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
Characterizing Task Completion Latencies in Fog Computing
雾计算将计算资源分配到物联网（IoT）设备和云之间的多个位置，正吸引着学术界和工业界的广泛关注。然而，尽管人们对雾计算的潜力感到兴奋，但雾计算架构的属性很少有全面的定量特征。在本文中，我们研究了雾计算中的任务完成延迟的性质。首先，我们提出了我们的经验基准为基础的研究任务完成延迟的结果。该研究涵盖了一系列设置，并独特地考虑了传统和无服务器雾计算执行点。它展示了不同位置的执行点特性的范围以及给定位置的延迟特性的相对稳定性。它还强调了现有雾计算算法中没有包含的无服务器执行的属性。其次，我们提出了一个框架，我们开发的协同优化任务完成质量和延迟，这是我们的实证研究的见解的启发。我们描述雾计算任务分配问题，我们制定了在这个框架下，并提出了我们开发的算法来解决这些问题。
2018-11-06 cs.DC cs.NI
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
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
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
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 Vs. Cloud Computing
本文概述了雾计算是什么，它的用途以及雾计算和云计算之间的比较。云计算在当今世界表现良好，比以往任何时候都更能提高使用互联网的能力。云计算逐渐开发出一种方法，在大多数组织中使用它的好处。雾计算在大型数据结构和大型云系统中都很明显，这是因为准确检索数据的复杂性越来越高。雾计算是云计算的扩展，它利用网络系统（如手机设备或具有内置数据存储的固定节点）来传输计算。Fog提供了提高能力、强大的安全控制和流程的重要点，以谨慎、灵活的方式建立数据传输能力。本文概述了雾计算和云的连接和属性，这些连接和属性因大纲、准备、方向以及关联和客户端的策略而异。这也解释了雾计算是如何灵活的，并通过压倒低网络带宽而不是将整个数据移动到云平台来为数据处理提供更好的服务。
2019-03-24 cs.DC
Fog Computing as Privacy Enabler
尽管人们广泛讨论了雾计算带来的隐私挑战，但作者认为，隐私和安全需求实际上可能会推动雾计算的采用。他们提出了四种雾计算模式，促进了数据隐私和商业秘密的安全性，补充了现有的加密方法。在三个案例研究的基础上说明了它们的实际应用。
2020-03-13 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 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
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
Fog Computing Applications: Taxonomy and Requirements
雾计算旨在支持延迟关键型应用程序的特定需求，例如增强现实和物联网应用程序，这些应用程序会产生大量数据，这些数据无法发送到遥远的云数据中心进行分析。然而，这也为更广泛的应用创造了新的机会，这些应用反过来又对未来的雾计算平台提出了自己的要求。本文介绍了一组具有代表性的30个雾计算应用程序的研究，以及通用雾计算平台应支持的要求。
2019-07-26 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
Distributed Optimization for Energy-efficient Fog Computing in the Tactile Internet
触觉互联网是一个新兴的概念，专注于支持高保真，超响应和广泛可用的人机交互。为了减少传输延迟和缓解互联网拥塞，雾计算已被提倡作为触觉互联网的重要组成部分。在本文中，我们专注于支持低延迟触觉互联网应用的雾计算网络的节能设计。我们调查了两个性能指标：最终用户的服务响应时间和雾节点的功率使用效率。我们量化了这两个指标之间的基本权衡，然后将我们的分析扩展到涉及雾节点之间的合作的雾计算网络。我们介绍了一种新的合作雾计算的概念，称为卸载转发，其中一组具有不同的计算和能源的雾节点可以相互合作。这种协作的目的是均衡不同雾节点处理的工作负载，进一步缩短服务响应时间，提高用电效率。我们开发了一个基于对偶分解的分布式优化框架，以实现最优的折衷。我们的框架不要求雾节点公开他们的私人信息，也不要求彼此进行来回协商。提出了两种分布式优化算法。一种是基于次梯度法与对偶分解，另一种是基于分布式ADMM-VS。我们证明了这两种算法可以实现最优的工作负载分配，最大限度地减少响应时间下，给定的功率效率约束的雾节点。
2020-01-28 cs.DC cs.MA cs.NI
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
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
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
Energy Efficiency of Server-Centric PON Data Center Architecture for Fog Computing
在本文中，我们利用混合线性规划（MILP）模型来比较以服务器为中心的无源光网络（PON）为基础的数据中心设计的能源效率和性能与不同的数据中心网络拓扑用于雾计算。对于典型的MapReduce工作负载，完成时间结果表明，与具有同等性能的DCell相比，以服务器为中心的基于PON的设计实现了67%的能耗降低。
2018-08-18 cs.DC cs.NI
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
On the Applicability of Network Coordinate Systems for Fog Computing
本文评估Meridian和Vivaldi网络坐标系统在雾计算中识别最近节点的性能，发现其虽能定位邻近节点，但忽略了负载均衡问题。
2023-07-25 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
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
The Fog Development Kit: A Development Platform for SDN-based Edge-Fog Systems
本文提出Fog Development Kit（FDK），通过高层资源分配接口和仿真工具支持，降低雾计算开发复杂度，实现原型零成本构建与无缝移植，并验证其在极端拥塞下的资源保证及可扩展性。
2020-01-13 cs.DC cs.NI
AI-based Fog and Edge Computing: A Systematic Review, Taxonomy and Future Directions
计算中的资源管理是一个非常具有挑战性的问题，涉及到顺序决策。资源限制、资源异构性、工作负载的动态性和多样性以及雾/边缘计算环境的不可预测性使得雾环境中的资源管理更具挑战性。近年来，基于人工智能（AI）和机器学习（ML）的解决方案被用来解决这个问题。能够做出顺序决策的AI/ML方法，如强化学习，似乎最有希望解决这类问题。但是这些算法也有自己的挑战，比如高方差、可解释性和在线训练。不断变化的雾/边缘环境动态需要在线学习的解决方案，以适应不断变化的计算环境。在本文中，我们使用标准的综述方法进行了系统性文献综述（SLR），以分析AI/ML算法的作用以及这些算法在雾/边缘计算环境中资源管理的适用性所面临的挑战。此外，还讨论了用于边缘AI管理的各种机器学习、深度学习和强化学习技术。此外，我们还介绍了基于AI/ML的雾/边缘计算的背景和现状。此外，基于AI/ML的雾/边缘计算的资源管理技术的分类已经提出，并比较现有的技术的基础上提出的分类。最后，在基于AI/ML的雾/边缘计算领域，已经确定并讨论了开放的挑战和有前途的未来研究方向。
2022-12-09 cs.DC
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
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
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
Energy-Efficient Resource Management in Microservices-based Fog and Edge Computing: State-of-the-Art and Future Directions
University of Sargodha（萨戈达大学）；University of Surrey（萨里大学）；University of Kurdistan（库尔德斯坦大学）；The University of Melbourne（墨尔本大学）
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
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
Foggy: A Platform for Workload Orchestration in a Fog Computing Environment
在本文中，我们提出了雾，一个架构框架和软件平台的基础上开源技术。Foggy可为多层、分布式、异构和分散式云计算系统协调应用工作负载、协商资源并支持物联网操作。Foggy是为5G网络和物联网等新兴领域量身定制的，这些领域需要遵循雾计算范式，将资源和服务分布并靠近数据源和用户。Foggy为基础设施所有者和租户提供了一个平台（即，应用程序提供商）提供协商、调度和工作负载放置的功能，同时考虑传统要求（例如基于RAM、CPU、磁盘）和非传统要求（例如基于联网）以及对位置和访问权的多样化约束。在不久的将来，Foggy模型也可以考虑资源的经济和定价。通过视频监控和车辆跟踪环境中的三个用例，Foggy能够在基础设施所有者和租户的需求之间找到平衡，在有效和优化使用基础设施的同时满足应用程序的要求。
2018-09-29 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
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
Task Allocation for Energy Optimization in Fog Computing Networks with Latency Constraints
雾网络在距离最终用户不同的距离处提供具有不同容量的计算资源。与云相比，更靠近网络边缘的雾节点（FN）可能具有较弱的计算资源，但FN中计算任务的处理限制了长距离传输。如何在雾和云节点之间分配任务？我们制定了一个通用的非凸混合非线性规划（MINLP）问题，最小化任务传输和处理相关的能量与延迟约束来回答这个问题。它被转换与连续凸逼近（SCA）和分解使用原始和对偶分解技术。提出了两种实用的能量高效资源分配算法（EEFFRA）和低复杂度算法（LC-EEFFRA）。它们允许在各种场景中成功地在FN和云之间分发网络请求，从而显著降低平均能源成本并减少具有未满足延迟要求的计算请求的数量。
2022-05-13 cs.DC 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
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
Coding for Distributed Fog Computing
Reddit在Fog网络中非常丰富（即，许多计算和存储点）并且随着网络规模线性增长。我们展示了编码在雾计算中的转型作用，以利用这种冗余来大幅降低计算的带宽消耗和延迟。特别是，我们讨论了两个最近提出的编码概念，即最小带宽码和最小延迟码，并说明其在雾计算的影响。我们还审查了一个统一的编码框架，其中包括上述两种编码技术的特殊情况下，并使计算延迟和通信负载之间的权衡，以优化系统性能。最后，我们将讨论几个开放的问题和未来的研究方向。
2017-02-20 cs.DC cs.IT math.IT
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
Multi-Criteria-based Dynamic User Behaviour Aware Resource Allocation in Fog Computing
雾计算是一种很有前途的计算模式，可以在边缘附近处理物联网数据，以支持时间敏感的应用程序。然而，计算设备中的资源的可用性是不稳定的，因为它们可能不是专门专用于雾环境中的处理。这与动态用户行为相结合，可能会影响应用程序的执行。针对资源受限的Fog设备中用户行为的动态变化，提出了一种基于多准则的资源预留资源分配策略，该策略考虑了Fog计算相关特性，如设备异构性、资源约束和移动性，以及用户需求的动态变化，以最小化总体延迟、处理时间和SLA违规.我们采用多个目标函数，以找到适当的资源，在雾环境中执行时间敏感的任务。实验结果表明，我们提出的政策表现优于现有的，减少了51%的总延迟。该算法还减少了处理时间和SLA违规，这是有益的运行时间敏感的应用程序在雾环境中。
2019-12-17 cs.DC
Fog Computing for Smart Grids: Challenges and Solutions
智能电网（SG）能够整合包括可再生能源在内的各种电源。它们可以有助于减少有害气体排放，并支持双向信息流动，以提高能源效率，以及小规模微电网，作为一个有前途的解决方案，以应对环境问题。然而，随着关键任务和延迟敏感型应用的出现，传统的基于云的数据处理模式变得越来越不令人满意。使用雾计算来增强智能电网系统的边缘侧处理能力被认为是解决该问题的潜在解决方案。在本章中，我们的目的是提供一个全面的分析雾计算在智能电网中的应用。我们首先概述智能电网和雾计算。然后，通过对现有研究的综述，总结了雾计算在智能电网中的主要应用、关键问题和可能的解决方法。我们通过讨论研究挑战和未来方向来结束本章。
2020-08-31 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
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
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
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
Energy Savings by Task Offloading to a Fog Considering Radio Front-End Characteristics
雾计算可用于从电池供电的物联网（IoT）设备卸载计算密集型任务。虽然它减少了物联网设备中计算所需的能量，但它使用能量与雾进行通信。本文分析了何时使用雾计算比本地计算更节能。详细的能量消耗模型建立在内置的两种情况下的能量消耗和功率放大器（PA）引入的失真之间的关系的焦点设置。数值结果表明，任务卸载到雾是最节能的短，宽带链路。
2021-04-26 cs.DC cs.NI eess.SP
Monitoring Fog Computing: a Review, Taxonomy and Open Challenges
雾计算是一种在用户附近提供计算资源的分布式范例。雾编排是一组功能，用于协调动态基础设施和管理服务，以保证服务级别协议。监控是一项最重要的编排功能。它是资源管理操作的基础，收集资源和服务的状态，并将更新的数据交付给协调器。有几种云监控解决方案和工具，但它们都不符合雾的特征和挑战。雾监控解决方案很少，它们可能没有准备好组成编排服务。本文更新了有关雾监测的知识库，评估了可观测性，数据标准化和仪器领域等方面的最新主题。我们提出了一种新的分类雾监测解决方案，支持系统的文献综述。雾监测建议进行分析和分类，这一新的分类，为研究人员提供了一个全面的概述。这项工作还突出了主要的挑战和开放的研究问题。
2022-06-16 cs.DC
A Manifesto for Modern Fog and Edge Computing: Vision, New Paradigms, Opportunities, and Future Directions
物联网（IoT）设备的使用正在不断增加，并以快速的方式生成大量数据。云计算是有效处理和管理用户数据的重要范式。此外，引入雾和边缘计算范例以通过减少延迟和响应时间来改善用户服务。本章根据当前的研究趋势，提出了现代雾和边缘计算系统的宣言。此外，雾和边缘计算的架构和应用进行了说明。此外，研究的机会和有前途的未来方向提出了关于新的范式，这将有助于从业者，研究人员和学者继续他们的研究。
2021-09-19 cs.DC
Deep Reinforcement Learning-based Scheduling for Optimizing System Load and Response Time in Edge and Fog Computing Environments
针对边缘/雾计算环境中物联网应用调度面临的过载、依赖约束和资源限制等挑战，提出基于深度强化学习的调度算法DRLIS，在FogBus2框架中实现并显著降低了负载均衡、响应时间和加权成本。
2023-10-23 cs.DC
Scheduling IoT Applications in Edge and Fog Computing Environments: A Taxonomy and Future Directions
雾计算作为一种分布式模式，在网络边缘提供云服务，具有低延迟和高访问带宽，以支持各种物联网应用场景。为了充分利用这种计算模式的潜力，需要可扩展的，自适应的和准确的调度机制和算法，以有效地捕获用户，物联网应用，环境属性和优化目标的动态和需求。本文介绍了在雾计算中调度物联网应用程序的最新文献分类。基于我们的新的分类方案，目前的工作在文献中进行了分析，每个类别的研究差距，并描述各自的未来发展方向。
2022-04-26 cs.DC
Achieving Observability on Fog Computing with the use of open-source tools
本文针对资源受限的雾计算环境，形式化定义雾可观测性，并基于智慧城市真实测试床评估开源工具，证明在调整默认配置、控制开销后可实现可观测性。
2024-05-25 cs.DC
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
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
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 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
