How to Place Your Apps in the Fog -- State of the Art and Open Challenges
雾计算旨在将云扩展到物联网，以实现更高的QoS，并为延迟敏感和带宽需求的应用提供支持。雾呼吁新的模型和算法来分发多服务应用程序，以便根据功能和非功能需求，在最佳位置进行数据处理。本调查回顾了现有的方法来解决应用程序放置问题的雾，同时追求三个主要目标。首先，它提供了一个全面的概述，目前采用的算法，开源原型的可用性，以及测试用例的大小。其次，它根据可用模型捕获的应用程序和雾基础设施特征对文献进行分类，重点关注考虑的约束和优化的指标。最后，它确定了在雾中放置应用程序的一些开放的挑战。
2019-11-27 cs.DC
Mobility driven Cloud-Fog-Edge Framework for Location-aware Services: A Comprehensive Review
随着物联网设备、智能手机的普及和位置跟踪技术的改进，产生了大量异构的地理标记（位置特定）数据，这促进了几种位置感知服务。这种时空（具有位置和时间维度）数据集的分析提供了各种重要服务，例如智能交通，紧急服务（医疗保健，国防或城市规划）。虽然云模式适合存储和计算能力，但主要瓶颈是网络连接丢失。在时间关键型应用中，紧急服务提供需要实时响应，这样的连接问题增加了延迟，从而影响系统的整体质量（QoS）。为了克服这个问题，出现了雾/边缘拓扑，其中在网络的边缘执行部分计算以减少通信延迟。这种基于雾/边缘的系统补充了云技术并扩展了系统的功能。本章讨论了基于云-雾-边缘的层次化协同框架，其中部署了多个组件来提高QoS。另一边移动性是增强这种位置感知服务供应的功效的另一个关键因素。因此，本章讨论了与移动驱动的基于云雾边缘的框架相关的问题和挑战，以有效地为最终用户提供多种位置感知服务。
2021-12-17 cs.DC cs.NI eess.SP
Delay-aware Resource Allocation in Fog-assisted IoT Networks Through Reinforcement Learning
Virginia Tech（弗吉尼亚理工大学）；China University of Petroleum（中国石油大学）
物联网设备附近的雾节点有望通过将物联网设备的任务卸载到它们来提供低延迟服务。移动物联网由车辆、可穿戴设备和智能手机等移动物联网设备组成。由于时变的信道条件、业务负载和计算负载，提高移动IoT设备的服务质量（QoS）具有挑战性。由于任务延迟由传输延迟和计算延迟组成，我们研究了资源分配（即，包括无线资源和计算资源），以在满足QoS约束的同时最小化所有任务的延迟。我们将资源分配问题转化为一个整数非线性问题，其中既考虑了无线资源，又考虑了计算资源。由于物联网任务是动态的，不同任务的资源分配是相互耦合的，并且获得未来的信息是不切实际的。为此，我们设计了一种在线强化学习算法，根据系统的经验回放数据，实时的做出次优决策。所设计的算法的性能已被广泛的仿真结果所证明。
2020-07-10 cs.DC cs.LG eess.SP
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
Minimising Delay and Energy in Online Dynamic Fog Systems
物联网（IoT）设备的使用越来越多，对数据传输产生了更大的需求，并给网络带来了更大的压力。此外，与云服务的连接可能成本高昂且效率低下。雾计算在用户设备附近提供资源以克服这些缺点。然而，物联网应用中的服务质量（QoS）优化和雾资源管理正成为具有挑战性的问题。本文介绍了一种动态在线卸载计划在车辆交通应用程序，需要执行延迟敏感的任务。本文提出了两种算法的组合：动态任务调度（DynamicTaskScheduling，简称TQM）和动态能量控制（DynamicEnergyControl，简称DEC），旨在最大限度地减少总体延迟，提高用户任务的吞吐量，最大限度地减少雾层的能耗，同时最大限度地利用资源受限的雾节点。实验结果表明，与其他方案相比，这些算法可以减少高达80.79%的延迟，并减少高达66.39%的能量消耗在雾节点。此外，这种方法将任务执行吞吐量提高了40.88%。
2020-12-23 cs.DC cs.NI
Deep Reinforcement Learning for Fog Computing-based Vehicular System with Multi-operator Support
本文研究了通过为云/雾计算连接的车辆系统启用多运营商无线连接可以实现的潜在性能改进。移动网络运营商（MNO）的选择和切换问题，制定通过共同考虑切换成本，服务质量（QoS）的变化之间的MNO，和不同的价格，可以收取不同的MNO以及云和雾服务器。提出了一种基于双深度Q网络（DQN）的切换策略，并证明了该策略能够在保证延迟和可靠性的情况下最小化每辆车的长期平均成本。所提出的方法的性能进行评估使用的数据集收集在市售的全市LTE网络。仿真结果表明，我们提出的政策可以显着降低成本支付的每雾/云连接车辆有保证的延迟服务。
2020-04-04 cs.DC eess.SP
Load balancing mechanisms in fog computing: A systematic review
最近，雾计算已经作为现代分布式范例被引入，并且作为云计算的补充来提供服务。Fog系统将存储和计算扩展到网络边缘，除了支持位置感知和移动性支持外，还能显著解决延迟敏感型应用的服务计算问题。负载均衡是雾网络的一个重要方面，它可以避免某些雾节点负载不足或过载的情况。通过负载均衡可以提高服务质量（QoS）参数，例如资源利用率、吞吐量、成本、响应时间、性能和能耗。近年来，人们对雾网络中的负载均衡技术进行了一些研究，但还没有系统的综述来巩固这些研究。本文系统地回顾了雾计算中的负载平衡机制，分为四类，包括近似方法、精确方法、基本方法和混合方法（2013年至2020年8月期间发表）。此外，本文还研究了负载均衡指标，以及与雾网络中所选负载均衡机制相关的所有优点和缺点。评价技术和工具，适用于每一个审查的研究进行了探讨。此外，这些机制的基本开放的挑战和未来的趋势进行了讨论。
2020-12-01 cs.DC cs.NI
FogROS2-FT: Fault Tolerant Cloud Robotics
University of California, Berkeley（加利福尼亚大学伯克利分校）；Robert Bosch Research and Technology Center North America（罗伯特·博世北美研究与技术中心）；Carnegie Mellon University（卡内基梅隆大学）
针对云机器人面临的成本高、云服务易停机、网络QoS波动等问题，提出具备多云复制容错能力的FogROS2-FT框架，可可靠使用低成本竞价实例，在多类任务中显著降低成本与长尾延迟。
2024-12-06 cs.AI cs.DC cs.NI
Decentralized Edge-to-Cloud Load-balancing: Service Placement for the Internet of Things
物联网（IoT）需要一种新的处理范式，该范式继承了云的可扩展性，同时使用更接近网络边缘的资源来最大限度地减少网络延迟。在由异构计算资源的分布式网络生态系统组成的边缘到云连续体中建立这种灵活性是具有挑战性的。此外，物联网流量动态和对低延迟服务不断增长的需求促进了对最小化响应时间和平衡服务放置的需求。雾计算的负载均衡成为经济高效的系统管理和运营的基石。本文研究了两个优化目标，并制定了一个分散的负载均衡问题的物联网服务放置：（全球）物联网工作负载平衡和（本地）服务质量（QoS），在最大限度地减少最后期限违规，服务部署和非托管服务的成本。所提出的解决方案EPOS Fog引入了一个用于集体学习的分散式多代理系统，该系统利用边缘到云节点来联合平衡整个网络的输入工作负载，并最大限度地降低服务执行所涉及的成本。代理在本地生成可能的资源请求分配，然后合作选择分配，使得它们的组合最大化边缘利用率，同时最小化服务执行成本。在各种网络上对真实的Google集群工作负载进行了广泛的实验评估，结果表明，与First Fit和完全基于云的方法相比，EPOS Fog在工作负载平衡和QoS方面具有卓越的性能。实验结果表明，EPOS Fog将服务执行延迟降低了25%，网络节点的负载均衡率高达90%。研究结果还展示了如何通过收集集体智慧来更经济有效地利用边缘上的分布式计算资源。
2021-04-23 cs.DC
GOSH: Task Scheduling Using Deep Surrogate Models in Fog Computing Environments
Imperial College London（帝国理工学院）；Loughborough University（拉夫堡大学）
近年来，人们提出了一种基于代理模型的智能调度方法来有效地分配异构雾环境中的易变任务。确定性代理模型、深度神经网络（DNN）和基于梯度的优化等先进技术可以实现低能耗和响应时间。然而，确定性代理模型，估计优化的目标值，不考虑的服务质量（QoS）的目标函数，可能会导致高的服务水平协议（SLA）违反率的分布的不确定性。此外，DNN训练的脆弱性阻止了这些模型达到最小能量或响应时间。为了克服这些困难，我们提出了一种新的调度：GOSH，即基于梯度的优化使用二阶导数和异方差深代理模型。GOSH使用基于二阶梯度的优化方法来获得更好的QoS，并减少迭代次数以收敛到调度决策，从而降低调度时间。GOSH使用自然参数网络来近似客观分数，而不是普通的DNN。此外，置信下限优化方法允许GOSH通过采用基于错误的探索来找到平均延迟的贪婪最小化和不确定性降低之间的最佳权衡。因此，GOSH及其基于协同仿真的扩展GOSH* 可以快速适应，并达到比基线方法更好的客观分数。我们表明，GOSH* 达到更好的客观分数比GOSH，但它只适合于高资源可用性设置，而GOSH是适合于有限的资源设置。针对GOSH和GOSH* 的真实系统实验表明，与最先进的系统相比，在能耗、响应时间和SLA违规方面分别有高达18%、27%和82%的显著改善。
2021-12-16 cs.DC cs.LG cs.PF
Optimizing Task Scheduling in Fog Computing with Deadline Awareness
University of Texas at San Antonio（圣安东尼奥德克萨斯大学）
本文提出RIGEO算法，结合改进的黄金鹰优化算法和强化学习，用于雾计算中任务调度，以降低能耗、提升响应时间和减少截止时间违规。
2026-02-15 cs.AR cs.DC
Efficient Fog Node Placement using Nature-Inspired Metaheuristic for IoT Applications
针对物联网场景下雾节点部署需兼顾连通性与覆盖度的多目标优化难题，提出基于海洋捕食者算法（MPA）的部署方案，在多基准测试中性能优于现有前沿方法。
2023-02-12 cs.DC cs.NI
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
Dynamic Network Slicing for Scalable Fog Computing Systems with Energy Harvesting
本文研究了雾计算系统，在该系统中，云数据中心可以通过部署在广阔地理区域的大量雾节点来补充。每个节点依靠从周围环境中收集的能量为本地用户提供计算服务。我们提出了动态网络切片的概念，其中区域协调器协调本地雾节点之间的工作负载分布，提供分区/切片的能量和计算资源，以支持特定类型的服务，具有一定的服务质量（QoS）保证。分配给每个切片的资源可以根据服务需求和能量可用性进行动态调整。提出了一种随机重叠联盟形成博弈模型，研究了随机波动的能量收集和负载到达过程下fog节点之间的分布式合作和联合网络切片.我们观察到，雾计算网络的整体处理能力，可以提高通过允许雾节点，以保持一个信念函数的未知状态和其他节点的私人信息。提出了一种基于信念-状态部分可观测马尔可夫决策过程（B-POMDP）的最优资源切片算法。我们描述了如何实现我们提出的动态网络切片内的3GPP网络共享架构，并评估我们提出的框架的性能，使用一个真正的蜂窝系统的实际BS位置数据，超过200个BS部署在都柏林市。我们的数值结果表明，我们的框架可以显着提高雾计算网络的工作负载处理能力。特别是，即使每个雾节点只能与其最近的邻居协调，在某些情况下，雾节点处理的工作负载总量几乎可以增加一倍。
2020-01-28 cs.DC cs.NI eess.SP
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
User-Assisted Collaborative Distributed Inference for Efficient QoS-Aware Autoscaling
Stockholm University（斯德哥尔摩大学）
针对AI推理服务需求增长带来的集中式服务成本上升问题，提出结合专用与用户贡献资源的协作式分布式推理系统，通过高维生成马尔可夫模型优化调度，可在用户规模扩大时提升性能并降低专用资源消耗。
2026-08-13 cs.AI cs.DC cs.LG
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
COSCO: Container Orchestration using Co-Simulation and Gradient Based Optimization for Fog Computing Environments
由于现代工作负载应用的高度不稳定性以及用户对低能耗和响应时间的敏感要求，大规模雾平台中的智能任务放置和任务管理具有挑战性。已经出现了容器编排平台来缓解这个问题，现有技术使用调度来快速达成调度决策，或者使用AI驱动的方法，如强化学习和进化方法来适应动态场景。前者通常无法快速适应高度动态的环境，而后者的运行时间慢到足以对响应时间产生负面影响。因此，需要一种调度策略，既能在易变环境中有效地工作，又能降低调度开销。为了实现这一点，我们提出了一个基于梯度的优化策略，使用反向传播的梯度相对于输入（GOBI）。此外，我们通过开发耦合仿真和集装箱调度框架（COSCO）来利用预测数字孪生模型和仿真功能的准确性。利用这一点，我们创建了一个混合仿真驱动的决策方法，GOBI*，优化服务质量（QoS）参数。协同仿真和反向传播方法使这些方法能够在易变的环境中快速适应。使用GOBI和GOBI* 方法对雾应用的真实数据进行的实验表明，与最先进的算法相比，在能耗、响应时间、服务水平目标和调度时间方面分别有高达15%、40%、4%和82%的显著改善。
2021-07-09 cs.DC cs.PF
Edge-Based QoS-Aware Adaptive Task Placement: A Closed-Loop Control in Multi-Robot Systems
Deakin University（德肯大学）；RMIT University（皇家墨尔本理工大学）；Zhejiang University（浙江大学）；Swinburne University of Technology（西姆伯恩理工大学）
提出一种QoS感知的自适应任务放置（ATP）控制器，通过多指标成本评分和闭环控制，在共享边缘节点上动态切换任务放置，以降低尾延迟和截止时间违规。
2026-07-28 cs.DC cs.NI cs.OS
Intelligent Service Selection in a Multi-dimensional Environment of Cloud Providers for IoT stream Data through cloudlets
Amirkabir University of Technology（阿米尔卡比尔理工大学）
物联网（IoT）服务的扩展和不同传感器生成的大量数据，意味着存储即服务等云计算服务的重要性比以往任何时候都要高。物联网流量对云存储服务施加了额外的限制，例如传感器数据预处理能力以及数据中心和每个数据中心中的服务器之间的负载平衡。此外，它还应符合服务质量（QoS）。混合MWG算法已被提出在这项工作中，它考虑了不同的目标，如能量，处理时间，传输时间，和负载均衡在雾和云层。使用MATLAB脚本来模拟和实现我们的算法，并考虑了不同服务器的服务，例如Amazon，Dropbox，Google Drive等。与MOWCA、KGA和NSGAII相比，MWG的间距指标分别提高了7%、13%和25%。此外，与MOWCA、KGA和NSGAII相比，MWG在质量度量方面分别具有4%、4.7%和7.3%的优化。整体优化结果表明，在考虑不同目标的情况下，与MOWCA、KGA和NSGAII相比，MWG算法的性能分别提高了7.8%、17%和21.6%。
2021-01-26 cs.AI cs.DC cs.NI
