Modelling Fog Offloading Performance
雾计算已经成为一种计算范例，旨在解决移动设备与远程云服务通信时的延迟，带宽和隐私问题。其概念是将计算服务卸载到更接近数据的位置。然而，在实现这一方法方面存在许多挑战。在卸载期间，由服务支持的应用（的一部分）可能不可用，用户将体验到停机时间。本文介绍了工作，旨在建立模型，允许预测这样的停机时间的基础上的指标（操作数据）的基础和周围的基础设施。这种预测在自动化雾卸载和雾编排中的自适应决策的背景下将是非常宝贵的。使用四种（线性和非线性）回归技术构建了满足四种基于容器的无状态和有状态卸载技术（即保存和加载，导出和导入，推送和拉取以及实时迁移）的模型。实验结果包括来自多个基于实验室的雾基础设施超过4200万个数据点。结果强调，合理准确的预测（回归模型的决定系数，平均绝对百分比误差，平均绝对误差）时，可以得到考虑25个指标相关的基础设施。
2020-02-12 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
A Multi-Level Approach for Class Imbalance Problem in Federated Learning for Remote Industry 4.0 Applications
University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；School of Computing and Informatics（计算与信息学院）
针对远程工业4.0联邦学习中数据类不平衡问题，提出多层次方法：局部采用合适损失函数，全局利用动态阈值机制选择工作节点，使性能提升3-5%。
2024-09-24 cs.DC cs.LG cs.SY
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
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
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
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
Optimising cost vs accuracy of decentralised analytics in fog computing environments
Institute for Informatics
互联网边缘的设备和数据呈指数级增长，这加剧了对完全基于远程云平台的方法的可扩展性和隐私问题的担忧。数据重力是雾计算的一个基本概念，它指向数据分析的计算分散化，作为解决这些问题的可行替代方案。将人工智能任务分散到几个合作设备上意味着在完全集中化（即，所有数据在单个设备上）和完全分散（即，源位置的数据）。我们提出了一个分析框架，能够在这个连续体中找到最佳操作点，将学习任务的准确性与相应的网络和移动数据的计算成本联系起来，并在CP上运行分布式训练。我们通过模拟表明，该模型准确地预测了最佳的权衡，往往是完全集中和完全分散之间的中间点，也显示了显着的成本节约w.r.t.两个都是。最后，分析模型承认封闭形式或数值解，使其不仅是一个性能评估工具，但也是一个设计工具，以配置一个给定的分布式学习任务最佳部署之前。
2021-08-02 cs.DC cs.LG cs.NI
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
CFTel: A Practical Architecture for Robust and Scalable Telerobotics with Cloud-Fog Automation
Deakin University（德金大学）；RMIT University（皇家墨尔本理工大学）；Zhejiang University（浙江大学）；Swinburne University of Technology（斯威本科技大学）；University of Tasmania（塔斯马尼亚大学）
本文提出了一种基于云雾自动化架构的远程机器人系统CFTel，旨在解决传统云基远程机器人系统的延迟、可靠性、可扩展性和容错问题，通过分布式云-边缘-机器人计算架构实现确定性连接、连接智能和网络化计算，从而提升实时控制、可扩展性和自主性。
2025-06-22 cs.DC cs.RO
PLATOS: A Power and Latency-Aware Task-Oriented Scheduling Strategy for Healthcare IoT in Fog Computing
针对医疗物联网在雾计算中的延迟和能耗问题，提出PLATOS四阶段任务导向调度策略，在iFogSim2中实现能耗降低18.72%、延迟降低8.65%。
2026-09-09 cs.AI cs.DC
Study of Cloud Computing in HealthCare Industry
在今天的现实世界中，技术已经成为包括医疗保健行业在内的每个行业的主导关键组成部分。以电子方式存储患者记录的好处增加了患者护理的生产力，并且易于访问和使用。医疗保健领域最近的技术创新是基于云技术的发明。但是，对远程存储患者记录的许多担忧和安全措施是医疗保健行业许多人关注的问题。人们需要了解实施云计算的好处和恐惧，以及这种新技术的优点和缺点。
2014-02-08 cs.CY cs.DC
Real-Time Index Authentication for Event-Oriented Surveillance Video Query using Blockchain
来自监控视频的信息对于态势感知（SAW）至关重要。如今，无处不在的分布式视频传感器正在不断生成大量的监控数据。从数千个视频帧中立即识别感兴趣的对象或放大可疑动作是非常具有挑战性的。使大数据可索引对于解决这个问题至关重要。理想的情况是在视频流上以实时的【形】、现场的方式生成模式索引，而不是依赖于云中心的批处理。现代边缘-雾-云计算范例允许在网络边缘实现时间敏感的任务。现场边缘设备以帧的形式收集感测到的信息并提取有用的特征。近地点雾节点进行上下文化和分类的功能。远程云中心负责更多的数据密集型和计算密集型任务。然而，在不同层中的设备之间交换索引信息引起了安全问题，其中对手可以捕获或篡改特征以误导监视系统。在本文中，提出了一种区块链使能方案，通过边缘和雾节点之间的加密安全信道来保护索引数据。它减少了攻击小边缘和雾设备的机会。通过大量的实验分析验证了该方案的可行性。
2018-07-17 cs.CR cs.DC
Sustainable Cloud-Fog-Edge Systems for Smart Buildings: Algorithmic Adaptation under Memory Constraints and Dynamic Orchestration Strategies
University Sorbonne Paris Nord（巴黎北索邦大学）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）
针对智能建筑的可持续云-雾-边系统，提出含Arduino数据采集、KOptim编排框架及适配GHA算法的方案，经Tour Perret传感器数据验证可可靠识别两种运行状态。
2026-10-12 cs.DC cs.LG cs.NA
An Edge-Computing based Industrial Gateway for Industry 4.0 using ARM TrustZone Technology
本文提出一种基于边缘计算并利用ARM TrustZone技术的工业网关，通过连接信息技术与运营技术实现工业4.0的垂直与水平集成，并以远程生产线维护用例验证其安全性和边缘计算优势。
2024-10-03 cs.CR cs.DC cs.ET
LOS: Local-Optimistic Scheduling of Periodic Model Training For Anomaly Detection on Sensor Data Streams in Meshed Edge Networks
异常检测对于处理边缘和雾环境、智能城市以及工业4.0中的传感器数据量越来越重要。为了确保良好的结果，需要定期更新所使用的ML模型，以适应传感器数据中的季节变化和概念漂移。尽管边缘资源可用性的增加可以允许直接在设备上原位执行模型训练，但它仍然经常被卸载到雾设备或云。在本文中，我们提出了本地乐观调度（LOS），这是一种在数据源附近执行周期性ML模型训练作业的方法，而不会使轻量级边缘设备过载。训练作业根据需要卸载到附近的邻居节点，并且资源消耗被优化以满足训练周期，同时仍然确保足够的资源用于进一步的训练执行。这种调度是以分散、协作和机会主义的方式完成的，而不需要完全了解基础设施和工作负载。我们在现实世界数据集的边缘计算测试平台上评估了我们的方法。实验结果表明，LOS的地方接近输入传感器流的训练执行，减少训练时间和训练周期之间的偏差高达40%，并增加了成功调度的训练工作量相比，在原位执行。
2021-09-27 cs.DC
Combining edge and cloud computing for mobility analytics
使用从移动物联网（IoMT）生成的数据进行移动性分析面临着许多挑战，从摄取来自大量雾节点和IoMT设备的数据流，到避免无用的大量数据流溢出云，这些数据流可能会引发瓶颈[1]。管理数据流正在成为IoMT的重要组成部分，因为它将决定未来应该在哪个平台上运行分析任务。数据流通常是具有高数据输入速率的乱序元组序列，并且移动性分析需要从边缘到云的双向实时数据流，反之亦然。在将数据流拉到云之前，除了识别到达时间无序的元组之外，还需要边缘数据流处理来检测丢失、损坏和重复的元组。数据过滤、数据清理和低级数据上下文化等分析任务可以在网络边缘执行。相比之下，更复杂的分析任务（如图形处理）可以部署在云中，并且ad-hoc查询和流式图形分析的结果可以根据用户应用程序的需要推送到边缘。图表是移动分析中使用的有效表示，因为它们统一了有关移动事物之间的连接，邻近和交互的知识。这张海报描述了我们为支持交通系统而开发的实验原型的初步结果，其中边缘和云计算相结合，处理从雾节点转发到云中的交通数据流。本研究的动机是了解如何通过结合云计算和雾计算架构对交通馈送执行有意义的移动性分析，以改善车队管理、公共交通和远程资产监控
2017-06-20 cs.CY cs.DC cs.NI
ALock: Asymmetric Lock Primitive for RDMA Systems
针对RDMA系统中本地与远程访问原子性不足及环回机制性能下降的问题，提出新型锁原语ALock，基于Peterson算法与嵌入式MCS锁实现分层设计，无需环回或RPC即可同步访问，在本地操作为主的工作负载中性能提升达29倍。
2024-04-27 cs.DC
Multi-microservice migration modelling, comparison, and potential in 5G/6G mobile edge computing: A non-average parameter values approach
针对5G/6G移动边缘计算中多微服务迁移问题，本文提出基于非平均值参数的数学模型，对比分析MiGrror与预拷贝实时迁移方法，实验证明MiGrror能以最小带宽开销实现低于10毫秒停机时间，显著提升服务连续性。
2023-05-18 cs.DC cs.NI
Downsides of Smartness Across Edge-Cloud Continuum in Modern Industry
University of North Texas (UNT)（北德克萨斯大学）；Versaterm Public Safety Inc.（Versaterm公共安全公司）
本文探讨了智能工业解决方案在边缘-云连续体中带来的安全隐患及副作用，分析了传统AI和生成式AI在软件层面与基础设施层的不同风险，旨在为智能工业系统的安全可持续发展提供指导。
2026-03-31 cs.AI cs.CR cs.DC
An SLA-based Advisor for Placement of HPC Jobs on Hybrid Clouds
一些科学和工业应用需要高性能计算（HPC）资源来处理和/或模拟复杂的模型。不久前，公司、研究机构和大学还习惯于购买和维护本地计算机集群;但最近，云计算已成为HPC应用程序子集的替代方案。这给最终用户带来了挑战，他们必须决定在哪里运行他们的作业：在本地集群上还是突发到远程云服务提供商。虽然目前对HPC云的研究主要集中在比较内部部署集群与云资源的性能，但我们在现有工作的基础上，引入了一项咨询服务，以帮助用户在考虑混合云的资源成本、性能和可用性的权衡后做出这一决定。我们使用基于全波形反演的地震处理应用程序的真实测试台评估了我们的服务;全波形反演是石油和天然气行业和地震预测中地震学家使用的技术。我们还讨论了如何将Advisor用于其他应用程序，并强调了构建此服务以降低成本和周转时间的主要经验教训。
2015-07-20 cs.DC
