این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۱۲، شماره ۲، صفحات ۳۲-۴۷
عنوان فارسی برون سپاری وظایف آگاه به تأخیر و انرژی-کارآمد در شبکه اینترنت اشیا مبتنی بر رایانش مه
چکیده فارسی مقاله رایانش مهی به عنوان یک روش امیدبخش جهت ارائه سرویس‌های پردازشی چابک و همه‌گیر به دستگاه‌های اینترنت اشیا و پشتیبانی از برنامه‌های کاربردی پیچیده، پا به عرصه ظهور گذاشته است. رایانش مهی منابع محاسباتی را به لبه شبکه، به نزدیکی دستگاه‌های اینترنت اشیا می‌کشاند و از این طریق سرویس‌های محاسباتی با تأخیر پایین را به کاربران ارائه می‌دهد. با برون‌سپاری وظایف محاسباتی به گره‌های مه که ظرفیت پردازشی بیشتری دارند، می‌توان بر چالش ظرفیت محدود باتری دستگاه‌ها و نیاز محاسباتی بالای وظایف فائق آمد و نیازمندی‌های کیفیت سرویس مورد درخواست کاربران را برآورده نمود. برون‌سپاری وظایف به گره‌های مه، از یک سو باعث صرفه‌جویی در مصرف انرژی باتری دستگاه‌های اینترنت اشیا می‌شود و از سوی دیگر به‌دلیل تأخیر ناشی از انتقال وظایف به لبه شبکه باعث افزایش زمان تکمیل وظایف می‌شود. در این مقاله برای برقراری تعادل در مصالحه بین انرژی و زمان تکمیل وظایف، یک شمای برون‌سپاری وظایف با هدف کیمنه‌سازی سربار برون‌سپاری بر حسب جمع وزنی مصرف انرژی و زمان تکمیل وظایف پیشنهاد شده است که سعی در یافتن استراتژی بهینه برون‌سپاری، مکان بهینه برون‌سپاری و تخصیص بهینه منابع محاسباتی دارد. برای تعیین موثر ضرایب زمان و انرژی به‌نحوی که کیفیت سرویس مورد نیاز کاربر تضمین شود، از منطق فازی استفاده شده است. مسأله برون‌سپاری وظایف به گره‌های مه به‌عنوان یک مسأله غیرخطی آمیخته صحیح فرموله شده است که متعلق به کلاس مسائل NP-hard است. یک الگوریتم نزدیک به بهینه بر اساس الگوریتم ژنتیک برای حل مسأله بهینه‌سازی مطرح شده پیشنهاد شده است. شبیه‌سازی‌های مختلف همگرایی الگوریتم پیشنهادی و برتری عملکرد آن‌را در مقایسه با شماهای برون‌سپاری معیار نشان می‌دهد.
کلیدواژه‌های فارسی مقاله برون سپاری وظایف، اینترنت اشیا، رایانش مه، تخصیص منابع، الگوریتم ژنتیک،
عنوان انگلیسی Delay-Aware and Energy-Efficient Task Offloading in Fog-Enabled IoT Networks
چکیده انگلیسی مقاله Fog computing has emerged as a promising technique to provide agile and pervasive computing services to the Internet of Things devices (IDs) and to support complicated IoT applications. Fog computing brings computation resources to the edge of the network, near to the IDs, and provides low-latency services to users. By offloading computational tasks to fog nodes having greater computing capacities, can address the contradiction between the limited battery capacity of IDs and high computational intensity demand of tasks. Hence, the quality of service (QoS) demands of users can be fulfilled. Although task offloading to fog nodes leads to saving in energy consumption in the battery of IDs, it causes to increase in task completion time due to occurred delay in transmitting the task to the edge of the network. In this paper, to balancing the trade-off between energy consumption and task completion time, a task offloading scheme is proposed. The main objective of the proposed scheme is to minimize offloading overhead in terms of the weighted sum of energy consumption and task completion time by optimizing offloading decision, the destination of offloading, and computation resource allocation. We employ fuzzy logic to determine the weighting coefficient effectively. Task offloading to fog nodes is formulated as a mixed-integer nonlinear programming (MINLP) problem, which is NP-hard. A sub-optimal algorithm based on genetic algorithm (GA) is proposed to solve the formulated problem. Extensive simulations prove the convergence of the proposed algorithm and its superior performance in comparison with some baseline schemes.
کلیدواژه‌های انگلیسی مقاله برون سپاری وظایف, اینترنت اشیا, رایانش مه, تخصیص منابع, الگوریتم ژنتیک
نویسندگان مقاله ام کلثوم شهریاری |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

حسین پدرام |
دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران

وحید خواجه وند |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشکده آزاد اسلامی، قزوین، ایران

مهدی دهقان تخت فولادی |
دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران

نشانی اینترنتی https://jscit.nit.ac.ir/article_180123_f61a8d3560e4e6cddc195b19c1f4f54e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات