Internet of Things (IoT) Application Model for Smart Farming
智能农业通过使用物联网(IoT)设备、云计算、雾计算和数据分析等新兴技术,为农业过程带来了重大变革。它使农民能够实时了解农场,并帮助他们做出明智和明智的决策。在本文中,我们提出了一个分布式数据流(DDF)的智能农业应用程序,是由相互依赖的模块的模型。我们使用两种部署策略来评估所提出的应用程序模型:基于云的和基于雾的,其中应用程序模块分别部署在雾和云数据中心上。我们在端到端延迟和网络使用方面比较了基于云和基于雾的策略。
2021-01-11 cs.DC
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
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 in Medical Internet-of-Things: Architecture, Implementation, and Applications
在物联网(IoT)的细分市场在各种商业报告中占据榜首的时代,显然可以预见,医学领域有望从我们周围的可穿戴设备和互联网连接传感器的爆炸式增长中获得巨大利益,以获取和传达有关症状,药物,食物摄入和影响健康的日常生活活动的前所未有的数据。然而,物联网驱动的医疗保健必须克服许多障碍,例如:1)对云服务器上的数据存储的需求越来越大,其中医疗大数据的分析变得越来越复杂,2)数据在传送时容易受到安全和隐私问题的影响,3)连续收集的数据的传送不仅成本高而且耗能,4)直接从云服务器操作和维护传感器是非试验性任务。本书章节在医疗物联网的背景下定义了雾计算。从概念上讲,雾计算是物联网中面向服务的中间层,提供传感器和云服务器之间的接口,以促进连接,数据传输和可查询的本地数据库。雾计算的核心是一个低功耗、智能、无线、嵌入式计算节点,它对从可穿戴设备或其他医疗传感器收集的原始数据进行信号调节和数据分析,并提供有效的手段来服务于远程医疗干预。我们使用Intel Edison和Raspberry Pi实现并测试了一个雾计算系统,该系统允许采集、计算、存储和通信各种医疗数据,例如语音障碍患者的病理语音数据、用于心率估计的心音图(PCG)信号以及基于心电图(ECG)的Q、R、S检测。
2017-06-24 cs.DC
Fog-Assisted wIoT: A Smart Fog Gateway for End-to-End Analytics in Wearable Internet of Things
如今,可穿戴物联网(wIoT)设备以惊人的速度不断涌入云数据中心。这增加了对部署边缘基础设施的需求,以便在用户附近进行计算,智能和存储。雾计算的新兴范式可以发挥重要作用,使wIoT更加高效和负担得起。雾计算被称为地面上的云。本文提出了一种端到端架构,该架构执行数据调节和智能过滤,以从可穿戴数据生成智能分析。在wIoT中,可穿戴传感器设备在一端提供服务,而云后端在另一端提供服务。我们使用Intel Edison和Raspberry Pi开发了一个智能雾网关原型(中间层)。我们讨论了智能雾网关在协调数据调节、智能过滤、智能分析以及选择性地传输到云端以进行长期存储和时间变化监控过程中的作用。我们根据智能电子纺织手套的真实数据对开发原型的性能进行了基准测试。结果证明了所提出的架构的可用性和潜力,用于将真实世界的数据转换为有用的分析,同时利用基于知识的模型。通过这种方式,智能雾网关增强了可穿戴设备(传感器设备)与云之间的端到端交互。
2017-01-25 cs.CY cs.DC cs.NI
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
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
Resource Allocation of Industry 4.0 Micro-Service Applications across Serverless Fog Federation
本文研究偏远工业现场无服务器雾联邦中的资源分配问题,提出感知微服务架构和延迟约束的应用划分方法,实验表明可按时多服务约20%的任务。
2024-01-14 cs.DC
Internet of Things (IoT) and New Computing Paradigms
本章介绍了实现新兴物联网应用的计算范式的基础,特别是雾计算和边缘计算,它们的背景,特征,架构和开放挑战。
2018-12-03 cs.DC
Job Edge-Fog Interconnection Network Creation Game in Internet of Things
这是第一篇从网络创造博弈的角度研究Job Edge-Fog互连网络拓扑结构的论文。给出了一个两层网络创建博弈模型,其中第一层类似于传统的网络创建博弈,以其他节点的总长度为目标。第二层采用两种类型的成本函数,一种是基于Jackson-Wolinsky类型的基于距离的效用创建的,另一种是基于物联网文献中的仅网络成本创建的。我们展示了这两个层次的游戏(无政府代价)的性能。该研究揭示了各个设备的自私策略如何影响作业边缘-雾互连网络的全局拓扑结构,为物联网基础设施建设提供了理论基础。该框架的一个显著优点是它可以避免求解传统的昂贵的和不切实际的二次分配问题,这是典型的框架来研究这个任务。此外,它可以控制系统性能的基础上,只有一个或两个成本参数的作业边缘雾网络,独立和分布式的方式。
2019-07-16 cs.DC cs.GT 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
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
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
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
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
Edge, Fog, and Cloud Computing : An Overview on Challenges and Applications
随着物联网(IoT)和各种移动设备的快速增长,传统的云计算范式面临着重大挑战(高延迟、带宽成本等)。受这些限制和对物联网未来的担忧的推动,现代架构正朝着将云计算资源分布到大多数终端设备所在的远程位置的方向发展。边缘和雾计算被认为是集中式云解决方案不适合的应用程序的关键推动因素。在本文中,我们回顾了边缘、雾、云计算的高级定义,以及它们在各种物联网场景中的配置。我们进一步讨论了它们在许多应用中的交互和协作,例如云卸载,智能城市,医疗保健和智能农业。虽然在开发这种分布式系统方面仍然存在挑战,但解决这些限制的早期研究也已经浮出水面。
2022-11-03 cs.DC
Optimal Service Provisioning in IoT Fog-based Environment for QoS-aware Delay-sensitive Application
本文提出PSO与CRO混合优化方法改进FogPlan框架,将雾服务分配建模为INLP问题,实验表明服务时延降低29.34%、成本降低66.02%、时延违规减少50.15%。
2023-10-08 cs.DC
Fog Computing Architecture: Survey and Challenges
生成大量数据的新兴技术(如物联网(IoT)服务)需要延迟感知计算平台来支持时间关键型应用程序。由于云计算的按需服务和可扩展性特征,大数据应用处理在云基础设施中完成。仅在云中管理大数据应用程序对于与智能交通系统、医疗保健解决方案、应急响应系统和内容交付应用程序相关的延迟敏感型应用程序来说并不是一种有效的解决方案。因此,允许应用程序在云和终端设备之间执行计算操作的雾计算范例已经出现。在雾架构中,物联网设备和传感器连接到位于用户附近的雾设备,它还负责中间计算和存储。大多数计算将通过消除对云资源的完全依赖而在边缘上完成。在这一章中,我们调查和调查雾计算架构已提出在过去几年中。此外,我们还研究了物联网应用程序和平台的要求,以及云系统在执行物联网应用程序时所面临的限制。最后,我们回顾了当前的研究工作,特别是专注于大数据应用程序执行雾和解决几个开放的挑战,以及未来的研究方向。
2018-11-22 cs.DC
A Flexible Privacy-preserving Framework for Singular Value Decomposition under Internet of Things Environment
奇异值分解(SVD)是一种广泛应用的矩阵分解工具,在推荐系统、异常检测、数据压缩等领域有着广泛的应用。在物联网(IoT)的环境下,人们对数据分析的需求越来越大,以改善人类的生活并创造新的经济增长点。此外,由于物联网的范围很大,大部分数据分析工作应该在网络边缘完成,即通过雾计算处理。然而,提供雾计算的设备可能不可信,而数据隐私通常是物联网应用用户的重要关注点。因此,当执行SVD用于数据分析目的时,应保护用户数据的隐私。基于上述原因,本文提出了一种用于SVD计算的隐私保护雾计算框架。安全性和性能分析表明了该框架的实用性。此外,由于不同的应用程序可能会以不同的方式利用SVD运算的结果,因此本文介绍了三个具有不同目标的应用程序,展示了该框架如何灵活地实现不同应用程序的目的,体现了设计的灵活性。
2017-03-22 cs.CR 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
A Self-stabilizing Control Plane for the Edge and Fog Ecosystems
雾计算现在正在成为弥合传感设备之间的计算和连接差距的主导范例(也称为“事物”)和延迟敏感服务。然而,随着雾部署通过在高度动态和易失性的网络结构上积累大量互连的设备来扩展,现在比以往任何时候都更需要在出现故障时进行自我配置和自我修复。使用自稳定的流行方法,我们提出了一个分布式控制平面的容错框架,使雾服务,以应付和恢复一个非常广泛的故障模型。具体来说,我们的模型考虑了网络的不确定性,数据包丢失,节点故障停止故障,以及违反系统设计操作的假设,如系统状态的任意损坏。我们的自稳定算法保证在恒定数量的通信回合内自动恢复,而无需外部(人为)干预。为了展示该框架的有效性,所提出的自稳定算法过程的正确性证明伴随着一个全面的评估,该评估具有开放和可重复的测试平台,利用来自智能交通领域的真实数据。结果表明,我们的框架确保了雾生态系统在恒定时间内从故障中恢复,分析计算正确,而系统控制平面的开销则与物联网负载呈线性关系。
2020-11-04 cs.DC
Fuzzy Logic-based Robust Failure Handling Mechanism for Fog Computing
针对雾计算设备故障率高且现有方法不适配动态环境的问题,本文提出融合模糊逻辑检查点、任务迁移与任务复制的组合故障处理机制,并基于真实故障轨迹验证其将平均延迟和总处理时间分别降低56%和48%。
2025-04-11 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
A Scalable Architecture for Monitoring IoT Devices Using Ethereum and Fog Computing
随着物联网(IoT)的近期显著发展,数十亿资源受限的设备通过互联网互连。监控大量在底层通信协议和数据格式方面异构的物联网设备具有挑战性。大多数现有的物联网设备监控解决方案严重依赖于集中式架构。由于使用集中式架构是以信任权威为代价的,因此它有几个固有的缺点,包括易受安全攻击,缺乏数据隐私和未经授权的数据操纵。因此,一种新的去中心化方法对于弥补这些缺陷至关重要。被广泛用于提供去中心化的最有前途的技术之一是区块链。此外,为了减轻资源受限的物联网设备上的通信开销和计算能力的负担,可以利用雾计算来减少通信延迟并提供更好的网络可扩展性。在本文中,我们提出了一种可扩展的基于区块链的架构,用于使用雾计算监控物联网设备。为了证明所提出的解决方案的可行性和可用性,我们利用以太坊智能合约实现了一个概念验证原型。最后,进行了综合评价。评估结果表明,所提出的解决方案具有显著的可扩展性,并与资源受限的物联网设备兼容。
2020-11-11 cs.DC
VIoLET: A Large-scale Virtual Environment for Internet of Things
物联网部署一直在增长,包括传感器,网络,边缘,雾和云资源。尽管研究人员和从业者对此非常感兴趣,但大多数人都无法获得大规模的物联网测试平台进行验证。允许分析建模的仿真环境是评估实际计算环境中的软件平台或应用程序工作负载的糟糕替代品。在这里,我们提出了VioLET,这是一个用于在云虚拟机中定义和启动大规模物联网部署的虚拟环境。它提供了一个声明性模型来指定基于容器的计算资源,这些资源与使用Docker的本地边缘,雾和云设备的性能相匹配。这些可以通过复杂的拓扑结构相互连接,在这些拓扑结构上实施专用/公共网络以及带宽和延迟规则。用户还可以在这些设备上配置合成传感器以生成数据。我们验证了具有> 400个设备和> 1500个设备核心的部署的VioLET,并表明虚拟物联网环境以适度的成本与预期的计算和网络性能紧密匹配。这填补了物联网模拟器和实际部署之间的重要空白。
2018-06-15 cs.DC
Multiple Linear Regression-Based Energy-Aware Resource Allocation in the Fog Computing Environment
雾计算是时间敏感的物联网(IoT)应用的一种有前途的计算范例。它有助于在用户附近处理数据,以便提供比云更快的处理结果;它还有助于减少网络流量。雾计算中的计算环境是高度动态的,并且大多数雾设备是电池供电的,因此应用程序失败的可能性很高,这导致延迟应用程序结果。另一方面,如果我们在故障发生后将应用程序重新安装到其他设备中,则将不符合时间敏感性。为了解决这个问题,我们需要以节能的方式运行应用程序,由于雾计算环境的动态特性,这是一项具有挑战性的任务。要求以这样的方式安排应用,即应用不应由于能量不可用而失败。在本文中,我们提出了一个多线性,基于回归的资源分配机制,在雾计算环境中以能量感知的方式运行应用程序,以尽量减少由于能量约束的故障。现有的工作缺乏考虑雾环境的动态性的能量感知应用执行。因此,我们提出了一种基于多元线性回归的方法,可以实现这样的目标。我们提出了一个可持续的能源意识的框架和算法,执行应用程序在雾环境中的能源意识的方式。能源效率的分配和应用程序的执行时间之间的权衡已被调查,并显示有一个最小的负面影响系统的能量感知分配。我们比较了我们提出的方法与现有的方法。我们提出的方法最小化的延迟和处理20%,和17%,与现有的。此外,SLA违规减少了57%,建议的能量感知分配。
2021-03-10 cs.DC
Analyzing the Attack Surface and Threats of Industrial Internet of Things Devices
本文提出一种系统全面的方法,分析工业物联网设备在整个产品生命周期中的攻击面与威胁,涵盖硬件、软件、数据、资产及攻击,以降低工业控制系统风险。
2024-05-25 cs.CR 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
Adaptive Federated Learning and Digital Twin for Industrial Internet of Things
Northwestern Polytechnical University(西北工业大学);Xidian University(西安电子科技大学);University of Oslo(奥斯陆大学);Simula Metropolitan Center for Digital Engineering(西穆拉都会数字工程中心)
工业物联网(IoT)使分布式智能服务能够随动态和实时的工业设备而变化,以实现工业4.0的好处。在本文中,我们考虑了一种新的数字孪生授权工业物联网架构,其中数字孪生捕获工业设备的特征,以协助联邦学习。针对数字孪生可能导致设备状态估计值偏离实际值的问题,在联邦学习中提出了一种基于可信聚合的方法来缓解这种偏差的影响。本文基于李雅普诺夫动态亏损队列和深度强化学习自适应调整联邦学习的聚合频率,以提高资源约束下的学习性能。为进一步适应工业物联网的异构性,提出了一种基于聚类的异步联邦学习框架。数值结果表明,该框架是优于基准的学习精度,收敛性和节能。
2020-11-01 cs.DC cs.LG
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
Avoiding the Internet of Insecure Industrial Things
针对电网的分布式拒绝服务(DDoS)攻击和工厂工业控制系统(ICS)黑客攻击等安全事件正在增加。本文从技术和监管角度出发,揭示了工业物联网的新安全风险所在。2016年欧盟(EU)网络和信息安全(NIS)指令和2016年通用数据保护条例(GDPR)(均将于2018年5月起实施)正在迎来法律变革。我们使用新兴的智能能源供应链的案例研究框架,范围和巩固的安全问题的广度在发挥作用,以及监管的反应。我们认为工业物联网带来了四个安全问题,即:欣赏从离线到在线基础设施的转变;管理安全的时间维度;解决最佳实践的实施差距;以及参与基础设施的复杂性。我们的目标是揭示风险并促进对话,以避免出现不安全的工业物联网
2018-01-22 cs.CY cs.DC cs.HC
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
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
iGateLink: A Gateway Library for Linking IoT, Edge, Fog and Cloud Computing Environments
近年来,物联网(IoT)越来越受欢迎,物联网网关扮演着越来越重要的角色,调解了大量异构物联网设备和云服务之间的交互。在本文中,我们介绍了iGateLink,这是一个开源的Android库,可以简化Android应用程序的开发,作为物联网设备和边缘/雾/云计算环境之间的网关。由于其可插拔的设计,提供与作为数据源或雾/云框架的许多设备的连接的模块可以很容易地重复用于不同的应用程序。在两个案例研究中使用iGateLink复制了医疗保健和图像处理领域的先前工作,与使用传统方法相比,该库被证明在适应不同场景和加速网关应用程序开发方面是有效的。
2019-11-16 cs.DC cs.SE eess.SP
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
A Survey on Federated Learning and its Applications for Accelerating Industrial Internet of Things
联邦学习(FL)将协作智能带入没有集中训练数据的行业,以加速边缘计算层面的工业4.0进程。FL解决了企业希望在安全问题上使用数据智能的困境。为了进一步利用FL加速工业物联网的发展,本文从三个方面对已有的FL研究成果进行了总结:1)定义了FL的术语,并构建了适应不同场景的FL总体框架; 2)讨论了FL在数据划分、隐私保护、模型优化、局部模型传输、个性化、激励机制等基础研究方面的现状,3)从经济学角度探讨外语学习的影响。为了引起工业界和实践界的更多关注,提出了一种基于FL的制造范式,并展望了FL的未来研究方向和在工业4.0领域的应用前景。
2021-04-21 cs.AI cs.DC cs.LG
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
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
Towards Communication-efficient and Attack-Resistant Federated Edge Learning for Industrial Internet of Things
Heilongjiang University(黑龙江大学);Tencent Jarvis Lab(腾讯 Jarvis 实验室);Nanyang Technological University(南洋理工大学);Lakehead University(湖首大学)
联邦边缘学习(Federated Edge Learning,FEL)允许边缘节点协同训练全局深度学习模型,用于工业物联网(IIoT)中的边缘计算,显著推动工业4.0的发展。然而,FEL面临两个关键挑战:通信开销和数据隐私。FEL在训练大规模多节点模型时会产生昂贵的通信开销。此外,由于自由电子激光的梯度泄漏和标签翻转攻击的脆弱性,全局模型的训练过程很容易受到对手的破坏。为了应对这些挑战,我们提出了一个用于IIoT边缘计算的通信高效和隐私增强的异步FEL框架。首先,我们引入了一个异步的模型更新方案,以减少计算时间,边缘节点等待全局模型聚合。其次,我们提出了一个异步的本地差分隐私机制,提高了通信效率,并减轻梯度泄漏攻击,通过添加精心设计的噪声边缘节点的梯度。第三,设计了云端恶意节点检测机制,通过检测本地模型质量来检测恶意节点。这种机制可以避免恶意节点参与训练,以减轻标签翻转攻击。在两个真实数据集上进行的大量实验研究表明,该框架不仅可以提高通信效率,而且可以减少恶意攻击,同时其准确性与传统的FEL框架相当。
2020-12-08 cs.CR cs.DC cs.LG
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