The FORA Fog Computing Platform for Industrial IoT
工业4.0只有通过使用不同计算和通信技术的运营和信息技术（OT & IT）的融合才能成为现实。云计算不能用于涉及工业应用的OT，因为它不能保证严格的非功能需求，例如，可靠性、可信赖性和及时性。相反，一种新的计算范式，称为雾计算，被设想为实现IT/OT融合的架构手段。在本文中，我们提出了一个针对工业物联网应用的雾计算平台（FCP）参考架构。FCP基于：确定性虚拟化，减少了安全和安全保证所需的工作;中间件，支持关键控制和动态雾应用;确定性网络和互操作性，使用开放标准，如IEEE 802.1时间敏感网络（TSN）和OPC统一架构（OPC UA）;资源管理和调度机制;以及用于安全、容错和分布式机器学习的服务。我们提出了一种定义和评估参考体系结构的方法。我们使用架构分析设计语言（AADL）对FCP参考架构进行建模，并使用一组工业用例来评估其对工业物联网领域的适用性。
2020-07-02 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
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
DeFog: Fog Computing Benchmarks
雾计算设想，与在云上运行应用相比，跨云中的资源和位于网络边缘的资源部署应用的服务可以提高应用的整体性能。然而，目前还没有基准测试可以直接比较仅云、仅边缘和云边缘部署平台上的应用程序性能，以获得有关性能改进的任何见解。本文提出了DeFog，这是第一个Fog基准测试套件：（i）通过使用标准方法减轻Fog基准测试的负担，（ii）通过收集一组基准测试的相关指标目录来促进对目标平台的理解。目前的DeFog基准测试组合包括六个有助于使用边缘的相关应用。在多个目标平台上进行了实验研究，以展示使用DeFog收集与应用程序延迟（通信和计算）相关的指标，了解压力和并发用户对应用程序延迟的影响，以及了解跨云和边缘部署应用程序的不同服务组合的性能。DeFog可供公众下载（https：//github.com/qub-tagon/DeFog）。
2019-07-25 cs.DC
FogMQ: A Message Broker System for Enabling Distributed, Internet-Scale IoT Applications over Heterogeneous Cloud Platforms
由于大量地理上分布的设备通过消息代理进行通信，传统消息代理会出现过度的尾端到端延迟。另一方面，无代理消息传送系统虽然确保低延迟，但高度依赖于直接设备到设备（D2D）通信技术的限制，并且不能很好地扩展，因为大量资源有限的设备交换消息。在本文中，我们提出了FogMQ，一个基于云的消息代理系统，克服了传统系统的局限性，使自主发现，自我部署，并在异构云平台上的消息代理的在线迁移。对于每个设备，FogMQ都提供了一个高容量的设备克隆服务，可以订阅设备消息。克隆有助于在资源丰富的云计算节点中进行近边缘数据分析。FogMQ中的克隆应用了Flock，这是一种模拟群集行为的算法，允许克隆以分布式方式动态选择并自主迁移到不同的异构云平台。
2016-10-03 cs.DC cs.NI
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
On the similarities and differences between the Cloud, Fog and the Edge
边缘和雾计算领域正在不断发展，但在当前的文献中仍然存在许多不一致和定义松散的术语。有许多文章比较了理论架构并评估了实现，因此有必要理解浓缩成雾、边缘和类似术语的信息的潜在含义。通过我们对当前文献的回顾，我们讨论了这些差异，并提取了贯穿始终的基本概念的关键特征。与现有的IaaS，PaaS和SaaS模型的相似之处，与针对边缘设备和工作负载的具体情况修改的类似模型进行对比。我们还评估了现有评估和比较工作调查的不同方面，包括目标实现的计算、网络、存储、安全性和易用性。在此之后，我们对当前可用的实现边缘或雾模式的商业和开源平台进行了广泛的概述，确定了关键参与者，成功的利基参与者以及这些平台的功能级别和技术发展的一般趋势。
2019-09-12 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
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
An IoT Platform-as-a-service for NFV Based -- Hybrid Cloud / Fog Systems
云计算尽管具有固有的优点（例如，资源效率）仍然面临若干挑战。用于将云连接到最终用户的广域网可能导致高延迟，这对于某些应用（尤其是物联网（IoT应用））可能是不可容忍的。雾计算可以通过将传统的云架构扩展到网络边缘，并在雾节点上部署一些应用程序组件来减少这种延迟。应用程序提供商使用平台即服务（PaaS）来提供（即，开发、部署、管理和协调）云中的应用程序。然而，现有的PaaS解决方案（包括物联网PaaS）通常专注于云计算，并且无法提供具有跨云和雾组件的应用程序。提供这样的应用需要现有PaaS中不存在的新功能，例如应用图生成。此外，现有PaaS提供的几个功能（例如，发布/发现）需要被显著地扩展以便适应混合云/雾环境。在本文中，我们提出了一种新的架构PaaS混合云/雾系统。它是物联网用例驱动的，其应用程序的组件被实现为虚拟网络功能（VNF），其执行序列被建模为具有子结构（如选择和循环）的图形。它通过跨云和雾的组件自动配置应用程序。此外，它还可以发现现有的云和雾节点，并生成应用程序图。概念验证基于Cloudify开源构建。当PaaS模块和应用程序组件放置在不同地理位置的云和雾中时，通过评估其性能来证明可行性。
2020-01-17 cs.DC cs.SE
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
A Serverless Cloud-Fog Platform for DNN-Based Video Analytics with Incremental Learning
Nanyang Technological University（南洋理工大学）；Wuhan University（武汉大学）；Nanjing University of Science and Technology（南京理工大学）；K&C Technologies Solutions（K&C技术解决方案公司）
基于DNN的视频分析已经授权了许多新的应用（例如，自动零售）。同时，雾设备的激增为开发人员提供了更多的设计选择，以提高性能并节省成本。据我们所知，本文提出了第一个无服务器系统，该系统充分利用了客户端-雾-云协同作用，以更好地服务于基于DNN的视频分析。具体而言，该系统旨在实现两个目标：1）通过明智地管理部署在客户端、雾和云环境中的计算和带宽资源，在较低带宽使用和较短往返时间（RTT）的约束下提供最佳分析结果。2)将开发人员从繁琐的管理和操作任务中解放出来，包括DNN部署，云和雾的资源管理。为此，我们实现了一个整体的云雾系统，称为VPaaS（视频平台即服务）。VPaaS采用无服务器计算，使开发人员能够通过简单地编程一组功能（例如，模型推理），然后通过精心设计的模块协调这些模块来处理视频。为了节省带宽并减少RTT，VPaaS提供了一种新的视频流协议，该协议仅将低质量视频发送到云。部署在云端的最先进（SOTA）DNN可以识别需要在雾端进一步处理的视频帧区域。在雾端，这些区域中的错误识别标签可以使用轻量级DNN模型进行校正。为了解决数据漂移问题，我们将有限的人类反馈纳入系统中以验证结果，并采用增量学习来不断改进我们的系统。评估表明，VPaaS优于几种SOTA系统：它保持了高准确性，同时将带宽使用量减少了21%，RTT减少了62.5%，云货币成本减少了50%。
2021-02-05 cs.AI cs.DC
An edge-fog-cloud platform for anticipatory learning process designed for Internet of Mobile Things
本文提出了一种新的数据分析架构，目标是在移动物联网的背景下进行预期的学习过程。该架构是地理分布的，由边缘，雾和云资源组成，这些资源共同运作以支持这种预期的学习过程。我们设计的架构可以管理来自IoMT设备的大量数据流，并在连续的阶段中分析边缘，雾和云的资源层次结构。我们讨论了每一层的分析任务的特点。我们注意到，网络中传输的数据量从边缘到雾，最后到云都在减少，而计算的复杂性却在增加。这种设计允许支持不同类型的分析需求，根据所利用的资源类型，从实时到历史。我们已经实施了拟议的架构作为一个概念验证使用的过境数据从加拿大大蒙克顿地区的饲料。
2018-06-19 cs.CY cs.DC cs.NI
BlazeAIoT: A Modular Multi-Layer Platform for Real-Time Distributed Robotics Across Edge, Fog, and Cloud Infrastructures
Department of Electrical Engineering（电气工程系）；École de technologie supérieure（高级技术学院）；Department of Software & IT Engineering（软件与信息技术工程系）
BlazeAIoT是一种模块化多层平台，旨在通过整合边缘、雾计算和云计算层，实现实时分布式机器人系统的高效通信与计算，支持异构基础设施下的动态服务分配与低延迟处理。
2026-01-09 cs.DC cs.RO
Multilayer Resource-aware Partitioning for Fog Application Placement
雾计算成为部署物联网应用的关键平台。此类应用的复杂性要求处理雾设备的资源多样性和网络结构的方法，同时最大化服务放置并减少资源浪费。该领域的先前研究主要集中在优化特定的应用程序要求，未能解决网络拓扑结构与雾设备中遇到的不同类型的资源相结合的问题。为了克服这些问题，我们提出了一个多层的资源感知分区方法，以最大限度地减少资源浪费和最大限度地提高服务的位置和最后期限的满意率在雾基础设施与高多用户应用程序放置请求。我们的方法表示的异构雾资源作为一个多层网络图和分区的基础上，网络拓扑结构和资源功能。然后，它根据应用程序的需求确定适当的设备分区，这些设备分区需要在同一网络拓扑分区中重叠。仿真结果表明，我们的多层资源感知分区方法是能够放置两倍多的服务，满足三倍多的应用程序请求的最后期限，并减少资源浪费高达15-32倍相比，两个可用性感知和资源感知方法。
2021-05-23 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
ECHO: An Adaptive Orchestration Platform for Hybrid Dataflows across Cloud and Edge
物联网（IoT）正在提供前所未有的观测数据，用于管理智慧城市公用事业。边缘和雾网关设备是物联网部署的一个组成部分，用于获取实时数据并实施控制。最近，边缘计算正在成为补充以云为中心的分析的一流范例。但一个关键的限制是缺乏跨边缘和云的应用程序的平台即服务。在这里，我们提出了ECHO，一个编排平台，跨分布式资源的业务流程。ECHO的混合数据流组合可以在不同的数据模型上操作-流，微批处理和文件，并与TensorFlow和Storm等本地运行时引擎接口以执行它们。它管理应用程序的生命周期，包括基于容器的部署和用于状态管理的注册表。ECHO可以在不同的Edge、Fog和Cloud资源上调度任务流，也可以在资源之间进行动态任务迁移。我们验证了ECHO平台在Raspberry Pi、NVidia TX 1、ARM 64和Azure Cloud VM资源上执行智能交通和智能实用程序应用的视频分析和传感器流，并展示了我们的结果。
2017-07-04 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
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
A Cloud Continuum Research Infrastructure for Distributed CPS Experimentation
Università degli Studi di Messina（墨西拿大学）；CINI: National Interuniversity Consortium for Informatics（国家跨大学信息学联盟）；Università degli Studi di Bologna（博洛尼亚大学）；Institute of ICAR CNR（意大利国家研究委员会ICAR研究所）
本文提出基于 SLICES 云 continuum 蓝图的两级参考架构，用于支持分布式 CPS 实验，通过可再生能源社区管理和 AirWatch 两个用例验证，可在同一可编程基础设施上部署、定制和比较不同控制与监控策略。
2026-07-31 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
OpenG2G: A Simulation Platform for AI Datacenter-Grid Runtime Coordination
University of Michigan（密歇根大学）
本文提出OpenG2G平台，用于研究AI数据中心与电网的协调策略，通过模拟不同控制方法评估AI模型对数据中心灵活性的影响。
2026-05-06 cs.DC cs.LG
HiveMind: A Scalable and Serverless Coordination Control Platform for UAV Swarms
自主设备的群体在普遍性和规模上都在增加。有两种主要的思路来控制这样的集群中的设备;集中式和分布式控制。集中式平台实现了更高的输出质量，但导致高网络流量和有限的可扩展性，而分散式系统更具可扩展性，但不太复杂。在这项工作中，我们提出了HiveMind，这是一个用于物联网群的集中式协调控制平台，具有可扩展性和高性能。HiveMind利用集中式集群进行所有资源密集型计算，推迟轻量级和时间关键型操作，例如边缘设备的障碍物规避，以减少网络流量。HiveMind采用事件驱动的无服务器框架在集群上运行任务，保证边缘设备和无服务器功能的容错，并处理落后的任务和性能不佳的设备。我们评估HiveMind在两种情况下的一群16个可编程无人机上;搜索给定的项目，并计算一个区域中的独特的人。我们表明，与完全集中和完全分散的平台相比，HiveMind实现了更好的性能和电池效率，同时还可以优雅地处理负载不平衡和故障，并允许边缘设备利用集群来共同提高其输出质量。
2020-02-04 cs.DC cs.NI
Blazes: Coordination Analysis for Distributed Programs
分布式一致性可能是当今分布式系统中讨论最多的话题。协调协议可以确保一致性，但在实践中，除非明智地使用，否则它们会导致不理想的性能。可扩展的分布式架构尽可能避免协调，但协调不足的系统可能会在故障下表现出行为异常，这通常非常难以调试。这对分布式系统架构师和开发人员提出了重大挑战。在本文中，我们提出了火焰，一个跨平台的程序分析框架，（a）确定程序的位置，需要协调，以确保一致的执行，和（b）自动合成特定于应用程序的协调代码，可以显着优于通用技术。我们提出了两个案例研究，一个使用注释程序在Twitter风暴系统，另一个使用布鲁姆声明性语言。
2013-11-28 cs.DC
Security Challenges for Cloud or Fog Computing-Based AI Applications
Islamic Azad University（伊斯兰阿扎德大学）；Ostbayerische Technische Hochschule Amberg-Weiden（东巴伐利亚安贝格-魏登应用技术大学）
本文分析了云或雾计算环境下机器学习服务的安全挑战，区分了云与雾的威胁差异，并提出了针对AI应用的具体信息安全需求。
2023-12-20 cs.AI cs.CR cs.DC
An Experimental Study on Microservices based Edge Computing Platforms
物联网（IoT）的快速技术进步使智慧城市的蓝图变得可行，通过整合异构的云/雾/边缘计算范例，在我们的城市和社区中协作提供各种智能服务。由于具有细粒度和松耦合等吸引人的特性，微服务架构已被提出来在大规模分布式物联网系统中提供可扩展和可扩展的服务。最近的研究基于云计算环境下的场景对微服务之间的性能干扰进行了评估和分析。然而，考虑到边缘设备（如计算消耗和网络容量）的限制，它们对于物联网应用并不全面。本文研究了边缘计算平台上的多种微服务部署策略。微服务作为Docker容器开发，全面的实验结果展示了微服务在基准场景上运行的性能和干扰。
2020-04-06 cs.DC
Speeding-up Age Estimation in Intelligent Demographics System via Network Optimization
年龄估计是一个困难的任务，需要自动检测和解释的面部特征。最近，卷积神经网络（CNN）在从基准数据集学习年龄模式方面取得了显着的进步。然而，对于“野外”（来自视频帧或互联网）的人脸，现有算法不如正面和中性人脸那么准确。此外，随着野外老化数据数量的增加，现有深度学习平台的计算速度成为另一个至关重要的问题。本文提出了一种高效的年龄估计系统，该系统将年龄估计算法和深度学习系统进行联合优化。该系统与城市监控网络配合使用，可为智能人口统计提供年龄组分析。首先，我们构建了一个三层雾计算架构，包括边缘，雾和云层，它直接处理原始视频的年龄估计。其次，我们优化了基于CNN的年龄估计算法，将标签分布和K-L发散距离嵌入雾层，并在最新的野生老化数据集上评估模型。实验结果表明：1.本系统实现了非接触式、远距离、动态地采集人口统计数据，并自动进行城市人口分析; 2.在不损失训练进度或模型质量的情况下，加速了老化模型训练。据我们所知，这是第一个智能人口统计系统，在提高智慧城市和城市生活效率方面具有潜在应用。
2018-05-22 cs.DC
EdgeKeeper: Resilient and Lightweight Coordination for Mobile Edge Computing Systems
移动边缘计算（MEC）已经获得了第一响应者和战术团队的极大兴趣，主要是因为他们可以在与云的连接不存在或有限时使用手持移动设备来形成计算集群（用于计算任务，如面部/场景识别，虚拟辅助）。第一响应者或战术环境中的高用户移动性使得MEC具有挑战性，因为无线链路观察到显著的波动。典型的基于云的协调（例如，边缘计算任务所需的基于ZooKeeper的服务发现和协调，设备命名，安全性）无法在这些环境中工作。驱动的弹性和轻量级的协调服务的需要，在本文中，我们设计和实现\ek提供云协调MEC系统。它为分布式边缘计算应用提供命名、网络管理、应用协调和安全性。它在设备之间维护边缘集群，并智能地将其数据存储在一组副本上，以防止节点故障和断开连接。我们为Android和Linux平台提供EdgeKeeper的全系统实现。我们已经将EdgeKeeper与现有MEC应用程序集成，并在现场急救人员进行的广域搜索和救援行动中进行了真实世界的性能评估，这证明它是轻量级的，适合移动设备。
2022-04-23 cs.DC
A Protocol for the Atomic Capture of Multiple Molecules at Large Scale
随着面向服务计算的兴起，应用越来越多地基于自治服务的协调。设想在大部分分布式和高度动态的平台上，表达这种协调需要替代的编程模型。化学编程范式将应用程序建模为化学解决方案，其中代表参与计算的数字实体的分子一起反应以产生结果，最近已被证明可以为服务的自主协调提供所需的抽象。然而，在大规模平台上执行这样的程序引起了几个问题，阻碍了实际利用这种范例。其中，参与同时反应的分子的原子俘获是最重要的研究之一。在本文中，我们提出了一个协议的原子捕获这些分子分布和发展在一个大规模的平台。由于可能反应的密度对于这种捕获的活性和效率至关重要，因此所提出的协议由两个子协议组成，每个协议都旨在解决溶液中潜在反应的不同密度水平。虽然选择一个或另一个的决定是本地的每个节点参与程序的执行，一个全局一致的行为获得。活性证明，以及密集的模拟结果显示的效率和有限的开销的协议。
2012-03-14 cs.DC
Cloud4IoT: a heterogeneous, distributed and autonomic cloud platform for the IoT
我们推出了Cloud4IoT，这是一个为物联网支持软件组件和数据密集型应用程序提供自动部署、编排和动态配置的平台，用于数据处理和分析，从而实现新传感器对象的即插即用集成和动态工作负载可扩展性。Cloud4IoT在物联网环境中实现了基础设施即代码的概念：它为物联网运营提供了云服务的灵活性和弹性。此外，它将传统的集中式云架构转变为物联网技术所要求的更加分布式和分散式的计算模式，弥合了云计算和物联网生态系统之间的差距。因此，Cloud4IoT扮演的角色类似于Fog Computing，Cloudlets或Mobile Edge Cloud等解决方案所涵盖的角色。Cloud4IoThs的分层架构托管一个中央云平台和多个远程边缘云模块，支持专用设备，即物联网网关，通过这些网关，新的传感器对象可以访问平台。总体而言，该平台旨在支持基于物联网和数据密集型应用程序可能对低延迟，有限的可用带宽或数据本地性提出特定要求的系统。Cloud4IoT基于多种开源技术构建，用于物联网标准、协议和服务的容器化和实现。我们提出了该平台的实现，并在两个不同的用例中演示。
2018-10-03 cs.DC
A Scalable Platform for Distributed Object Tracking across a Many-camera Network
深度神经网络（DNN）和计算机视觉（CV）算法的进步使得从大规模部署的城市摄像机中提取有意义的见解变得可行。在摄像机网络中近实时地跟踪感兴趣的对象是一个典型的问题。然而，当前的跟踪平台有两个关键限制：1）它们是单体的，专有的，缺乏快速整合复杂跟踪模型的能力; 2）它们对广域计算资源（包括边缘，雾和云抽象）的动态响应较低。我们解决这些差距使用Anveshak，一个运行时平台组成和协调分布式跟踪应用程序。它提供了一个特定于域的可编程模型来直观地组成跟踪应用程序，支持查询融合和重新识别等当代CV进步，并支持摄像机网络的搜索空间的动态范围，以避免浪费计算。我们还为部署在分布式资源上的低阻塞块提供可调的阻塞和数据丢弃策略，以响应网络和计算的变化。这些平衡了跟踪精度、实时性能和活动摄像机组大小。我们说明了简洁的表达能力的编程模型$4$跟踪应用程序。我们的1000个摄像头饲料网络的详细实验适度的资源展示了可调的可扩展性，性能和质量的权衡，使我们的动态跟踪，跟踪和丢弃策略。
2020-03-15 cs.DC
AeroDaaS: A Programmable Drones-as-a-Service Platform for Intelligent Aerial Systems
Indian Institute of Science, Bangalore（印度科学研究所班加罗尔分校）
AeroDaaS是一种可编程的无人机即服务平台，通过模块化微服务实现高效、灵活和可扩展的无人机应用。
2026-02-28 cs.DC
Time-Fluid Field-Based Coordination through Programmable Distributed Schedulers
本研究提出基于因果场和可编程分布式调度器的时间流体场协调方法，重新定义场计算中的时间调度，以平衡系统响应性与资源成本，并在场演算和聚合计算框架中实现与仿真验证。
2021-11-24 cs.DC cs.LO
IoT Platforms for 5G Network and Practical Considerations: A Survey
第五代（5G）移动网络将使物联网（IoT）在未来计算时代实现巨大飞跃。由于5G提供的扩展连接、高速、减少延迟的服务，物联网已经并将继续在日常生活的各个领域经历显著的转变。此外，雾计算将通过云分散操作并确保大数据，移动性和减少处理延迟的可持续性来彻底改变物联网平台。5G在本质上是无处不在、可靠、可扩展和经济的。这些功能不仅将使物联网在更广泛的范围内全球化，而且还使普通人能够实时的与环境进行智能和高效的交互。在这项研究中，对与云平台相结合的不同物联网应用进行了综合调查。此外，还探讨了物联网在5G影响下的能力，以及物联网平台和服务将如何通过5G实现。此外，还引入了一些由5G引发的开放问题，以利用该网络的最大利益。最后，根据调研结果，提出了一个在远程呈现项目中实现的平台。
2019-07-05 cs.DC cs.NI
Executable Models and Instance Tracking for Decentralized Applications -- Towards an Architecture Based on Blockchains and Cloud Platforms
University of Fribourg（弗里堡大学）
针对区块链上去中心化应用的可扩展性和执行指定复杂性问题，本文提出可执行模型作为高级抽象，研究其与智能合约耦合以追踪执行，并给出支持可扩展性和去中心化协调的架构。
2022-11-11 cs.DC cs.NI
EISim: A Platform for Simulating Intelligent Edge Orchestration Solutions
针对现有仿真器难以支持智能边缘编排研究的问题，本文提出基于 PureEdgeSim 扩展的 EISim 平台，支持深度强化学习方案、多种控制拓扑及任务卸载与资源定价场景。
2023-11-02 cs.DC cs.MA
Self-Recovering Sensor-Actor Networks
无线传感器-执行器网络是无线网络的最新发展，其中存在普通传感器节点和更复杂和强大的节点（称为执行器）。在本文中，我们正式提出了一个最近推出的算法，通过现有的传感器基础设施恢复失败的演员通信链路。我们证明，通过细化的恢复是终止在一个有限数量的步骤和分布，从而自我执行的演员。最重要的是，我们证明了恢复可以在不同的级别，通过不同类型的链接，如直接演员之间的链接或间接链接的演员，在后一种情况下，重用传感器的无线基础设施。这导致识别协调类，例如，用于将最安全敏感的协调委托给直接行动者-行动者协调链路，将最少实时约束的协调委托给间接链路，并且将安全关键协调委托给直接行动者链路和行动者之间的间接传感器路径。我们的形式化是使用RODIN平台中的定理证明器完成的。
2010-07-29 cs.DC cs.LO
A Hardware-Software Stack for Serverless Edge Swarms
自主设备的普及和规模越来越大，这使得重新思考其硬件-软件系统堆栈的必要性变得至关重要。HiveMind是第一个群协调平台，它能够以高性能和可扩展的方式在云和边缘资源之间可编程地执行复杂的任务工作流。HiveMind是一个软件-硬件平台，包括用于简化云边缘应用程序可编程性的特定于域的语言，用于自动探索任务放置策略的程序合成工具，利用无服务器计算弹性扩展云资源的集中式控制器，以及用于网络和远程内存访问的可重新配置硬件加速结构。我们在由无人机和机器人汽车组成的两个真正的边缘群上设计和构建完整的端到端HiveMind系统。我们量化了无服务器引入边缘应用程序的机会和挑战，以及集中式和分布式协调之间的权衡。我们表明，与现有的集中式和分散式平台相比，HiveMind实现了更好的性能可预测性和电池效率，同时也降低了网络流量。使用真实系统和经过验证的模拟器，我们表明HiveMind可以扩展到数千个边缘设备，而不会牺牲性能或效率，这表明集中式平台可以同时具有可扩展性和高性能。
2021-12-29 cs.AR cs.DC
