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
Managing Fog Networks using Reinforcement Learning Based Load Balancing Algorithm
雾计算的强大范例目前正受到人们的极大关注,因为它提供了将虚拟化服务器集成到网络中的可能性,并使云服务更接近终端设备。为了支持这种分布式智能平台,软件定义网络(SDN)已经成为雾计算环境中可行的网络技术。然而,任务需求的不确定性和Fog节点计算能力的差异,要求有效的负载均衡算法。在本文中,负载均衡问题已解决的约束下,实现最小的延迟在雾网络。为了解决这个问题,提出了一种基于强化学习的决策过程,以找到具有未知奖励和转移函数的最佳卸载决策。所提出的过程允许雾节点通过选择一个可用的相邻雾节点根据各自的资源能力,以最大限度地减少处理时间和整体过载概率的传入任务之间的任务卸载的最佳数量。与传统方法相比,该方案不仅简化了算法框架,而且不需要对网络模型做任何具体假设,而且保证了算法在多项式时间内收敛。结果表明,在平均时延下,基于强化学习的分流方法在服务速率和流量到达速率变化的情况下,性能得到了显著改善.该算法实现了1.17%,1.02%和3.21%的过载概率分别降低相对于随机,最少队列和最近卸载选择方案。
2019-01-28 cs.DC
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
CRAFT: Latency and Cost-Aware Genetic-Based Framework for Node Placement in Edge-Fog Environments
本文提出CRAFT框架,基于遗传算法优化边缘-雾环境中的节点放置,以最小化延迟和成本,仿真显示延迟降低2.77%、成本降低31.15%。
2025-07-16 cs.AR cs.DC cs.NI
Predictive Replica Placement for Mobile Users in Distributed Fog Data Stores with Client-Side Markov Models
在雾环境中,消费和产生数据的移动客户端非常丰富,只有将数据存储在物理上非常接近的位置,才能实现对这些数据的低延迟访问。为了以有效的方式调整雾数据存储中的数据复制,并使客户端数据在最接近客户端的雾节点上可用,系统需要预测客户端移动和数据消耗暂停。在本文中,我们提出了马尔可夫模型算法的变化,可以在客户端上运行,以增加数据的可用性,同时最大限度地减少多余的数据。在一个模拟中,我们发现在最近的节点上的数据的可用性可以提高35%,而不会产生全局复制的存储和通信开销。
2021-11-05 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
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
LEAF: Simulating Large Energy-Aware Fog Computing Environments
尽管效率不断提高,但今天的数据中心和网络消耗了大量的能源,预计这一需求将进一步增长。一个重要的研究问题是雾计算是否以及如何遏制这一趋势。由于雾基础设施的实际部署仍然很少,因此很大一部分研究依赖于模拟。然而,现有的功耗模型通常仅针对特定组件,例如计算节点或电池受限的边缘设备。结合分析和离散事件建模,我们开发了一个整体但粒度的能耗模型,可以确定计算节点的功耗以及网络流量和应用程序随着时间的推移。模拟可以包含数千台设备,这些设备在分布式、异构和资源受限的基础设施上执行复杂的应用程序图。我们在智能城市交通场景中评估了我们公开的原型LEAF,证明它可以研究节能雾计算架构,并可用于评估动态任务放置策略和其他节能机制。
2021-03-01 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
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
Adaptive multi-criteria-based load balancing technique for resource allocation in fog-cloud environments
针对雾云环境资源稀缺、需低延迟响应的资源分配难题,提出结合FAHP与FTOPSIS的自适应多准则负载均衡资源分配技术,在多指标上优于现有方法。
2024-02-02 cs.DC
Adaptive Fog Configuration for the Industrial Internet of Things
工业雾计算在雾节点(FN)部署各种工业服务,例如自动监测/控制和即将发生的故障检测,以提高工业系统的性能。在雾网络架构和计算卸载的设计方面,文献中已经做了很多努力。本文研究了一个同样重要的,但少得多的调查服务托管的问题,其中FN自适应配置为主机服务的传感器节点(SN),从而使相应的任务由FN执行。服务托管的问题出现,因为有限的计算和存储资源在FN,这限制了不同类型的服务,可以托管的FN在同一时间的数量。考虑到服务需求在时间和空间维度上的可变性,必须明智地决定何时,何地以及托管哪些服务,以最大限度地提高雾计算网络的效用。我们提出的雾配置策略是为电池供电的FN量身定制的。FN的有限电池容量产生了长期的能量预算约束,该约束显著地使雾配置问题复杂化,因为其在时间轴上引入了决策的时间耦合。为了解决所有这些挑战,我们提出了一个在线分布式算法,称为自适应雾配置(AFC),基于李雅普诺夫优化和并行吉布斯采样。AFC联合优化服务托管和任务准入决策,只需要当前可用的系统信息,同时保证接近最佳性能相比,预言算法与完整的未来信息。
2018-06-20 cs.DC
Observability in Fog Computing
针对雾计算因节点分布式、设备资源受限等导致服务维护难、恢复慢的问题,本文阐述可观测性三大支柱,讨论挑战与方法,介绍架构、工具及示例,为提升雾服务可观测性提供全面参考并展望未来方向。
2024-11-25 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
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
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 Poly-Log Approximation for Transaction Scheduling in Fog-Cloud Computing and Beyond
University of Houston-Clear Lake(休斯顿大学克莱尔湖分校)
针对雾云计算网络中事务与共享对象可移动的场景,聚焦常数加倍维度网络,提出单共享对象和多共享对象(最多k个)场景下的事务调度算法,近似比分别为O(log n·log D)和O(k·log n·log D),还给出无需全局事务知识的分布式版本,以最小化总调度成本。
2025-11-12 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
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
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
Towards Auction-Based Function Placement in Serverless Fog Platforms
功能即服务(FaaS)范式作为包括云和边缘节点的雾环境的计算模型具有很大的潜力。当请求速率超过边缘的容量限制时,一些功能需要从边缘卸载到云。在这份立场文件中,我们提出了一种基于拍卖的方法,应用程序开发人员对资源进行投标。这允许雾节点在本地决定哪些功能要卸载,同时最大化收入。对于我们的方法的第一次评估,我们使用模拟。
2020-03-04 cs.DC cs.NI
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
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
Agentic Fog: A Policy-driven Framework for Distributed Intelligence in Fog Computing
Sarhad University of Science & Information Technology(萨赫德科学与技术大学);GIK Institute of Engineering Sciences & Technology(吉克工程科学与技术学院);University of Essex(埃塞克斯大学)
本文提出了一种基于策略的雾计算框架,通过将雾节点建模为自主代理并利用势博弈理论,实现了动态环境下的高效资源管理和稳定系统收敛。
2026-01-28 cs.DC cs.MA
A Language for Programming Edge Clouds for Next Generation IoT Applications
为了在物联网应用程序中有效使用边缘计算,我们需要将应用程序划分为任务,并将其映射到云、雾(边缘服务器)和设备级别,以便以最佳方式使用不同级别的资源,以满足整体服务质量要求。在本文中,我们考虑了应用程序到雾映射的四个问题:不同级别的任务放置,限制网络负载的数据过滤,雾故障转移和数据一致性,以及对边缘热点的反应。我们描述了我们为边缘计算创建的程序设计语言和中间件,它们解决了上述四个问题。该语言具有分布式节点编程模型,允许为组织成云,雾,设备层次结构的节点集合编写程序。本文描述了语言的主要设计元素,并解释了原型实现。该语言中体现的独特分布式节点编程模型支持新的面向边缘的编程模式,非常适合认知或数据密集型边缘计算工作负载。本文介绍了语言原型的初步评估结果,以及使用程序设计语言开发的分布式外壳和智能停车应用程序。
2019-06-21 cs.DC
Application Management in Fog Computing Environments: A Taxonomy, Review and Future Directions
物联网(IoT)模式正在迅速被用于在各个领域创建智能环境。与智慧城市、医疗保健、工业4.0和Agtech相关的物联网网络物理系统(CPS)处理大量数据,并需要来自不同类型应用程序的实时数据处理服务。物联网应用程序的以云为中心的执行几乎无法满足这些要求,因为云计算中心与物联网设备之间存在多跳距离。\textit{Fog computing}是云在边缘网络上的扩展,可以在更靠近数据源的地方执行这些应用程序。因此,雾计算可以提高应用服务的交付时间,抵抗网络拥塞。然而,雾节点是高度分布,异构和大多数的资源和空间共享的限制。因此,有效管理应用程序是充分利用雾节点功能的必要条件。在这项工作中,我们调查了雾计算中现有的应用程序管理策略,并在架构,放置和维护方面对其进行了审查。此外,我们提出了一个全面的分类,并强调了基于雾的应用程序管理的研究差距。我们还讨论了一个前景模型,并提供了未来的研究方向,进一步改善雾计算中的应用程序管理。
2020-05-21 cs.DC eess.SP
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
Computing Resource Allocation in Three-Tier IoT Fog Networks: a Joint Optimization Approach Combining Stackelberg Game and Matching
雾计算是为未来基于物联网(IoT)的网络系统提供经济且低延迟的数据服务的有前途的架构。它依赖于一组接近最终用户的低功耗雾节点来卸载最初针对云数据中心的服务。在本文中,我们考虑了一个特定的雾计算网络组成的一组数据服务运营商(DSO),每个控制一组雾节点提供所需的数据服务的数据服务用户(DSS)的集合。如何将有限的雾节点计算资源分配给各个决策支持系统,使系统性能达到最优和稳定是一个重要的问题。在本文中,我们提出了一个联合优化框架,所有的FN,DSO和DSS,以实现最佳的资源分配计划在分布式的方式。在这个框架中,我们首先制定了一个Stackelberg游戏来分析的DSO的定价问题,以及资源分配问题的DSS。在DSO可以知道DSS购买资源的期望量的情况下,应用多对多匹配博弈来研究DSO和FN之间的配对问题。最后,在同一个DSO中,我们在每个配对的FN和服务DSS之间应用另一层多对多匹配来解决FN-DSS配对问题。仿真结果表明,我们提出的框架可以显着提高基于物联网的网络系统的性能。
2017-01-14 cs.DC cs.GT
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
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
Optimal Energy Efficiency with Delay Constraints for Multi-layer Cooperative Fog Computing Networks
针对多层协作雾计算网络,提出了一种联合卸载和资源分配的框架,旨在最小化多个移动设备在满足服务延迟要求的情况下的总能耗.由此产生的优化涉及二进制(卸载决策)和实变量(资源分配),使其成为一个NP难和计算棘手的问题。为了解决这个问题,我们首先提出了一种改进的分支定界算法(IBBA),以集中的方式实现。然而,由于协作雾计算网络的规模较大,所提出的IBBA的计算复杂性相对较高。为了加快最优解的搜索,以及使其分布式实现,我们然后利用独特的结构的基础问题和雾节点的并行处理。为此,我们提出了一个分布式的框架,即可行性发现Benders分解(FFBD),分解成一个主问题的卸载决策和子问题的资源分配的原始问题。主问题(MP),然后配备了强大的切割飞机,利用雾节点的资源限制的事实。资源分配的子问题(SP)可以找到他们的封闭形式的解决方案,使用我们的快速解决方案检测方法。这些(更简单的)子问题可以在雾节点上并行求解。数值结果表明,FFBD总是以显著更少的计算时间返回问题的最优解(例如,与集中式IBBA方法相比)。具有快速解检测方法的FFBD,即FFBD-F,与传统的FFBD,即FFBD-S和IBBA相比,可以分别减少高达$60\%$和$90\%$的计算时间。
2020-08-23 cs.DC cs.NI
FogGrid: Leveraging Fog Computing for Enhanced Smart Grid Network
本手稿集中在雾计算的智能电网网络,包括一个分布式发电系统称为微电网的应用。它解决了智能电网的特点和优势。讨论了基于共享信息资源的按需处理的两种计算方法。雾计算作为计算和/或通信节点的附加层,在处理大量数据的同时将云后端从多任务中卸载。比较了雾计算和云计算分层体系结构在资源利用效率方面的差异。为了缓解雾计算的优势,提出了一种基于Intel Edison的雾计算框架。所提出的架构已硬件实现的微电网系统。所获得的结果显示了雾计算在低功耗、降低存储需求和覆盖分析能力方面对智能电网网络的功效。
2017-12-27 cs.DC cs.NI
From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks
Purdue University(普渡大学);NC State University(北卡罗来纳州立大学)
机器学习(ML)任务在当今的网络应用中变得无处不在。联邦学习最近出现了一种技术,通过利用收集数据的节点的处理能力,在网络边缘训练ML模型。在当代网络中采用传统的联邦学习存在一些挑战,这是由于跨设备存在的计算和通信能力的显著异质性。为了解决这个问题,我们提倡一种称为雾学习的新学习范式,它将智能地将ML模型训练分布在从边缘设备到云服务器的连续节点上。雾学习沿着三个主要维度增强了联邦学习:网络、异构性和邻近性。它认为是一个多层混合学习框架,包括异构设备与各种接近。它说明了每个网络层的异构节点之间的本地网络的拓扑结构,通过设备到设备(D2 D)通信将它们编排用于协作/协作学习。这从用于联邦学习中参数传输的星形网络拓扑迁移到更大规模的分布式拓扑。我们讨论了实现雾学习的几个开放的研究方向。
2020-10-23 cs.DC cs.LG cs.NI
DeF-DReL: Systematic Deployment of Serverless Functions in Fog and Cloud environments using Deep Reinforcement Learning
University of Tartu(塔尔图大学);University of Hyderabad(海得拉巴大学)
针对雾计算资源有限且未充分利用云环境的问题,提出DeF-DReL算法,利用深度强化学习优化雾与云间的请求分配比例,实验证明其优于现有算法。
2022-04-18 cs.AI cs.DC
Multi-objective application placement in fog computing using graph neural network-based reinforcement learning
Universitat de les Illes Balears(巴利阿里群岛大学)
本文提出利用图神经网络强化学习解决雾计算中应用部署的多目标优化问题,通过实时训练模型优化服务依赖关系,实验显示其在毫秒级内获得与遗传算法相当的Pareto集结果。
2026-05-14 cs.DC
Resilience and Load Balancing in Fog Networks: A Multi-Criteria Decision Analysis Approach
针对雾计算环境中有限资源的负载均衡问题,提出采用多准则决策分析方法ELECTRE,结合计算与网络负载等多目标做服务选择,仿真显示其较传统基线方法性能最高提升67%。
2022-10-24 cs.DC cs.NI
Network-Aware Optimization of Distributed Learning for Fog Computing
雾计算有望使机器学习任务能够通过在连接的设备上分配处理来扩展到大量数据。实现这一目标的两个关键挑战是设备计算资源的异构性和设备可以相互通信的拓扑约束。我们通过开发第一个网络感知的分布式学习优化方法来解决这些挑战,在该方法中,设备以最佳方式共享本地数据处理,并将其学习的参数发送到服务器以在特定时间间隔进行聚合。与传统的联邦学习框架不同,我们的方法使设备能够将它们的数据处理任务卸载给彼此,这些决策是通过凸数据传输优化问题确定的,该问题权衡了与设备处理、卸载和丢弃数据点相关的成本。我们分析了不同雾网络拓扑结构的最佳数据传输解决方案,例如,卸载的值在网络中的计算成本范围内近似线性。我们随后在收集的测试床数据集上进行的实验证实,我们的算法能够在不牺牲学习模型准确性的情况下大幅提高网络资源利用率。在这些实验中,我们还研究了网络动态的影响,量化了节点进入或退出网络对模型学习和资源成本的影响。
2021-04-22 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
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
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
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
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
Distributed genetic algorithm for application placement in the compute continuum leveraging infrastructure nodes for optimization
University of Balearic Islands(巴利阿里群岛大学)
针对雾计算资源优化,本文提出三种分布式程度递增的 GA 设计,并基于 NSGA-II 的雾服务放置实验表明,三者在解质量、多样性与网络负载之间形成不同权衡。
2024-06-13 cs.AI cs.DC cs.NE
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
HealthFog: An Ensemble Deep Learning based Smart Healthcare System for Automatic Diagnosis of Heart Diseases in Integrated IoT and Fog Computing Environments
云计算通过互联网提供资源,并允许部署过多的应用程序来为不同的行业提供服务。这些云框架目前面临的主要瓶颈是其有限的可扩展性,因此无法满足基于集中式物联网(IoT)的计算环境的要求。其主要原因是,像健康监测和监控系统这样的延迟敏感型应用程序现在需要对传输到集中式数据库以及从数据库到云数据中心的大量数据(大数据)进行计算,这导致此类系统的性能下降。雾和边缘计算的新范式通过将资源更接近用户来提供创新解决方案,并为数据处理提供低延迟和高能效的解决方案。尽管如此,当前的雾模型仍有许多局限性,并且从有限的角度关注结果的准确性或减少的响应时间,而不是两者。我们提出了一个名为HealthFog的新框架,用于在边缘计算设备中集成集成深度学习,并将其部署到自动心脏病分析的实际应用中。HealthFog使用物联网设备将医疗保健作为雾服务提供,并有效地管理心脏病患者的数据,这些数据是根据用户请求提供的。FogBus是一个支持Fog的云框架,用于部署和测试所提出的模型在功耗,网络带宽,延迟,抖动,准确性和执行时间方面的性能。HealthFog可配置为各种操作模式,在不同的雾计算场景和不同的用户要求中,根据需要提供最佳的服务质量或预测准确性。
2019-11-15 cs.DC eess.SP
Fog Computing Approaches in Smart Cities: A State-of-the-Art Review
如今,智能城市的发展,特别是在位置感知、延迟敏感和安全关键应用(如紧急火灾事件、患者健康监测或实时制造)中,在很大程度上取决于能够满足这些要求的更先进的计算模式。在这方面,雾计算,一个强大的云计算的补充,发挥了优势的作用,凭借定位更接近终端设备。尽管如此,智能城市中使用的方法通常是基于云的,这不仅会导致安全性和时间敏感的服务受到影响,而且其灵活性和可靠性也受到限制。为了克服云和其他相关计算范式(如边缘计算)的局限性,本文对智能城市中最先进的基于雾的方法进行了系统的文献综述(SLR)。在此基础上,根据研究的内容,提出了一种分类方法,将其分为基于服务、基于资源和基于应用的三大类。本SLR还调查了每个类的评价因素、使用的工具、评价方法、优点和缺点。在每一类中提出的算法的类型也被提到。最重要的是,通过考虑各种观点,通过将未来趋势和问题划分为实际的子类,提供了全面和独特的开放问题和挑战。
2020-12-01 cs.DC cs.NI
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