Internet of Things in Space: A Review of Opportunities and Challenges from Satellite-Aided Computing to Digitally-Enhanced Space Living
由物联网（IoT）、机器学习（ML）和人工智能（AI）、分布式计算和数据通信技术驱动的最新科技进步在许多科学领域开辟了大量机会-从快速、可靠和高效的数据通信到大规模云/边缘计算和智能大数据分析。这些领域的技术创新和发展也为空间工业带来了许多机会。2021年2月18日，美国宇航局的“毅力”号火星车成功登陆火星，代表着人类在太空探索方面的又一次巨大飞跃。物联网空间/非地面环境连接和计算技术的新兴研究和开发预计将在不久的将来产生重大效益。这份调查报告对该领域进行了广泛的概述，并对物联网和天基技术带来的机遇进行了展望。我们首先调查了物联网和航天工业的当前发展，并确定了这些领域的主要挑战和机遇。然后，我们回顾了最先进的技术，并讨论了物联网开发、部署和集成的未来机会，以支持未来的太空探索工作。
2021-09-10 cs.DC
Algorithmic Mechanisms for Reliable Internet-based Computing under Collusion
在这项工作中，使用博弈论的方法，成本敏感的机制，导致可靠的基于互联网的计算的设计。特别是，我们认为基于互联网的主-工人计算，其中主处理器分配，在互联网上，一组潜在的不可信的工人处理器的计算任务，并收集他们的响应。工人们为了增加他们的利益可能会串通起来。几个博弈论模型，捕捉问题的性质进行了分析，和算法机制，为每个给定的成本和系统参数，实现高可靠性的设计。此外，两个具体的现实系统的情况下进行了研究。这些场景是一个像SETI这样的志愿者计算系统，以及一家从互联网计算机购买计算周期并以任务计算服务的形式出售给客户的公司。值得注意的是，在某些条件下，非冗余分配产生成本和可靠性之间的最佳权衡。
2013-07-05 cs.DC cs.GT
A Survey on Serverless Computing
互联网加速了数字媒体、医疗保健和军事等多个领域的增长。此外，互联网是建立在允许客户端与服务器通信的原则上的。然而，无服务器计算就是这样一个试图摆脱这种范式的领域。事件驱动的计算服务允许用户使用容量配置和按价值付费的计费模式构建更敏捷的应用程序。本文正式介绍了无服务器计算领域的研究贡献。
2021-06-27 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
Flexible Distributed Particle Filtering for the Internet of Things via Aggregate Computing
提出基于聚合计算的场分布式粒子滤波方法，通过解耦滤波逻辑与协调策略，实现融合中心、测量函数和信息传播等维度的灵活定制，在统一框架下权衡精度、通信开销与鲁棒性。
2026-06-18 cs.DC
Computer Simulation Center in Internet
对www.example.com计算机模拟中心的结构和内容进行了概述。该资源是一种利用现代云计算技术进行知识生成和远程教育的新形式。
2011-01-04 cs.DC
Towards Parallel Computing on the Internet: Applications, Architectures, Models and Programming Tools
互联网上通用并行计算资源的开发提出了匹配计算和通信复杂性的挑战性任务。存在许多并行计算模型来解决传统并行架构的问题，并且存在许多新兴模型来尝试为诸如计算网格之类的大规模基于互联网的系统实现这一点。在本调查中，我们涵盖了三个基本方面--应用程序、架构和模型，并展示了它们在过去十年中是如何发展的。我们还介绍了目前用于计算网格中并行编程的编程工具。传统计算模型的趋势是通过使不同类型的通信适应网络条件来强调参与节点之间的有效通信。在大规模系统中出现的动态性和不确定性的影响显然是重要的理解，但目前很少有工作，从并行计算的角度来解决这个问题。
2006-12-25 cs.DC cs.PF
The Internet of Things, Fog and Cloud Continuum: Integration and Challenges
物联网对计算能力和存储的需求预计将在未来十年保持增长。因此，网络边缘设备生成的数据量也将增长。虽然云计算已经是获取计算和存储作为许多应用的服务的既定且有效的方式，但是它可能不适合于处理来自IoT设备的无数数据并且满足很大程度上异构的应用要求。雾计算已被开发为位于物联网和云之间，提供了一个计算能力的层次结构，可以收集，聚合和处理来自/到物联网设备的数据。结合雾和云可以减少到云的数据传输和通信瓶颈，并且还有助于减少延迟，因为雾计算资源更接近边缘。本文探讨了这个物联网-雾-云生态系统，并从不同方面提供了文献综述：它可以如何组织，如何管理，以及应用程序如何从中受益。最后，我们提出了物联网-雾-云基础设施中尚未解决的挑战性问题。
2018-09-26 cs.DC
Cloud Infrastructure Service Management - A Review
新的计算时代称为云计算，允许用户随时随地通过Internet动态访问云服务。云由数据和资源组成;云服务包括基于用户需求通过互联网在互联网上交付软件、基础设施、应用程序和存储。简而言之，云计算是一种商业和经济模式，允许用户利用高端计算和存储，而在他们的终端上使用最少的基础设施。云有三种服务模式，即云软件即服务（SaaS）、云平台即服务（PaaS）和云计算结构即服务（IaaS）。本文深入讨论了云基础设施服务管理。
2012-05-30 cs.DC
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
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
The NebulaStream Platform: Data and Application Management for the Internet of Things
物联网（IoT）为数据管理提供了一种新的计算架构：一个分布式、高度动态和异构的大规模环境。物联网的应用为在一个统一的环境中集成雾和云计算以及传感器网络的概念带来了新的挑战。在本文中，我们强调了这些主要挑战，并概述了现有系统如何处理它们。为了应对这些挑战，我们推出了NebulaStream平台，这是一个通用的物联网端到端数据管理系统。NebulaStream解决了计算和数据的异构性和分布问题，支持超越关系代数的各种数据和编程模型，处理潜在的不可靠通信，并在连续操作下实现不断进化。在我们的评估中，我们通过提供部分方面的早期结果来证明我们的方法的有效性。
2020-03-04 cs.DC
Internet Computing: Using Reputation to Select Workers from a Pool
与超级计算机相比，通过互联网分配和执行任务是一种廉价的解决方案。我们考虑一个基于互联网的主-工任务计算方法，如SETI@home。主进程通过Internet向工作进程发送任务。工人执行，并报告结果。不幸的是，这种方法的缺点是工作进程的不可靠性。通过不同的研究，工人被分为恶意（总是报告错误的结果），利他主义（总是报告正确的结果）或理性（报告任何最大化他们利益的结果）。我们开发了一种基于信誉的机制，它保证master最终总是会收到正确的任务结果。我们通过强化学习对理性工人的行为进行建模，并提出了三种不同的声誉类型来选择，对于每一轮计算，从工人池中选择最有信誉的。由于工人并非总是可用，我们加强了声誉计划，以选择最积极的工人。我们证明了在不同的声誉类型下的最终正确性的充分条件。我们的分析是由模拟探索各种情况下的补充。我们的模拟结果揭示了有趣的权衡不同的声誉类型，工人的可用性和成本。
2016-03-30 cs.DC cs.GT
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
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
A Cooperative Scheduling Scheme of Local Cloud and Internet Cloud for Delay-Aware Mobile Cloud Computing
移动云计算（MCC）是随着移动应用的普及而提出的一种帮助移动设备节省能量和提高计算性能的技术。为了进一步提高MCC的服务质量（QoS），可以将云服务器部署在本地，从而降低延迟。然而，本地云的计算资源通常是有限的。本文设计了一种基于阈值的策略，通过本地云和互联网云资源的协作来提高MCC的QoS，同时利用了本地云的低延迟和互联网云的丰富计算资源的优势。该策略还根据应用程序的延迟要求应用优先级队列。通过所提出的算法获得取决于业务负载的最佳阈值。仿真结果表明，在本地云过载的情况下，互联网云的辅助可以大大提高服务质量。如果本地云根据其延迟要求对任务进行排序，则可以实现更好的QoS，其中延迟敏感的应用程序在延迟容忍的应用程序之前执行。此外，该策略的最优阈值对系统的QoS有很好的影响。
2015-11-27 cs.DC cs.NI
A Blockchain-Based Distributed Computational Resource Trading Strategy for Internet of Things Considering Multiple Preferences
基于边缘计算的计算任务卸载可以解决传统基于云的物联网系统的性能瓶颈。为了进一步优化计算效率和资源分配，已经提出了协作卸载，以实现从边缘设备到物联网终端设备的卸载。然而，仍然缺乏鼓励参与者接替他人任务的激励机制。针对这种情况，本文提出了一种分布式计算资源交易策略，解决物联网用户的多个偏好。与大多数现有的作品，我们的交易策略的目标综合考虑了不同的满意度与任务延迟，能源消耗，价格和用户声誉的请求者和合作者。系统设计使用区块链来增强分散性，安全性和自动化。与基于经典双向拍卖匹配机制的交易方法相比，该交易策略具有更多的任务卸载和执行，交易结果对信誉良好的合作者更友好。
2023-01-04 cs.DC
Resource Management in Cloud Computing: Classification and Taxonomy
云计算是远程计算/基于Internet的计算的新时代，人们可以通过Internet从任何计算机轻松访问他们的个人资源。云将计算作为一种实用程序提供，因为它可按需提供给云消费者。它是一种简单的按使用付费的消费者-提供者服务模型。它包含大量的共享资源。因此，资源管理始终是云计算中的一个主要问题，就像任何其他计算范式一样。由于有限资源的可用性，云提供商提供所有请求的资源是非常具有挑战性的。从云提供商的角度来看，云资源必须以公平和有效的方式分配。从资源管理作为云计算中的一个过程的角度来看，研究调查是不可用的。因此，本文提供了一个详细的顺序视图/步骤的资源管理在云计算。本文首先对云计算中的各种资源进行了分类。并对云计算中的资源管理进行了分类，为进一步研究提供了依据。最后对各种资源管理算法进行了比较。
2017-02-24 cs.DC
Holistic generational offsets: Fostering a primitive online abstraction for human vs. machine cognition
本研究提出下一代认知型低成本移动互联网统一架构，将计算下沉至可扩展的终端用户平台，兼容现有Web计算与JVM栈架构，支撑机器学习多领域应用，适配移动设备资源配置。
2024-06-24 cs.DC
Cloud Computing Avoids Downfall of Application Service Providers
企业已经变得依赖于不断增加的电子信息量和快速的交易速度。Diffie等专家推测，孤立计算即将结束，在未来十年内，大多数企业将转向实用计算。为了在实施日益复杂的信息技术服务的同时降低成本，许多公司转向应用服务提供商（ASP）。由于糟糕的商业模式，过度竞争，以及互联网可用性和带宽差，许多ASP都因dot com崩溃而失败。然而，其他接受Web服务架构和真正的互联网交付的ASP作为早期云采用者处于有利地位。随着当今互联网服务的渗透率和带宽的扩大，更好的商业计划和广泛的产品多样化，云计算正在避免ASP的垮台，并将成为计算领域的一个持久范例
2015-11-30 cs.CR cs.DC
Load-balanced Service Function Chaining in Edge Computing over FiWi Access Networks for Internet of Things
服务功能链（SFC）有望为物联网（IoT）实现灵活且可扩展的虚拟网络基础设施。边缘计算被认为是处理大量物联网应用数据的有效解决方案。为了在分布式边缘计算节点（ECN）之间统一为物联网应用提供服务，提出了一种基于SDN和NFV协调的统一SFC编排框架，该框架通过利用FiWi接入网络的连接性提供协同边缘云平台。此外，我们研究的VNF部署问题在我们的协同框架下，我们制定了一个混合整数非线性规划（MINLP）问题，共同考虑负载均衡的网络和计算链VNF。我们还提出了两个近似的最优部署算法贪婪二分多路径（GBMP）和KSP多路径（KSMP）利用部署在ECN的多实例虚拟网络功能（VNF）和FiWi接入网络的多路径能力。在两种类型的物联网应用场景中进行了广泛的仿真，在EC over FiWi接入网络。数值结果表明，在两种典型场景下，我们提出的算法在负载均衡、业务接受率和网络利用率方面均优于单路径和基于ECMP的部署算法.
2020-06-15 cs.DC cs.NI
A Decentralized Framework for Serverless Edge Computing in the Internet of Things
无服务器计算在云提供商中被广泛采用，从而使得功能即服务（FaaS）编程模型越来越流行，其中开发人员通过打包无状态函数调用的序列来实现服务。目前的技术非常适合数据中心，但无法在分散的环境中提供同样良好的性能，例如边缘计算系统，预计这将是物联网（IoT）应用的典型特征。在本文中，我们填补了这一空白，提出了一个框架，有效地调度无状态任务的网络执行器，以尽量减少响应时间，同时表现出短期和长期的公平性，还利用信息从虚拟化的网络基础设施时可用。我们的解决方案非常简单，可以安装在计算能力有限的设备上，例如物联网网关，特别是在使用分层转发扩展时。我们评估所提出的平台通过广泛的仿真实验与原型实现在现实条件下。实验结果表明，该算法能够平滑地适应客户的移动性和服务请求模式的变化，并能及时应对网络拥塞。
2021-10-21 cs.DC cs.NI
Computing: Looking Back and Moving Forward
本文综述计算系统六十年来的演进与新兴范式，分析云计算、量子技术和边缘 AI 等关键要素，并指出未来研究方向。
2024-07-17 cs.DC
Combined Federated and Split Learning in Edge Computing for Ubiquitous Intelligence in Internet of Things: State of the Art and Future Directions
Pennsylvania State University（宾夕法尼亚州立大学）；Fudan University（复旦大学）
联合学习（Federated Learning，FL）和分裂学习（Split Learning，SL）是两种新兴的协作学习方法，可以极大地促进物联网（Internet of Things，IoT）中的泛在智能。联邦学习使使用私有数据本地训练的机器学习（ML）模型能够聚合成全局模型。拆分学习允许ML模型的不同部分在学习框架中的不同工作者上进行协作训练。联邦学习和分裂学习各有其独特的优势和各自的局限性，可以相互补充，共同实现物联网中的泛在智能。因此，联邦学习和分裂学习的结合成为近年来一个活跃的研究领域，引起了广泛的兴趣。在本文中，我们回顾了联邦学习和分离学习的最新发展，并对在基于边缘计算的物联网环境中结合这两种学习方法的最新技术进行了调查。我们还确定了一些开放的问题，并讨论了在这一领域的未来研究的可能方向，希望进一步引起研究界对这一新兴领域的兴趣。
2022-07-20 cs.DC cs.LG
The Distributed Computing Paradigms: P2P, Grid, Cluster, Cloud, and Jungle
分布式计算是在多个系统上进行的，以解决大规模问题。发达国家和发展中国家高速宽带网络的发展、计算能力的不断提高以及互联网的迅速发展改变了这种方式。在信息技术中，社会管理信息和信息服务。从历史上看，计算的状态经历了一系列的平台和环境变化。分布式计算是有效利用计算机系统的重要保证。因此，超级计算机站点和数据中心已经从提供高性能浮点计算能力转变为同时服务来自数十亿用户的大量请求。分布式计算系统使用多台计算机通过互联网解决大规模问题。它变得数据密集型和以网络为中心。分布式计算的应用越来越广泛。在分布式计算中，大规模的资源共享是计算的重点，其目标总是追求最佳性能。在本文中，我们回顾了在分布式计算范例领域所做的工作。主要的重点是云计算的发展领域。
2013-11-13 cs.DC
A Preliminary Study On Emerging Cloud Computing Security Challenges
云计算是基于互联网的按需提供计算资源、软件和信息。云计算被称为计算实用程序的最新出现的范例之一。由于云计算是互联网上共享服务的主导基础设施，因此必须意识到与这种新兴计算模式相关的安全风险和挑战。本调查简要介绍了云计算及其主要特征和服务模式。文章还探讨了云安全威胁，列出了一些安全解决方案，并提出了一个有前途的研究方向，以应对云计算中不断变化的安全挑战。
2018-08-13 cs.CR cs.DC
Coping with Unreliable Workers in Internet-based Computing: An Evaluation of Reputation Mechanisms
我们提出了基于信誉的机制，在互联网上建立可靠的任务计算系统。这种系统最典型的例子是志愿者计算和众包平台。在这两个例子中，最终用户通过互联网提供他们的计算能力或他们的人类智慧来解决任务，无论是自愿还是付费。虽然这些系统的主要优点是提供廉价的计算能力，但主要缺点是最终用户的不可信赖性。通常，这种类型的系统是在“主-工人”设置下建模的。一个“master”有一组任务要计算，而不是在本地计算它们，她将这些任务发送给可用的“worker”，后者计算并报告任务结果。我们将这些工人分为三种类型：利他主义，恶意和理性。利他的工人总是返回正确的结果，恶意的工人总是返回错误的结果，理性的工人决定是否如实回答，这取决于什么能增加他们的利益。我们设计了一个强化学习机制来诱导理性工人的正确行为，而该机制是由四个声誉计划，以应付恶意的补充。该机制的目标是达到最终正确性的状态，即，系统的稳态，其中主设备总是获得正确的任务结果。对系统的分析提供了可证明的保证，在这些保证下，可以确保真实的行为。最后，我们通过使用真实系统参数值的模拟来观察该机制的行为。模拟不仅同意的分析，但也揭示了有趣的权衡各种指标和参数。最后，四个信誉计划进行评估对欺骗者的容忍度。
2018-03-19 cs.DC cs.GT
A Taxonomy and Future Directions for Sustainable Cloud Computing: 360 Degree View
云计算范例通过互联网提供按需服务并支持各种各样的应用。随着最近基于物联网（IoT）的应用的增长，云服务的使用呈指数级增长。下一代云计算必须是节能和可持续的，以满足不断变化的最终用户需求。目前，云计算提供商面临着确保其服务的能源效率和可持续性的挑战。大量云计算中心的使用增加了成本和碳足迹，这进一步影响了云服务的可持续性。在本文中，我们提出了一个全面的分类可持续的云计算。分类法是用来调查现有的技术，可持续发展，需要仔细的关注和调查所提出的几个学术和工业团体。此外，目前对可持续云计算的研究分为几个类别：应用程序设计，可持续性指标，容量规划，能源管理，虚拟化，热感知调度，冷却管理，可再生能源和废热利用。对现有技术进行了比较，并根据共同的特点和性质进行了分类。提出了可持续云计算的概念模型，并讨论了未来的研究方向。
2018-07-09 cs.DC
EC-SAGINs: Edge Computing-enhanced Space-Air-Ground Integrated Networks for Internet of Vehicles
Sun Yat-sen University（中山大学）；Auburn University（奥本大学）；Tianjin University（天津大学）
边缘计算增强型车联网（EC-IoV）能够在车辆和地面边缘计算（TEC）基础设施（例如，5G基站和路边单元）很少或没有人为干预，在智能交通系统中发挥着关键作用。然而，EC-IoV严重依赖于车辆和TEC基础设施之间的连接和交互，因此在TEC基础设施不可用的一些偏远地区（例如，沙漠、孤岛和受灾地区）。在无处不在的连接和全球区域覆盖的驱动下，空间-空中-地面集成网络（SAGIN）有效地支持无缝覆盖和高效的资源管理，代表了边缘计算的下一个前沿。有鉴于此，我们首先回顾了本文中SAGIN的最新边缘计算研究。在讨论了几种现有的轨道和空中边缘计算架构后，我们提出了一个支持边缘计算的空间-空中-地面集成网络（EC-SAGIN）框架，以支持偏远地区车辆的各种车联网服务。该框架的主要目标是尽量减少任务完成时间和卫星资源的使用。为此，提出了一种预分类方案以减小动作空间的大小，并提出了一种深度模仿学习（DIL）驱动的卸载和缓存算法以实现实时决策。仿真结果表明了该方案的有效性。最后，我们还讨论了一些技术挑战和未来的发展方向。
2021-01-15 cs.AI cs.DC cs.NI
Internet of Things (IoT) and Cloud Computing Enabled Disaster Management
灾害管理需要近实时的信息传播，以便在正确的时间向正确的人提供紧急服务。信息和通信技术的最新进展使得能够从各种来源收集实时信息。例如，部署在田间的传感器收集有关环境的数据。类似地，Twitter和Facebook等社交网络可以帮助收集灾区人民的数据。一方面，对灾害情况认识不足已被确定为造成人员伤亡和重要基础设施被毁等严重后果的人为错误的主要因素之一。另一方面，社交媒体和移动设备的日益普及以及物联网的普遍性意味着有更多的出站流量来源，这最终导致在灾难事件发生后不久就开始产生数据洪流，导致信息海啸的问题。此外，安全和隐私对于克服滥用系统入侵数据或克服滥用用于特定目的的信息具有至关重要的作用。....在本章中，我们提供了这样一个情况感知应用程序，以支持灾难管理数据生命周期，即从数据摄取和处理到警报传播。我们利用云计算、物联网和社会计算技术来实现一个可扩展、高效、可用的情景感知应用程序，称为Cloud4BigData。
2018-06-20 cs.CR cs.CY cs.DC
Adaptive Safety for Internet of Things in e-Health
无线普适计算设备正在迅速渗透到我们的环境中，其中电子健康是最关键的。在电子保健环境中，不仅要解决安全和隐私问题（这通常是重点），而且要满足适当治疗的安全需求。随着缺乏计算能力的普适（智能灰尘）设备的比例增加，在这样的环境中提供安全性、隐私性和安全性是一项苛刻的任务，更不用说关于其自适应提供的附加要求。然而，大约二十年前，在计算领域出现了一个有趣的研究分支，称为信任管理。该分支被认为是支持传统硬安全和隐私方法的非常方便的替代方案。因此，它通常被称为软安全（隐私）提供机制。由于信任具有内在的自适应性，并且安全性和安全性密切相关，本文提出了一种新方法，其中在电子健康环境中部署信任管理，以实现自适应安全配置。本文还介绍了一个可信度计算框架，扩展了信任管理方法与物联网（IoT）中的计算信任的比较分析。
2022-03-10 cs.CR 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
The use of the GARP genetic algorithm and internet grid computing in the Lifemapper world atlas of species biodiversity
Lifemapper（http：www.lifemapper.org）是一个地球生物多样性的预测电子地图集。使用GARP遗传算法的屏幕保护程序版本来模拟物种分布，Lifemapper通过类似于SETI@home的“志愿者”PC利用大量的计算资源来开发世界动植物分布模型。Lifemapper项目的主要目标是利用关于物种位置的现有数据，提供一个最新和全面的物种地图和预测模型数据库（即世界动植物群）。这些模型是使用来自分布式博物馆收藏的标本数据和地理空间环境相关性档案开发的。中央服务器维护物种地图和模型的动态档案，用于研究，向一般社区推广，并向博物馆数据提供商提供反馈。本文是一个案例研究的作用，使用和理由的遗传算法在开发大规模的环境信息基础设施。
2005-11-28 cs.DC cs.NE q-bio.OT
Edge-assisted Parallel Uncertain Skyline Processing for Low-latency IoE Analysis
National Chung Cheng University（国立中正大学）；Trend Micro Inc（趋势科技）；Taiwan Semiconductor Manufacturing Company, Ltd (TSMC)（台湾积体电路制造股份有限公司）；National Taipei University of Technology（台北科技大学）
本文提出了一种边缘辅助并行不确定天空线算法，通过减少数据传输量和计算资源消耗，提升低延迟IoE分析的效率。
2025-08-06 cs.DC cs.NI
QoS-SLA-Aware Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing in Internet of Vehicles
United Arab Emirates University（阿联酋大学）
车载自组织网络车联网是一项新兴技术，可实现智能城市应用的开发，重点是改善交通安全、交通效率和整体驾驶体验。这些应用程序有严格的要求，详见服务水平协议。由于车辆具有有限的计算和存储能力，因此应用请求被卸载到集成的边缘云计算系统上。现有的卸载解决方案集中于在执行时间方面优化应用的服务质量（QoS），并且遵守单个SLA约束。他们没有考虑重叠多请求处理的影响，也没有考虑车辆速度变化的影响。提出了一种新的人工智能QoS-SLA-aware自适应遗传算法（QoS-SLA-AGA）来优化异构边缘云计算系统中多请求卸载的应用程序执行时间，该算法考虑了处理多请求重叠和动态车辆速度的影响。建议的遗传算法集成了一个自适应的惩罚函数来同化SLA的延迟，处理时间，截止日期，CPU和内存的要求的约束。数值实验和分析比较我们的QoS-SLA-AGA随机卸载，和基线基于遗传的方法。结果表明，QoS-SLA-AGA执行请求的速度平均比随机卸载方法快1.22倍，SLA违规减少59.9%。相比之下，基于基因的基线方法将请求的性能提高了1.14倍，SLA违规增加了19.8%。
2022-03-01 cs.AI cs.DC cs.NA
Hybrid Serverless Computing: Opportunities and Challenges
近年来，由于易于部署，有吸引力的按使用付费定价和透明的水平自动扩展，无服务器计算的采用激增。与此同时，基础设施的进步，如5G网络的出现和连接到互联网（称为物联网（IoT））的设备的爆炸式增长，以及限制计算和数据发生的新应用程序需求，将使云计算的范围从传统的数据中心扩展到混合云。疫情导致的数字化转型加速了劳动力的变化，并刺激了人工智能的进一步采用，预计将加速，新兴的混合云市场可能扩大到超过万亿美元。在混合云环境中，在无服务器租户的推动下，将越来越需要专注于为使用分布式平台（包括公共云、私有云和边缘系统）的应用程序构建者实现高效工作。在本章中，我们将探讨无服务器计算可以扩展到何种程度，以成为混合无服务器计算。
2022-09-14 cs.DC cs.SE
Deep Edge Intelligence: Architecture, Key Features, Enabling Technologies and Challenges
RMIT University（皇家墨尔本理工大学）；Swinburne University of Technology（斯威本科技大学）
随着深度学习的突破，近年来人工智能应用和服务激增。与此同时，移动计算和物联网的快速发展也催生了数十亿连接到互联网的移动和智能传感设备，在网络边缘产生了zettabytes的数据。将这两个技术领域结合起来，为智能互联设备提供动力的机会可能会为新一轮技术革命铺平道路。为了迎接这场技术革命，在本文中，我们提出了一种名为Deep Edge Intelligence（DEI）的新计算愿景。DEI采用深度学习，人工智能，云和边缘计算，5G/6 G网络，物联网，微服务等，旨在为任何地方的每个人和组织提供可靠和安全的智能服务，并提供更好的用户体验。详细介绍了DEI的愿景、体系结构、关键层和特点。最后，我们揭示了与之相关的关键使能技术和研究挑战。
2022-10-24 cs.AI cs.DC
Game theory and Evolutionary-optimization methods applied to resource allocation problems in emerging computing environments: A survey
当今的智能计算环境，包括物联网、云计算和雾计算，使世界各地的许多组织能够在时间和能源消耗方面优化其资源分配。由于用户利用资源的敏感条件和数据的实时性质，全面和综合的计算环境还不能为适当的资源分配提供稳健和可靠的能力。虽然，在低容量硬件资源系统中的传统资源分配方法对于小规模资源提供者是有效的，但是对于处于动态计算资源和获得资源的激烈竞争条件下的复杂系统，它们不具有开发和自适应地最优管理条件的能力。为了解决这个问题，计算智能技术试图以最小的时间延迟和能量消耗来优化资源分配。因此，本研究的目的是根据最新的科学研究成果，在博弈论和进化优化理论的指导下，对云、雾和物联网等新兴计算环境下的资源分配问题进行全面系统的研究。
2021-02-20 cs.DC cs.GT
Joint QoS-aware and Cost-efficient Task Scheduling for Fog-Cloud Resources in a Volunteer Computing System
志愿者计算是一种基于Internet的分布式计算系统，志愿者共享他们额外的可用资源来管理大规模任务。然而，志愿者计算系统（Volunteer Computing System，简称UMTS）中的计算设备在其处理能力、货币成本和数据传输延迟方面是高度动态和异构的。为了保证不同请求的高服务质量（QoS）和低成本，必须有效地利用所有可用的计算资源。任务调度是一个NP难问题，被认为是异构并行计算中的主要挑战之一。基于此，本文设计了两种面向虚拟控制系统的任务调度算法Min-CCV和Min-V。算法的主要目标是联合最小化物联网（IoT）请求的计算、通信和延迟违规成本。我们广泛的模拟结果表明，所提出的算法能够更有效地分配任务到志愿者雾/云资源比国家的最先进的。具体来说，我们的算法提高了约99.5%的最后期限满意度的任务率，并降低了15至53%之间的总成本相比，基于遗传算法。
2021-04-28 cs.DC math.OC
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach
Singapore University of Technology and Design（新加坡科技设计大学）；Missouri University of Science and Technology（密苏里科技大学）
深度神经网络（DNN）的进步显著增强了物联网应用中异常数据的实时检测。然而，复杂性-准确性-延迟的困境仍然存在：复杂的DNN模型提供更高的准确性，但典型的物联网设备几乎无法承受计算负载，并且将负载卸载到云端的补救措施会导致长时间的延迟。在本文中，我们提出了一个自适应异常检测方案与层次边缘计算（HEC）来解决这一挑战。具体来说，我们首先构建复杂度不断增加的多个异常检测DNN模型，并将每个模型与相应的HEC层相关联。然后，我们设计了一个自适应的模型选择方案，制定为一个上下文强盗问题，并解决了使用强化学习策略网络。我们还采用了并行策略训练方法，利用分布式模型来加速训练过程。我们使用真实的物联网设备构建了一个HEC测试平台，使用单变量和多变量物联网数据集实现并评估了我们的上下文-强盗方法。与基线和最先进的方案相比，我们的自适应方法在单变量数据集上取得了最佳的准确性-延迟权衡，并在多变量数据集上取得了最佳的准确性和F1分数，延迟仅比最佳（但不灵活）方案长得可以忽略不计。
2021-08-09 cs.AI cs.DC cs.LG
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
Distributed Intelligence in the Computing Continuum with Active Inference
本文针对计算连续体中分布式、异构和动态的服务管理难题，提出利用主动推理（AIF）智能体自主协同管理分布式流处理服务，实验表明AIF无需大量训练即可高效满足设备感知的服务水平目标，并具备强适应能力。
2025-05-30 cs.DC cs.MA cs.SY
Comparison of edge computing methods in Internet of Things architectures for efficient estimation of indoor environmental parameters with Machine Learning
本文提出基于集中式和分布式边缘物联网架构的轻量级机器学习方法，用于估计室内环境质量参数，在保持高精度（F分数和准确率近0.95）的同时，分布式方法降低功耗约37%，误差减少35%至76%。
2024-02-07 cs.AI cs.AR cs.DC
