بهینه‌سازی زمان پاسخ در شبکه‌های اینترنت اشیای نرم‌افزارمحور با استفاده از محاسبات مه- ابر

چکیده مقاله :

اینترنت اشیا از ابر برای پردازش اطلاعات رسیده از وسایل الکترونیکی استفاده می‌کند. سرورهای قدرتمند و دور از حسگرها، پردازش را انجام می‌دهند. وسایل اینترنت اشیا درخواست‌ها را به ابر ارسال کرده و نتایج را از آن دریافت می‌کنند. در بعضی از کاربردهای اینترنت اشیا، زمان پاسخ و تأخیر مهم می‌باشد؛ بنابراین باید هرچه بیشتر زمان تأخیر را کاهش داد. ارسال اطلاعات به ابر، خود مستلزم ایجاد تأخیر می‌باشد؛ لذا استفاده از مه در کنار ابر در اینترنت اشیا نقش اساسی را ایفا می‌کند.

استفاده از مه و رایانش ابری در زمینه اینترنت اشیا، موضوع قابل توجه برای پژوهشگران می‌باشد. برای تسهیل این فرایند، شبکه‌های نرم‌افزارمحور به عنوان یک جزء حیاتی ظاهر شده‌اند. این شبکه‌ها امکان کنترل و مدیریت متمرکز شبکه را فراهم می‌کنند. همچنین با هدایت پویای جریان‌های داده به منابع مه یا ابر بر اساس شرایط زمان واقعی، استفاده بهینه از منابع و اتصال یکپارچه را تضمین می‌کنند. محاسبات مه به استقرار منابع در نزدیکی حسگر شبکه اشاره دارد. با انجام این کار، محاسبات مه با هدف کاهش تأخیر و استفاده از پهنای باند در حالی که عملکرد کلی سیستم را بهبود می‌بخشد، می‌پردازد. این کار را با استفاده از قابلیت‌های محاسباتی محلی برای پردازش داده‌ها انجام می‌دهد.

این پژوهش با استفاده از معماری پیشنهادی برای شبکه‌های اینترنت اشیا و مدل‌سازی قسمت‌های مختلف این معماری با استفاده از نظریه صف، زمان پاسخ را توسط محاسبات مه- ابر کاهش داده و پارامترهای کیفیت سرویس شبکه را توسط آنالیز ریاضی به دست می‌آورد. در ادامه نیز نمودارهای مقایسه انرژی باقیمانده و تأخیر برای کاربردهای سلامتی و روشنایی و همچنین نمودارهای مقایسه‌ای استفاده و عدم استفاده از محاسبات مه- ابر رسم شده است. نمودارها نشان می‌دهند که استفاده از محاسبات مه- ابر، زمان پاسخ را کاهش می‌دهد و کاربرد روشنایی با استفاده از مه، انرژی باقیمانده بیشتر و کاربرد سلامتی، تأخیر کمتر دارد. شبیه‌سازی با استفاده از نرم‌افزار 2NS در کاربرد خانه هوشمند انجام شده است.

چکیده انگلیسی :

The Internet of Things uses the cloud to process information received from electronic devices. Powerful servers located far from the sensors perform the processing. IoT devices send requests to the cloud and receive results from it. In some IoT applications, response time and latency are important. Therefore, latency should be reduced as much as possible. Sending information to the cloud itself entails latency. Therefore, the use of fog along with the cloud plays a fundamental role in the IoT. The use of fog and cloud computing in the field of IoT is a significant topic for researchers. To facilitate this process, software-defined networks have emerged as a vital component. These networks enable centralized control and management of the network. They also ensure optimal resource utilization and seamless connectivity by dynamically directing data flows to fog or cloud resources based on real-time conditions. Fog computing refers to the deployment of resources near the network sensor. By doing so, fog computing aims to reduce latency and bandwidth usage while improving overall system performance. It does this by utilizing local computing capabilities to process data. This research uses the proposed architecture for IoT networks and modeling different parts of this architecture using queuing theory to reduce response time using fog-cloud computing and obtain network quality of service parameters through mathematical analysis. In the following, the residual energy and latency comparison graphs for health and lighting applications as well as the use and non-use of fog-cloud computing are plotted. The graphs show that the use of fog-cloud computing reduces response time and the lighting application using fog has more residual energy and the health application has less latency. The simulation was performed using NS2 software in the smart home application.

منابع و مأخذ:

[1] M. R. Rezaee, N. A. W. Abdul Hamid, M. Hussin, and Z. A. Zukarnain, "Fog offloading and task management in IoT-fog-cloud environment: review of algorithms, networks, and SDN application," IEEE Access, vol. 12, pp. 39058-39080, 2024.
[2] A. Khakimov, et al., "IoT-fog based system structure with SDN enabled," in Proc. of the 2nd In. Conf. on Future Networks and Distributed Systems, ArticleID: 62, 6 pp., Jun. 2018.
[3] R. Mahmud, R. Kotagiri, and R. Buyya, "Fog computing: a taxonomy, survey and future directions," In: Di Martino, B., Li, KC., Yang, L., Esposito, A. (eds) Internet of Everything Springer, Singapore, pp. 103-130, 2018.
[4] H. R. Arkian, A. Diyanat, and A. Pourkhalili, "MIST: fog-based data analytics scheme with cost-efficient resource provisioning for IoT crowdsensing applications," J. Netw. Comput. Appl., vol. 82, pp. 152-165, 15 Mar. 2017.
[5] V. Kumar, A. Laghari, S. Karim, M. Shakir, and A. A. Brohi, "Comparison of fog computing & cloud computing," Int. J. Math. Sci. Comput., vol. 5, no. 1, pp. 31-41, Jan. 2019.
[6] G. Javadzadeh and A. M. Rahmani, "Fog computing applications in smart cities: a systematic survey," Wireless Networks, vol. 26, no. 2, pp. 1433-1457, Feb. 2020.
[7] A. Mubarakali, et al., "Fog-based delay-sensitive data transmission algorithm for data forwarding and storage in cloud environment for multimedia applications," Big Data, vol. 11, no. 2, pp. 128-136, Apr. 2020.
[8] B. Ali, M. A. Pasha, S. ul Islam, H. Song, and R. Buyya, "A volunteer supported fog computing environment for delay-sensitive IoT applications," IEEE Internet Things J., vol. 8, no. 5, pp. 3822-3830, Sept. 2020.
[9] H. Shah-Mansouri and V. W. S. Wong, "Hierarchical fog-cloud computing for IoT systems: a computation offloading game," IEEE Internet Things J., vol. 5, no. 4, pp. 3246-3257, May 2018.
[10] Y. Wang, et al., "Cooperative task offloading in three-tier mobile computing networks: an ADMM framework," IEEE Trans. on Vehicular Technology, vol. 68, no. 3, pp. 2763-2776, Mar. 2019.
[11] X. Li, et al., "Optimizing resources allocation for fog computing-based Internet of Things networks," IEEE Access, vol. 7, pp. 64907-64922, 2019.
[12] E. Barros, et al., "Fog computing model to orchestrate the consumption and production of energy in microgrids," Sensors, vol. 19, no. 11, Article ID: 2642, Jun. 2019.
[13] F. Karatas and I. Korpeoglu, "Fog-based data distribution service (F-DAD) for internet of things (IoT) applications," Future Generation Computer Systems, vol. 93, pp. 156-169, Apr. 2019.
[14] T. Nguyen, L. Le, and Q. Le-Trung, "Computation offloading in MIMO based mobile edge computing systems under perfect and imperfect CSI estimation," IEEE Trans. on Services Computing, vol. 14, no. 6, pp. 2011-2025, Jan. 2019.
[15] Q. Wang and S. Chen, "Latency‐minimum offloading decision and resource allocation for fog‐enabled Internet of Things networks," Trans. on Emerging Telecommunications Technologies, vol. 31, no. 12, Article ID: 3880, Dec. 2020.
[16] J. Zhou, X. Zhang, and W. Wang, "Joint resource allocation and user association for heterogeneous services in multi-access edge computing networks," IEEE Access, vol. 7, pp. 12272-12282, 2019.
[17] M. Faraji Mehmandar, S. Jabbehdari, and H. Haj Seyyed Javadi, "A dynamic fog service provisioning approach for IoT applications," International J. of Communication Systems, vol. 33, no. 14, Article ID: e4541, Jul. 2020.
[18] A. Kishor and C. Chakarbarty, "Task offloading in fog computing for using smart ant colony optimization," Wireless Personal Communications, vol. 127, no. 2, pp. 1683-1704, Nov. 2022.
[19] W. Bai, et al., "Joint optimization of computation offloading, data compression, energy harvesting, and application scenarios in fog computing," IEEE Access, vol. 9, pp. 45462-45473, 2021.
[20] A. R. Hameed, S. Islam, I. Ahmad, and K. Munir, "Energy-and performance-aware load-balancing in vehicular fog computing," Sustainable Computing: Informatics and Systems, vol. 30, Article ID: 100454, Jun. 2020.
[21] R. Qun and S. M. Arefzadeh, "A new energy‐aware method for load balance managing in the fog based vehicular ad hoc networks (VANET) using a hybrid optimization algorithm," IET Communications, vol. 15, no. 13, pp. 1665-1676, Aug. 2021.
[22] S. Azizi, et al., "Deadline-aware and energy-efficient IoT task scheduling in fog computing systems: a semi-greedy approach," J. of Network and Computer Applications, vol. 201, Article ID: 103333, May 2022.
[23] M. Anoushee, M. Fartash, and J. Akbari Torkestani, "An intelligent resource management method in SDN based fog computing using reinforcement learning," Computing, vol. 106, no. 4, pp. 1051-1080, Apr. 2024.
[24] P. Linh-An, N. Duc-Thang, L. Meonghun, D. Park, and T. Kim, "Dynamic fog-to-fog offloading in SDN-based fog computing systems," Future Generation Computer Systems, vol. 117, pp. 486-497, Apr. 2021.
[25] W. R. Heinzelman, A. Chandrakasan, and H. Balakrishnan, "Energy-efficient communication protocol for wireless microsensor networks," in Proc. of the 33rd Annual Hawaii Int. Conf. on System Sciences, vol. 2, 10 pp., Maui, HI, USA, 7-7 Jan. 2000.