效的任务卸载策略SPATO，考虑到不同的利益相关者的关键参数。仿真结果表明，SPATO算法在保证99.3%的任务在截止期内完成的情况下，可使负载能量和延迟分别降低29%和40%，收益提高25%。
2021-05-22 cs.GT cs.NI
IoT-Fog: A Communication Framework using Blockchain in the Internet of Things
在大型云结构或大型数据结构中，雾计算可以被解释为在物联网（IoT）设备之间访问信息时日益增长的问题和问题。雾计算可用于计算、存储、控制和连接智能设备。物联网是一个由唯一标识的相互关联的物理事物组成的架构，这些物理事物能够相互通信，并可以发送和接收信息。提出了一种物联网与雾计算相结合的框架。区块链也是一种新兴技术，它提供了一个超级、分布式、公共、真实的账本来记录交易。区块链技术是一种安全的技术，可以为下一代计算带来巨大好处。雾、区块链和物联网在这一领域的融合引入了一个新的激励机制。在这项研究工作中，作者提到了区块链、雾和物联网技术创新的融合，以提供一个有效的通信框架。该框架是使用不同的场景实现和测试。
2020-06-04 cs.NI
Fog Computing& IoT: Overview, Architecture and Applications
本文对雾计算与物联网进行全面调查，介绍了雾计算作为云计算延伸的架构、优势及应用，并分析了其在数据通信系统中的安全问题。
2023-04-14 cs.NI
Energy Efficient Service Placement for IoT Networks
本研究针对IoT网络能源效率问题，分析结合雾计算与云计算的分层架构，发现不同雾层在不同请求量下表现各异，提出实施动态服务放置策略以提升整体能效。
2024-04-25 cs.NI eess.SP
Hierarchical Reinforcement Learning for Integrated Cloud-Fog-Edge Computing in IoT Systems
Razi University（拉齐大学）
针对物联网应用海量数据和实时需求给传统云计算带来的压力，本文提出分层物联网处理架构（HIPA），利用机器学习在云、雾、边缘层动态分配任务，以提升物联网系统的延迟、可扩展性和数据隐私保障能力。
2025-11-13 cs.NI
Agile Data Offloading over Novel Fog Computing Infrastructure for CAVs
未来的互联和自动车辆（CAVs）将由基于云的系统进行监督，该系统负责监督整体安全并协调交通流量。这种系统依赖于从整个城市作战区域的CAV收集的数据。本文为未来的智能交通系统（ITS）开发了一个基于雾计算的基础设施，使CAV数据的敏捷和可靠的卸载。由于CAV预计会产生大量数据，因此假设CAV在单个路侧单元（RSU）附近完成数据卸载是不可行的。CAV预计仅在有限的时间内处于RSU范围内，如果使用传统的数据卸载方法，则需要在不同RSU之间进行数据协调。为此，本文提出了一种敏捷的雾计算基础设施，它将所有RSU互连，以便有效地解决数据协调问题，作为部署随机线性网络编码（RLNC）技术的副产品。我们的数值结果证实了我们的解决方案的可行性，并显示其有效性时，在大规模的城市试验台运行。
2019-03-04 cs.NI
Computation Offloading and Resource Allocation for Backhaul Limited Cooperative MEC Systems
在本文中，我们联合优化计算卸载和资源分配，以最小化的所有移动用户的能量消耗的加权和的回程限制合作MEC系统与多个雾服务器。考虑到部分卸载策略和TDMA传输在每个基站，底层的优化问题的约束最大的任务延迟和有限的计算资源在移动用户和雾服务器是非凸的。我们建议凸化的问题，利用一些优化变量之间的关系，提出了一个最优算法来解决由此产生的问题。然后，我们提出的数值结果表明，我们提出的设计相比，传统的设计，不利用雾服务器之间的合作和贪心算法的显着收益。
2019-06-23 cs.DC cs.NI cs.SY
Serving Graph Neural Networks With Distributed Fog Servers For Smart IoT Services
Sun Yat-sen University（中山大学）
本文提出分布式实时GNN推理框架Fograph，利用多雾节点异构资源与GNN特定压缩技术，解决云端服务通信开销大的问题，实现最高5.39倍执行加速和6.84倍吞吐量提升。
2023-07-04 cs.AI cs.DC cs.LG
Analysis of an offloading scheme for data centers in the framework of fog computing
在雾计算的背景下，我们考虑一个简单的情况，即数据中心安装在网络的边缘，并假设如果请求到达过载的数据中心，那么它将以一定的概率转发到相邻的数据中心。假设数据中心有大量的服务器，其中一些服务器的流量正在导致饱和。在这种情况下，其他数据中心可以通过接受一些被拒绝的请求来帮助应对这种饱和状态。我们的目标是定性地估计通过相邻数据中心之间的合作所获得的收益。在证明了一些收敛结果，相关的损失系统的缩放限制，为过程中描述的免费服务器的数量在两个数据中心，我们表明，系统的性能可以表示在四分之一平面的随机游走的不变分布。通过使用和发展现有的技术文献中的结果，明确的公式，这样的系统的阻塞率。
2016-06-02 cs.NI
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）
多年来，可穿戴物联网（IoT）设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析，这可以改善电子保健的早期诊断。然而，由于可穿戴物联网设备的局限性，数据隐私，服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题，我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能，可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台，以检查所提出的平台的能力，以保持分类器的完整性。根据实验结果，所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说，我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
IoT Stream Processing and Analytics in The Fog
新兴的雾模式已经吸引了学术界和工业界越来越多的兴趣，由于它可以提供低延迟，弹性和成本效益的服务。许多Fog应用（如视频挖掘和事件监控）依赖于数据流处理和分析，这些在云中非常流行，但尚未在Fog架构的背景下进行全面研究。本文通过分析几种典型应用的共性，给出了雾数据流的一般模型和体系结构。我们还分析了雾流的设计空间与四个基本维度（系统，数据，人，优化）的考虑，其中既有新的设计挑战和利用现有技术所产生的问题进行了调查，如云流处理，计算机网络，和移动计算。
2017-05-17 cs.NI
Computation Offloading for IoT in C-RAN: Optimization and Deep Learning
我们考虑在多输入多输出（MIMO）云无线接入网络（C-RAN）中物联网（IoT）应用的计算卸载。由于IoT设备（IoTD）中有限的电池寿命和计算能力，IoT设备的计算任务被卸载到MIMO C-RAN，其中MIMO无线电资源头（RRH）通过容量受限的前传链路连接到基带单元（BBU），这由空间滤波和均匀标量量化来促进。我们制定了一个计算卸载优化问题，以最大限度地减少物联网设备的总发射功率，同时满足计算任务的延迟要求，并发现该问题是非凸的。为了获得可行的解决方案，首先在MIMO RRH处局部优化空间滤波矩阵。随后，我们利用交替优化框架对基带单元处的残差变量进行联合优化，其中基带合并器以封闭形式获得，资源分配子问题通过连续内凸化来求解，并且量化比特数通过线搜索方法获得。作为一种低复杂度的方法，我们部署了一种有监督的深度学习方法，该方法使用我们的优化算法的解决方案进行训练。数值结果验证了所提算法和深度学习方法的有效性。
2019-09-24 cs.NI eess.SP
Key Enabling Technologies for Secure and Scalable Future Fog-IoT Architecture: A Survey
雾或边缘计算最近引起了工业界和学术界的广泛关注。它被认为是当前集中式云计算模式的范式转变，并可能带来一种“雾物联网”架构，这将大大有利于未来无处不在的物联网（IoT）系统和应用。然而，要实现这一愿景，需要一系列关键的使能技术，包括新兴技术。在本文中，我们将调查这些关键的支持技术，特别关注安全性和可伸缩性，这是未来大规模部署的两个非常重要和急需的特性。我们的目标是为这些领域的研究和开发描绘一幅未来的整体图景。
2018-06-16 cs.NI
Learning-Based Computation Offloading for IoT Devices with Energy Harvesting
物联网（IoT）设备可以应用移动边缘计算（MEC）和能量收集（EH），为计算密集型应用提供令人满意的体验质量，并延长电池寿命。在本文中，我们研究了具有多个MEC设备（如基站和接入点）的无线网络中具有能量收集的物联网设备的计算卸载，每个MEC设备具有不同的计算资源和无线电通信能力。我们提出了一种基于强化学习的计算卸载框架，用于物联网设备选择MEC设备，并根据当前电池电量、每个MEC设备的先前无线电带宽和预测的收获能量量来确定卸载速率。提出了一种用于IoT设备的基于“热引导”Q学习的计算卸载方案，以在不知道MEC模型、能量消耗和计算延迟模型的情况下实现最佳卸载性能。我们还提出了一种基于快速深度Q网络（DQN）的卸载方案，该方案结合了深度学习和热引导技术，以加快Q学习的学习速度。我们表明，所提出的计划可以达到足够长的学习时间后的最佳卸载策略，并提供其性能界限下两个典型的MEC的情况。针对使用无线功率传输来捕获环境射频信号以对IoT电池充电的IoT设备执行仿真。仿真结果表明，与基于Q-learning的快速卸载方案相比，基于DQN的快速卸载方案降低了能耗，降低了计算延迟和任务丢弃率，提高了物联网设备在动态MEC中的效用。
2017-12-23 cs.NI
Reinforcement Learning-based Resource Allocation in Fog RAN for IoT with Heterogeneous Latency Requirements
鉴于物联网（IoT）设备和应用的快速增长，最近已经提出了用于第五代（5G）无线通信的雾无线电接入网络（Fog-RAN），以确保无法适应大延迟的IoT应用的超可靠低延迟通信（URLLC）的要求。因此，雾节点（FN）配备了计算，信号处理和存储功能，以将云的固有操作和服务扩展到边缘。我们考虑顺序分配FN的有限资源的异构延迟要求的物联网应用程序的问题。对于来自IoT用户的每个访问请求，FN需要决定是利用其自己的资源在本地对其进行服务，还是将其提交给云以保存其宝贵的资源用于对系统具有潜在更高效用的未来用户（即，较低的等待时间要求）。我们制定的Fog-RAN资源分配问题的马尔可夫决策过程（MDP）的形式，并采用几个强化学习（RL）的方法，即Q学习，SARSA，预期SARSA和蒙特卡洛，通过学习最佳决策策略来解决MDP问题。我们验证了RL方法的性能和自适应性，并将其与基于固定阈值的算法的性能进行比较。考虑到19个具有异构延迟要求的物联网环境的广泛模拟结果证实，无论物联网环境如何，RL方法总是能够实现最佳性能。
2019-01-15 cs.NI
Survey of Communication Protocols for Internet-of-Things and Related Challenges of Fog and Cloud Computing Integration
物联网（IoT）设备数量的快速增长正在加速对新解决方案的研究，以使云服务具有可扩展性。在这种情况下，雾计算的新概念以及雾到云计算的组合范式对于分散云计算变得至关重要，同时使服务更接近终端系统。本文调查了满足物联网通信要求的应用层通信协议，以及它们在基于雾和云的物联网系统中实施的潜力。为此，本文首先对物联网通信协议的主要特点进行了比较分析，包括请求-应答和订阅-订阅协议。在此之后，本文调查了在系统的每个部分（物联网，雾，云）中广泛采用和实施的协议，从而展开了关于它们的互操作性和更广泛的系统集成的讨论。最后，本文回顾了主要的性能问题，包括延迟，能量消耗和网络吞吐量。该调查预计将有助于系统架构师和协议设计师在集成的物联网到雾到云系统架构中选择通信协议。
2019-02-27 cs.NI
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
Virtual Sensor Middleware: Managing IoT Data for the Fog-Cloud Platform
本文介绍了虚拟传感器中间件（VSM），它有助于分布式传感器数据处理的多个雾节点。VSM使用虚拟传感器作为中间件的核心组件。虚拟传感器概念经过重新设计，以支持传感器/设备虚拟化之外的功能，例如部署一组虚拟传感器来表示物联网应用程序和跨多个雾节点的分布式传感器数据处理。此外，虚拟传感器处理物联网设备的异构性和使用不同适配器与物联网设备和底层协议通信的各种通信协议。VSM使用了一种定制-订阅设计模式，允许虚拟传感器从其他虚拟传感器接收数据，以实现无缝的传感器数据消费，而无需在虚拟传感器之间进行紧密集成，从而减少了应用程序开发工作。此外，VSM增强了虚拟传感器的设计，增加了支持动态环境中数据共享的组件，在动态环境中，数据接收者可能会随着时间的推移而变化，需要进行数据聚合，并且处理丢失的数据对于应用程序至关重要。
2022-10-18 cs.NI
A Scalable IoT-Fog Framework for Urban Sound Sensing
物联网（IoT）是一个相互关联的设备系统，可用于大规模收集和分析数据。然而，随着它的发展，物联网网络无法管理来自这些服务的数据。因此，引入了云计算来解决物联网网络对中间件的需求。随着技术的发展，对支持和管理人群感知和实时数据的适当方法的需求增加，云服务器再也无法跟上大量传入数据的速度。这种需求导致了雾计算的兴起。它成为云的扩展，并允许在网络上有效地分配资源。它与物联网的集成减少了对云服务器的压力。然而，终端设备的高功耗和数据管理约束的问题浮出水面。本文提出了两种方法来缓解这些问题，以保持雾计算仍然是物联网相关应用的可靠选择。我们创建了一个基于物联网的感知框架，该框架使用了城市声音分类模型。通过活动的低功率和高功率状态以及资源重新分配，我们创建了网络配置。我们针对使用默认雾和云设置的物联网框架测试了此配置。结果改善了框架的终端设备功耗和服务器延迟。总的来说，通过所提出的框架，雾计算被证明能够支持用于城市声音感知的可扩展物联网框架。
2020-02-04 cs.NI cs.SY eess.SY
IoT-Aerial Base Station Task Offloading with Risk-Sensitive Reinforcement Learning for Smart Agriculture
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
空中基站（ABS）允许智能农场将复杂任务的处理责任从物联网（IoT）设备卸载到ABS。物联网设备具有有限的能量和计算资源，因此需要为需要ABS支持的系统提供先进的解决方案。提出了一种新的基于多参与者的风险敏感强化学习方法用于智能农业ABS任务调度。该问题被定义为任务卸载，其严格条件是在最后期限之前完成物联网任务。此外，该算法还必须考虑ABS的有限能量容量。结果表明，我们提出的方法优于几个算法和经典的Q学习方法。此外，我们提供了一个混合整数线性规划的解决方案，以确定性能的下限，并澄清我们的风险敏感的解决方案和最优解之间的差距，以及。比较证明了我们广泛的仿真结果表明，我们的方法是一种有前途的方法，可以为智能农场中的物联网任务提供有保证的任务处理服务，同时增加该农场中ABS的悬停时间。
2022-09-15 cs.AI cs.NI
Joint Computing Resource Allocation and Task Offloading in Vehicular Fog Computing Systems Under Asymmetric Information
Jilin University（吉林大学）；Nanyang Technological University（南洋理工大学）；University of Houston（休斯顿大学）；Sungkyunkwan University（成均馆大学）
针对车辆雾计算中信息不对称、资源有限及任务卸载效率低的问题，提出融合RSU与雾车辆能力的分层架构，设计基于凸优化、契约理论和匹配博弈的联合资源分配与任务卸载方法，有效提升系统多方面性能。
2025-10-30 cs.NI
Industrial Internet of Things (IIoT) Applications of Edge and Fog Computing: A Review and Future Directions
随着物联网（IoT）领域内的快速技术进步，已经出现了强劲的趋势，这表明连接到IoT网络的智能设备的数量快速增长，并且传统的云计算平台无法支持这种增长。为了响应通过网络传输的数据容量的增加，边缘和雾计算范例已经成为将计算和存储资源向网络边缘转移的非常可行的框架，从而将处理能力从集中式云服务器迁移到分布式LAN资源和网络内的强大嵌入式设备。因此，这些计算范式有可能支持未来的大规模物联网网络，并且还推动了工业环境中物联网系统的发展，从而导致工业物联网（IIoT）技术的创建，该技术正在彻底改变各种领域的工业流程。在本文中，我们详细阐述了边缘和雾计算范式对IIoT的影响。我们还强调了边缘和雾计算如何通过用例方法在几个工业应用中实现转变。最后，我们总结了IIoT中这些范式当前面临的问题和挑战，并提出了解决这些问题和加速边缘和雾计算在IIoT中的适应应遵循的一些研究方向。
2019-12-02 cs.NI eess.SP
Dense Moving Fog for Intelligent IoT: Key Challenges and Opportunities
本文提出面向高速移动智能物联网设备的密集移动雾愿景，梳理其使能技术、挑战与机遇，并通过网联自动驾驶车队用例验证协作密集雾的性能收益。
2018-12-20 cs.NI
LIMO: Load-balanced Offloading with MAPE and Particle Swarm Optimization in Mobile Fog Networks
本文提出 LIMO 策略，基于 MAPE 控制回路和 PSO 算法实现雾网络负载均衡与任务迁移，有效降低延迟，提升网络资源利用率 10%，减少云访问与响应时间。
2024-08-28 cs.DC cs.NI
YAFS: A simulator for IoT scenarios in fog computing
我们提出了一个雾计算模拟器分析的设计和部署的应用程序，通过定制和动态的战略。我们通过复杂网络理论对部署的应用程序、网络连接和基础设施特性之间的关系进行建模，从而实现在动态和可定制的策略中集成拓扑措施，例如应用程序模块的放置、工作负载位置以及服务的路径路由和调度。我们提出了一个比较分析的效率和收敛的结果，我们的模拟器与最引用的实体，iFogSim。为了突出YAFS的功能，我们模拟三种情况下，据我们所知，不能实现与当前的雾模拟器：动态分配的新的应用程序模块，动态故障的网络节点和用户的移动性沿拓扑结构。
2019-02-04 cs.NI
UAV-Assisted MEC Architecture for Collaborative Task Offloading in Urban IoT Environment
本文提出一种无人机辅助MEC协作架构，通过联合优化任务卸载策略与无人机拓扑，有效提升了城市物联网环境中的用户满意度与服务商利润。
2025-01-31 cs.NI cs.SY eess.SP
Fog Computing on Constrained Devices: Paving the Way for the Future IoT
从长远来看，物联网（IoT）有望成为人们日常生活中不可或缺的一部分。鉴于这种技术进步，越来越多的具有有限硬件的对象可以连接到互联网。在本章中，我们将探讨这些受限设备的重要性，以及如何将它们与雾计算结合使用，以改变物联网的未来。首先，我们概述了受限设备、物联网以及雾和雾计算的概念，然后我们根据应用程序所需的资源量（例如，处理能力和存储器）。在此之后，我们将这些主题与讨论未来可以预期的内容联系起来，在未来，受限设备和雾计算被用来将物联网推向新的极限。最后，我们讨论了这些技术可能带来的挑战和机遇。
2020-03-04 cs.CY cs.NI
History-Aware Online Cache Placement in Fog-Assisted IoT Systems: An Integration of Learning and Control
在雾辅助物联网系统中，通常的做法是在网络边缘缓存流行内容，以实现高服务质量。由于实践中的不确定性，如未知的文件流行度，缓存放置方案设计仍然是一个悬而未决的问题，面临着以下挑战：1）如何将时间平均存储成本保持在预算范围内，2）如何结合在线学习来帮助缓存放置，以最大限度地减少性能损失（也称为后悔），以及3）如何利用离线历史信息来进一步减少后悔。在本文中，我们制定了一个约束的组合多臂强盗（CMAB）问题的缓存放置未知的文件流行的问题。为了解决这个问题，我们采用虚拟队列技术来管理时间平均存储成本约束，并采用历史感知的强盗学习方法，将离线历史信息集成到在线学习过程中，以处理探索-开发权衡。通过在线控制和历史感知在线学习的有效结合，我们设计了一种基于历史感知Bandit学习的Cache放置方案CPHBL。我们的理论分析和仿真结果表明，CPHBL实现了次线性的时间平均遗憾界。此外，仿真结果验证了CPHBL的优势，基于深度强化学习的方法。
2020-12-15 cs.NI eess.SP
5G satellite networks for IoT: offloading and backhauling
5G蜂窝网络的主要驱动力之一是为各种物联网（IoT）设备提供连接服务。考虑到全球范围内物联网设备的潜在数量，下一个飞跃是将非地面网络（NTN）集成到5G地面系统中，从而扩大覆盖范围并补充地面服务。本文重点介绍了低地球轨道（LEO）卫星星座的使用为两个特定的目的：卸载和回程。前者允许从拥塞的地面网络卸载物联网流量，通常在非常密集的区域。在后一种应用中，星座提供将远程地面gNB连接到5G核心网络的多跳回程。在概述了3GPP标准化过程的现状之后，我们对用户数据性能进行了建模和分析，特别是在上行链路接入和卫星多跳星座路径中。地面和卫星接入网络的比较为理解LEO星座的卸载潜力提供了有用的见解，物联网流量的回程。
2020-11-10 cs.NI
An Optimal Relay Scheme for Outage Minimization in Fog-based Internet-of-Things (IoT) Networks
雾设备开始在物联网（IoT）生态系统中中继数据和服务方面发挥关键作用。这些中继可以是静态的或移动的，后者通过仔细的中继移动性设计提供了一个新的自由度，以提高性能。除此之外，节能一直是物联网网络中的一个普遍问题，设备受到功率约束，需要最佳的功率控制机制。在本文中，我们考虑了一种基于多层雾的物联网架构，其中移动/静态雾节点充当放大和转发中继，将从传感器节点接收的信息传输到更高层次放置的静态雾设备，该设备提供一些本地化服务。通过联合优化雾中继的移动模式和发射功率，有效地最小化所提出的场景的中断概率。推导了系统中断概率的解析表达式。此外，由于制定的问题的棘手性和非凸性，我们采用了基于最速下降法的迭代算法，以达到一个理想的目标。仿真结果表明，与固定位置和固定功率（FLFP）方案相比，优化位置固定功率（OLFP）方案的中断概率提高了62.7%，优化功率固定位置（OPFL）方案提高了79.3%，优化位置优化功率（OLOP）方案提高了94.2%（即，没有优化）。最后，我们提出了一个最佳的中继选择策略，选择一个合适的中继节点从随机分布的中继候选人。
2021-06-01 cs.NI
QoE Based Revenue Maximizing Dynamic Resource Allocation and Pricing for Fog-Enabled Mission-Critical IoT Applications
雾计算正在成为物联网（IoT）应用的重要组成部分，充当其计算引擎。任务关键型物联网应用程序对延迟高度敏感，这取决于云服务器的物理位置。云服务提供商（CSP）可以使用不同响应速率的雾节点，并且它面临着将顺序接收的物联网数据转发到其中一个雾节点进行处理的挑战。由于请求的到达时间和性质是随机的，因此重要的是实时地对请求进行最佳分类，并在雾节点处分配可用的虚拟机实例（VMI），以向用户提供高QoE，从而为CSP产生更高的收入。在本文中，我们使用的定价策略的基础上的QoE的应用程序作为分配的结果，并获得一个最佳的动态分配规则的基础上的统计信息的计算请求。所开发的解决方案是统计上最优的，动态的，并在实时实施，而不是在文献中的其他静态匹配方案。所提出的框架的性能进行了评估，使用模拟和结果表明，与基准计划相比，显着改善。
2020-06-02 cs.NI cs.SY eess.SY
Strategic Task Offloading for Delay-Sensitive IoT Applications: A Game-Theory-Based Demand-Supply Mechanism with Participation Incentives
Data61, CSIRO（CSIRO数据六一分部）；School of Computer Science and Engineering, the University of New South Wales（新南威尔士大学计算机科学与工程系）
该研究针对时延敏感型物联网应用任务卸载问题，构建基于VCG拍卖的博弈论供需框架与参与激励机制，实现市场均衡、双方盈利与时延保障。
2025-10-28 cs.NI
Impact of Distributed Processing on Power Consumption for IoT Based Surveillance Applications
随着物联网（IoT）中连接设备的快速增长，集中式云解决方案面临着诸多挑战，其中，将能源效率置于研究议程的首位是压倒性的共识。在本文中，我们评估了在物联网平台中，由雾和云基础设施支持的异构处理资源的需求拆分的影响。我们开发了一个混合线性规划（MILP）模型来研究在物联网节点，雾设备和云服务器之间划分资源密集型需求的收益。被认为是一个监控应用程序，它由多个智能摄像头能够捕捉和分析实时视频流。PON接入网络聚合物联网层需求，以便在雾中处理，或通过IP/WDM网络访问的云。对于典型的视频分析工作负载，结果表明，将中等需求大小的物联网和雾资源分开，即使它们只能承载总工作负载的10%，总功耗也可节省高达32%，与集中式云解决方案相比，这可以达到93%的需求数量。然而，来自分裂的功率节省的增益随着分裂数目的增加而降低。关键词：物联网监控，PON，能效，雾，分布式处理。
2019-03-31 cs.NI
Secure Data Offloading Strategy for Connected and Autonomous Vehicles
互联和自动驾驶汽车（CAV）预计将不断与安装在路边安全机柜中的处理节点网络进行交互，从而形成智能交通系统（ITS）的基于雾计算的基础设施。未来城市规模的ITS服务将严重依赖于雾计算网络上每个CAV定期卸载的传感器数据。由于媒体的广播性质，CAV的通信很容易被窃听。本文提出了一种新的数据卸载方法，其中随机线性网络编码（RLNC）的原则是用来确保窃听者恢复传感器数据的相关部分的概率最小化。我们的初步结果证实了我们的方法在大规模ITS网络中运行时的有效性。
2019-03-04 cs.NI
Computation Offloading and Resource Allocation in F-RANs: A Federated Deep Reinforcement Learning Approach
Southeast University（东南大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Oulu（奥卢大学）
雾无线电接入网络（F-RAN）是一项很有前途的技术，其中用户移动设备（MD）可以将计算任务卸载到附近的雾接入点（F-AP）。由于F-AP的资源有限，设计一个有效的任务卸载方案是非常重要的。考虑时变网络环境，以任务执行延迟和MD能耗最小为目标，提出了F-RAN中的动态计算卸载和资源分配问题.为了解决这个问题，提出了一种基于联合深度强化学习（DRL）的算法，其中深度确定性策略梯度（DDPG）算法在每个F-AP中执行计算卸载和资源分配。为了降低训练过程的计算复杂度和保护用户隐私，采用联邦学习对DDPG代理进行训练。仿真结果表明，与现有的其他策略相比，所提出的联邦DDPG算法可以更快地实现更低的任务执行延迟和能量消耗的MD。
2022-06-13 cs.AI cs.LG cs.NI
Joint Latency-Energy Minimization for Fog-Assisted Wireless IoT Networks
针对多设备向雾节点并行卸载任务的场景，提出在无线与计算约束下联合最小时延和能耗的资源分配方法，利用Tchebyshev定理、Nash议价与块坐标下降求得唯一合作NE并验证有效性。
2023-06-29 cs.GT cs.NI
To Risk or Not to Risk: Learning with Risk Quantification for IoT Task Offloading in UAVs
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
针对智能农场物联网（IoT）环境下多接入边缘计算（MEC）辅助无人机（UAV）网络的任务卸载决策算法，提出了一种深度强化学习技术。任务卸载技术使用金融概念，如成本函数和条件风险变量（CVaR），以量化每个风险行为可能造成的损害。该方法能够量化潜在的风险，以训练强化学习代理，以避免将导致农场不可逆转的后果的风险行为。这些后果包括未被发现的火灾、虫害或无人机无法使用。将所提出的基于CVaR的技术与其他深度强化学习技术和两种固定的基于规则的技术进行了比较。仿真结果表明，基于CVaR的风险量化方法消除了最危险的风险，这是超过火灾探测任务的最后期限。因此，它减少了违反最后期限的总数，而能源消耗的增加微不足道。
2023-02-14 cs.AI cs.LG cs.NI
Security Implications of Fog Computing on the Internet of Things
最近，物联网设备和传感器的使用迅速增加，这也导致数据生成（信息和日志），带宽使用和相关现象增加。据我们所知，雾计算与物联网集成的标准定义正在形成。这种整合将为研究人员带来许多机会，特别是在构建网络安全相关解决方案时。在这项研究中，我们调查了雾计算与物联网的集成及其影响。我们的目标是找出并强调问题，特别是物联网使用雾计算时出现的安全相关问题。根据我们的研究结果，虽然这种整合似乎是不平凡的和复杂的，它有更多的好处比的影响。
2018-09-27 cs.CR cs.NI
Scalable Deterministic Task Offloading and Resource Allocation in the IoT-Edge-Cloud Continuum
Uwicore laboratory, Universidad Miguel Hernandez de Elche（乌维科实验室，埃尔切米格尔·埃尔南德斯大学）
本文提出一种确定性任务卸载和资源分配方法，通过平衡工作负载和资源分配提升物联网-边缘-云计算连续体的可扩展性，满足严格的服务等级要求。
2026-11-01 cs.NI
A reinforcement learning approach to improve communication performance and energy utilization in fog-based IoT
Trinity College Dublin（都柏林圣三一学院）
最近的研究表明，使用可用的移动雾设备（如智能手机，无人机，家用和工业机器人）作为中继的潜力，以尽量减少传感器和目的地设备之间的通信中断，其中本地化的物联网服务（例如，制造过程控制、健康和安全监控）。然而，这些移动中继在移动和传输到遥远的目的地时消耗能量。因此，中继设备的功率控制机制和智能移动性对于提高通信性能和能量利用率至关重要。在本文中，我们提出了一种基于Q学习的分散式方法，其中每个移动雾中继代理（MFRA）是由一个自主智能体，使用强化学习，同时提高通信性能和能源利用率控制。每个自主智能体基于来自目的地的反馈和其自身的能量水平来学习是保持活跃并转发消息，还是在该传输阶段变得被动。我们通过与集中式方法进行比较来评估该方法，并观察到，在较少数量的MFRA的情况下，我们的方法能够确保可靠的数据传输，并将总体能源成本降低56.76%-88.03%。
2021-06-01 cs.LG cs.NI eess.SP
Algorithms for Computing in Fog Systems: principles, algorithms, and Challenges
雾计算是一种架构，用于将计算、存储和内存等资源分布到更靠近最终用户的位置，以改善应用和服务部署。雾计算背后的想法是通过降低计算能力、网络带宽和延迟以及存储需求来改善云计算和物联网基础设施。本文概述了雾计算是什么，相关概念，用于改进雾计算基础设施的算法以及存在的挑战。本文表明，使用雾计算来支持云和物联网系统具有很大的优势。
2020-06-01 cs.NI
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
Public Key Reinforced Blockchain Platform for Fog-IoT Network System Administration
在过去的十年中，连接到无线网络的嵌入式设备的数量一直在增长。这种交互创建了一个物联网（IoT）设备网络，其中数据不断传输。随着设备的增加以及网络通过雾计算扩展的需求，我们拥有了基于雾的物联网网络。然而，随着更多端点的引入，网络变得对恶意攻击者开放。这项工作试图通过创建一个平台来保护基于雾的物联网网络，该平台通过公钥加密来保护端点。允许服务器屏蔽网络内共享的数据包。为了能够跟踪所有的加密过程，我们使用了许可区块链。该技术通过提供不可变和自动化的数据结构来完成安全层，以充当网络的超级分类账。每个数据事务都使用一对公钥来合并握手机制。这种设计保证了只有通过密钥具有适当访问权限的设备才能使用网络。因此，管理变得方便和安全。该平台的实现是通过无线服务器-客户端架构来模拟设备之间的数据交易。进行的定性测试提供了对网络安全级别的深入可行性调查。结果表明，该设计的有效性，作为一种手段，加强对端点攻击的网络。
2021-08-11 cs.CR cs.NI
