محاسبات مه یک معماری نوظهور با هدف کاهش بارهای شبکه در ابر و شبکه هسته ای با نزدیک تر ساختن عملیاتی که به منابع زیادی نیاز دارند مانند محاسبات، ارتباطات، ذخیره سازی و تحلیل به کاربران نهایی (EU) است. به منظور بیان این مباحث نیازمندی های تاخیر و کارایی انرژی برای کاربردهای اینترنت اشیا با پارامتر مهم زمان، سیستم های محاسبات مه می توانند از ویژگی های هوشمند در عملیات شان برای بهره مندی از داده ها و منابع محاسباتی دردسترس استفاده کنند. در این مقاله راهکاری پیشنهاد می کنیم که شامل هوشمندی مبتنی بر انسان و دستگاه بعنوان فعال سازهای کلیدی برای کاهش مصرف انرژی و تاخیر در محاسبات مه از طریق دو مطالعه موردی است. اولی از یادگیری ماشین برای تشخیص رفتارهای کاربر استفاده کرده و زمانبندی لایه کنترل دسترسی رسانه (MAC) با تاخیر کم انطباقی را در میان دستگاه های حسگر انجام می دهد. در دومین مطالعه موردی در مورد تخلیه بار وظایف، الگوریتمی برای دستگاه EU هوشمند جهت انتخاب تصمیم تخلیه بار در حضور چندین گره مه نزدیک و همچنین کمینه سازی اهداف انرژی و تاخیر طراحی می کنیم. نتایج ما پتانسیل بزرگ هوشمندی را در رسیدگی به چالش های محاسبات مه نشان می دهند.

کلمات کلیدی: محاسبات مه، محاسبات لبه، یادگیری ماشین، زمانبندی MAC، تخلیه محاسباتی، کارایی انرژی

 Enabling intelligence in fog computing to achieve energy and latency reduction

Digital Communications and Networks Volume 5, Issue 1, February 2019, Pages 3-9 open access

Abstract

Fog computing is an emerging architecture intended for alleviating the network burdens at the cloud and the core network by moving resource-intensive functionalities such as computation, communication, storage, and analytics closer to the End Users (EUs). In order to address the issues of energy efficiency and latency requirements for the time-critical Internet-of-Things (IoT) applications, fog computing systems could apply intelligence features in their operations to take advantage of the readily available data and computing resources. In this paper, we propose an approach that involves device-driven and human-driven intelligence as key enablers to reduce energy consumption and latency in fog computing via two case studies. The first one makes use of the machine learning to detect user behaviors and perform adaptive low-latency Medium Access Control (MAC)-layer scheduling among sensor devices. In the second case study on task offloading, we design an algorithm for an intelligent EU device to select its offloading decision in the presence of multiple fog nodes nearby, at the same time, minimize its own energy and latency objectives. Our results show a huge but untapped potential of intelligence in tackling the challenges of fog computing.

Keywords: Fog computing, Edge computing, Machine learning, MAC scheduling, Computational offloading, Energy efficiency

• قبلی
• بعدی