جایگذاری مبتنی بر اولویت برنامه¬های کاربردی اینترنت اشیاء در محیط مه
الموضوعات :
معصومه عظیم زاده
1
(دانشگاه آزاد واحد علوم تحقیقات)
علی رضائی
2
(دانشگاه آزاد اسلامی، واحد علوم و تحقیقات)
سمیه جعفرعلی جاسبی
3
(دانشگاه آزاد واحد علوم تحقیقات)
محمدمهدي اثني عشري
4
(دانشگاه صنعتي خواجه نصيرالدين طوسي)
الکلمات المفتاحية: جایگذاری برنامه¬های کاربردی, اینترنت اشیاء, محاسبات مه,
ملخص المقالة :
فناوری محاسبات مه برای پاسخ به نیاز برنامه های کاربردی اینترنت اشیاء نظیر تاخیر کم، امنیت بالا و غیره ظهور پیدا کرد. از سویی محدودیتهای محاسبات مه، نظیر ناهمگونی، توزیع شدگی و محدودیت منابع، مدیریت و استقرار یا جایگذاری برنامه ها در این محیط را دچار چالش می کند. جایگذاری هوشمند سرویس در محیط مه، باید منجر به تامین کیفیت سرویس و استفاده موثر از منابع گردد. یکی از رویکردهای جایگذاری برنامه ها، ایجاد جوامعی از گرههای مه بر اساس چگالی اتصال آنها است که منجر به ایجاد جوامع نامتوازن شده و از سوی دیگر استفاده از روش تک معیاره برای اولویت بندی استقرار برنامه ها منجر به عدم جایگذاری موثر آنها می-شود. در این مقاله روشی برای جایگذاری مبتنی بر اولویت برنامه های کاربردی در محیط مه ارائه شده است. روش پیشنهادی، با رویکردی مبتنی بر اولویت بندی چندمعیاره، برنامه ها را در جوامعی متوازن جایگذاری می کند. ایجاد جوامع متوازن منجر جایگذاری بهتر برنامه-ها و استفاده هر چه بهتر از ظرفیتهای شبکه می شود. همچنین جایگذاری مبتنی بر اولویت بندی چندمعیاره برنامه های کاربردی منجر به افزایش کیفیت برنامه ها و استفاده موثرتر از منابع موجود می گردد. نتایج شبیه سازی نشان دهنده افزایش 22 درصدی تامین موعدزمانی، افزایش 12 درصدی دسترس پذیری برنامه های کاربردی و همچنین افزایش 10 درصدی میزان استفاده از منابع است.
[1] Ayoubi, M., Ramezanpour, M., and Khorsand, R., "An autonomous IoT service placement methodology in fog computing." Software: Practice and Experience 51, no. 5 (2021): 1097-1120.
[2] Shooshtarian, L., Lan, D., and Taherkordi, A. "A clustering-based approach to efficient resource allocation in fog computing." In International Symposium on Pervasive Systems, Algorithms and Networks, pp. 207-224. Springer, Cham, 2019.
[3] Schaub, M.T., Delvenne, J.C., Rosvall, M. and Lambiotte, R., 2017. The many facets of community detection in complex networks. Applied network science, 2(1), pp.1-13.
[4] Ahuja, M., R. Kaur, and D. Kumar, Trend towards the use of complex networks in cloud computing environment. Int J Hybrid Inf Technol, 2015. 8(3): p. 297-306.
[5] Cazabet, R. and G. Rossetti, Challenges in community discovery on temporal networks, in Temporal Network Theory. 2019, Springer. p. 181-197.
[6] Lei, Y. and S.Y. Philip, Cloud service community detection for real-world service networks based on parallel graph computing. IEEE Access, 2019. 7: p. 131355-131362.
[7] Chandusha, K., Chintalapudi, S.R. and Krishna Prasad, M.H.M., 2019. An empirical study on community detection algorithms. In Smart Intelligent Computing and Applications (pp. 35-44). Springer, Singapore.
[8] Wang, W., Liu, D., Liu, X. and Pan, L., 2013. Fuzzy overlapping community detection based on local random walk and multidimensional scaling. Physica A: Statistical Mechanics and its Applications, 392(24), pp.6578-6586.
[9] Xie, J., Kelley, S. and Szymanski, B.K., 2013. Overlapping community detection in networks: The state-of-the-art and comparative study. Acm computing surveys (csur), 45(4), pp.1-35.
[10] Skarlat, O., S. Schulte, M. Borkowski and P. Leitner. Resource provisioning for IoT services in the fog. in 2016 IEEE 9th international conference on service-oriented computing and applications (SOCA). 2016. IEEE.
[11] Elkhatib, Y., et al., On using micro-clouds to deliver the fog. IEEE Internet Computing, 2017. 21(2): p. 8-15.
[12] Skarlat, O., M. Nardelli, S. Schulte, M. Borkowski and P. Leitner, Optimized IoT service placement in the fog. Service Oriented Computing and Applications, 2017. 11(4): p. 427-443.
[13]Yousefpour, A., G. Ishigaki, R. Gour, and J. P. Jue, On reducing IoT service delay via fog offloading. IEEE Internet of things Journal, 2018. 5(2): p. 998-1010.
[14] Guerrero, C., I. Lera, and C. Juiz. On the influence of fog colonies partitioning in fog application makespan. in 2018 IEEE 6th International Conference on Future Internet of Things and Cloud (FiCloud). 2018. IEEE.
[15] Chunaev, P., Community detection in node-attributed social networks: a survey. Computer Science Review, 2020. 37: p. 100286.
[16] Interdonato, R., et al., Feature-rich networks: going beyond complex network topologies. Applied Network Science, 2019. 4(1): p. 1-13.
[17] Abbasi, M., E.M. Pasand, and M.R. Khosravi, Workload allocation in iot-fog-cloud architecture using a multi-objective genetic algorithm. Journal of Grid Computing, 2020. 18(1): p. 1-14.
[18] Reddy, K., AK Luhach , B. Pradhan, JK Dash and DS Roy, A genetic algorithm for energy efficient fog layer resource management in context-aware smart cities. Sustainable Cities and Society, 2020. 63: p. 102428.
[19] Natesha, B. and R.M.R. Guddeti, Adopting elitism-based Genetic Algorithm for minimizing multi-objective problems of IoT service placement in fog computing environment. Journal of Network and Computer Applications, 2021. 178: p. 102972.
[20] Al-Tarawneh, M.A., Bi-objective optimization of application placement in fog computing environments. Journal of Ambient Intelligence and Humanized Computing, 2021. 12(2): p. 1-24.
[21] Velasquez, K., DP Abreu, L. Paquete, M. Curado, and E. Monteiro. A rank-based mechanism for service placement in the fog. in 2020 IFIP Networking Conference (Networking). 2020. IEEE.
[22] Kimovski, D., et al. Adaptive nature-inspired fog architecture. in 2018 IEEE 2nd International Conference on Fog and Edge Computing (ICFEC). 2018. IEEE.
[23] Lera, I., C. Guerrero, and C. Juiz, Availability-aware service placement policy in fog computing based on graph partitions. IEEE Internet of Things Journal, 2018. 6(2): p. 3641-3651.
[24] Lera, I., C. Guerrero, and C. Juiz. Comparing centrality indices for network usage optimization of data placement policies in fog devices. in 2018 Third International Conference on Fog and Mobile Edge Computing (FMEC). 2018. IEEE.
[25] Filiposka, S., A. Mishev, and C. Juiz, Community-based VM placement framework. The Journal of Supercomputing, 2015. 71(12): p. 4504-4528.
[26] Skarlat, O., M. Nardelli, S. Schulte, and S. Dustdar. Towards qos-aware fog service placement. in 2017 IEEE 1st international conference on Fog and Edge Computing (ICFEC). 2017. IEEE.
[27] Nayeri, Z.M., Ghafarian, T. and Javadi, B., 2021. Application placement in Fog computing with AI approach: Taxonomy and a state of the art survey. Journal of Network and Computer Applications, 185, p.103078.
[28] Lera, I.a.C.G., YAFS, Yet Another Fog Simulator.
[29] Velasquez, K., DP Abreu, M. Curado and E. Monteiro, Service placement for latency reduction in the internet of things. Annals of Telecommunications, 2017. 72(1-2): p. 105-115.
[30] Salaht, F., F. Desprez, A. Lebre, C. Prud’Homme, and M. Abderrahim Service placement in fog computing using constraint programming. in 2019 IEEE International Conference on Services Computing (SCC). 2019. IEEE.
[31]Baranwal, G. and D.P. Vidyarthi, FONS: a fog orchestrator node selection model to improve application placement in fog computing. The Journal of Supercomputing, 2021: p. 1-28.
[32]Arkian, H.R., A. Diyanat, and A. Pourkhalili, MIST: Fog-based data analytics scheme with cost-efficient resource provisioning for IoT crowdsensing applications. Journal of Network and Computer Applications, 2017. 82: p. 152-165.
[33]Yang, L., J. Cao, G. Liang, and X. Han, Cost aware service placement and load dispatching in mobile cloud systems. IEEE Transactions on Computers, 2015. 65(5): p. 1440-1452.
