ارائه یک روش کارا برای تخصیص منابع در رایانش مه با در نظر گرفتن شرایط ازدحام درخواست ها
الموضوعات :سمیرا انصاری مقدم 1 , سميرا نوفرستي 2 , مهري رجايي 3
1 - دانشگاه سیستان و بلوچستان
2 - دانشگاه سيستان و بلوچستان
3 - دانشگاه سیستان و بلوچستان
الکلمات المفتاحية: ازدحام درخواستها, تخصیص منابع, رایانش مه, زمانبندی, قرارگیری درخواست,
ملخص المقالة :
مراکز داده ابر به دلیل فاصله زیاد از کاربران نهایی اغلب در مواجهشدن با میلیونها درخواست ذخیرهسازی و پردازشی حساس به تأخیر، ناموفق عمل میکنند. درخواستهای حساس به تأخیر نیاز دارند که پاسخ خود را حتی در شرایط ازدحام درخواستها در شبکه، قبل از به اتمام رسیدن مهلت زمانی از پیش تعیین شده دریافت کنند. برای رفع این نیاز، معماری رایانش مه معرفی شد که سرویسهای محاسباتی، ذخیرهسازی و ارتباطی را در لبه شبکه برای کاربران فراهم میکند. از جمله چالشهای رایانش مه چگونگی تخصیص منابع گرههای مه و ابر به درخواستهای کاربران در شرایط ازدحام، برای رسیدن به بیشترین نرخ پذیرش و کمترین زمان پاسخ درخواستها است. گرههای مه قدرت پردازشی و ذخیرهسازی محدودی دارند و در نتیجه در شرایط ازدحام درخواستها، کارایی مناسبی ندارند. در این مقاله روشی کارا برای تخصیص منابع در رایانش مه پیشنهاد میشود که به منظور مقابله با چالش مذکور، با توجه به وضعیت منابع آزاد گره و شرایط ازدحام، در مورد محل قرارگیری و اجرای درخواست (گره مه یا ابر) تصمیمگیری میکند. بر اساس آزمایشهای صورتگرفته، روش پیشنهادی بر اساس معیارهای متوسط زمان پاسخ و درصد درخواستهای لغوشده عملکرد بهتری در مقایسه با سایر روشها دارد.
[1] K. Ashton, "That 'internet of things' thing," RFID J., vol. 22, no. 7, pp. 97-114, Jun. 2009.
[2] M. Bahrami and M. Singhal, "The role of cloud computing architecture in big data," in Information Granularity, Big Data, and Computational Intelligence, Springer, Switzerland, Cham, vol. 8, pp. 275-295, 2015.
[3] R. Xu, et al., "Improved particle swarm optimization based workflow scheduling in cloud-fog environment," in Proc. Int. Conf. on Business Process Management, BPM’21, vol. 342, pp. 337-347, Rome, Italy, 6-10 Sept. 2018.
[4] S. K. Mishra, D. Puthal, J. J. P. C. Rodrigues, B. Sahoo, and E. Dutkiewicz, "Sustainable service allocation using a metaheuristic technique in a fog server for industrial applications," IEEE Trans. on Industrial Informatics, vol. 14, no. 10, pp. 4497-4506, Oct. 2018.
[5] L. F. Bittencourt, J. D. Montes, R. Buyya, O. F. Rana, and M. Parashar, "Mobility-aware application scheduling in fog computing," IEEE Cloud Computing, vol. 4, no. 2, pp. 26-35, Mar./Apr. 2017.
[6] M. Verma, N. Bhardwaj, and A. K. Yadav, "Real time efficient scheduling algorithm for load balancing in fog computing environment," International Journal of Information Technology and Computer Science, vol. 8, no. 4, pp. 1-10, 2016.
[7] V. B. C. Souza, et al., "Handling service allocation in combined fog-cloud scenarios," in Proc. IEEE Int. Conf. on Communications, ICC’16, 5 pp., Kuala Lumpur, Malaysia, 22-27 May 2016.
[8] Y. Sun, T. Dang, and J. Zhou, "User scheduling and cluster formation in fog computing based radio access networks," in Proc. IEEE Int. Conf. on Ubiquitous Wireless Broadband, ICUWB’16, 4 pp., Nanjing, China, 16-19 Oct. 2016.
[9] R. Deng, R. Lu, C. Lai, and T. H. Luan, "Towards power consumption-delay tradeoff by workload allocation in cloud-fog computing," in Proc. IEEE Int. Conf. on Communications ICC’15, pp. 3909-3914, London, UK, 8-12 Jun. 2015.
[10] R. Deng, R. Lu, C. Lai, T. H. Luan, and H. Liang, "Optimal workload allocation in fog-cloud computing toward balanced delay and power consumption," IEEE Internet of Things J., vol. 6, no. 3, pp. 1171-1181, Dec. 2016.
[11] L. Liu, D. Qi, N. Zhou, and Y. Wu, "A task scheduling algorithm based on classification mining in fog computing environment," Wireless Communications and Mobile Computing, vol. 2018, Article No. 2102348, 11 pp., 2018.
[12] م. اسدی و آ. طباطبایی، " روش پیشنهادی برای کاهش استفاده پهنای باند در مهاجرت زنده کانتینر در لایه مه،" مجموعه مقالات ششمین کنفرانس وب¬پژوهی، 7 صص.، تهران، ایران، 22-22 خرداد 1399.
[13] D. Goncalves, K. Velasquez, M. Curado, L. Bittencourt, and E. Madeira, "Proactive virtual machine migration in fog environments," in Proc. IEEE Symp. on Computers and Communications, ISCC’18, pp. 742-745, Natal, Brazil, 25-28 Jun. 2018.
[14] X. Q. Pham and E. N. Huh, "Towards task scheduling in a cloud-fog computing system," in Proc. IEEE 18th Asia-Pacific Network Operations and Management Symposium, APNOMS’16, 4 pp., Kanazawa, Japan, 5- 7 Oct. 2016.
[15] S. Bitam, S. Zeadally, and A. Mellouk, "Fog computing job scheduling optimization based on bees swarm," Enterprise Information Systems, vol. 12, no. 4, pp. 373-397, 2018.
[16] J. Fan, X. Wei, T. Wang, T. Lan, and S. Subramaniam, "Deadline-aware task scheduling in a tiered IoT infrastructure," in Proc. IEEE Global Communications Conf., GLOBECOM’17, 7 pp., Singapore, Singapore, 4-8 Dec. 2017.
[17] S. Kabirzadeh, D. Rahbari, and M. Nickray, "A security aware scheduling in fog computing by hyper heuristic algorithm," in Proc. 3rd Iranian Conf. on Intelligent Systems and Signal Processing, ICSPIS’17, pp. 87-92, Shahrood, Iran, 20-21 Dec. 2017.
[18] S. Kabirzadeh, D. Rahbari, and M. Nickray, "A hyper heuristic algorithm for scheduling of fog networks," in Proc. 21st Conf. of Open Innovations Association, FRUCT’17, pp. 148-155, Helsinki, Finland, 6-10 Nov. 2017.
[19] T. Choudhari, M. Moh, and T. S. Moh, "Prioritized task scheduling in fog computing," in Proc. of the ACMSE Conf., 8 pp., New York, NY, USA, 29-31 Mar. 2018.
[20] H. Zhang, Y. Xiao, S. Bu, D. Niyato, F. R. Yu, and Z. Han, "Computing resource allocation in three-tier IoT fog networks: a joint optimization approach combining Stackelberg game and matching," IEEE Internet of Things J., vol. 4, no. 5, pp. 1204-1215, 2017.
[21] H. Gupta, A. V. Dastjerdi, S. K. Ghosh, and R. Buyya, "iFogSim: a toolkit for modeling and simulation of resource management techniques in the Internet of Things, edge and fog computing environments," Software: Practice and Experience, vol. 47, no. 9, pp. 1275-1296, Jun. 2017.
[22] H. E. Refaat and M. A. Mead, "DLBS: decentralize load-balance scheduling algorithm for real-time IoT services in mist computing," International J. of Advanced Computer Science and Applications, vol. 10, no. 9, pp. 92-100, Sept. 2019.
[23] A. Khalid and M. Shahbaz, "Service architecture models for fog computing: a remedy for latency issues in data access from clouds," Trans. on Internet and Information Systems, vol. 11, no. 5, pp. 2310-2345, 2017
. [24] D. Rathod and C. Girish, "Load balancing of fog computing centers: minimizing response time of high priority requests," International Journal of Innovative Technology and Exploring Engineering, vol. 8, no. 11, pp. 2713-2716, Sep. 2019.
[25] S. N. Srirama, K. Ramamohanarao, R. Buyya, and M. R. Mahmud, "Quality of Experience (QoE)-aware placement of applications in fog computing environments," Journal of Parallel and Distributed Computing, vol. 132, pp. 190-203, Oct. 2018.
[26] B. Dewulf, T. Neutens, M. Vanlommel, and S. Logghe, "Examining commuting patterns using Floating Car Data and circular statistics: exploring the use of new methods and visualizations to study travel times," Journal of Transport Geography, vol. 48, pp. 41-51, Oct. 2015.