تخصیص منبع آگاه از مهلت و انرژی با استفاده از ترکیب رویکرد حریصانه چندمعیاره و درخت تصمیم در محیط اینترنت اشیاء-مه– ابر
الموضوعات :شیوا رزاق زاده 1 , سارا حسین پور 2
1 - گروه مهندسی کامپیوتر،واحد اردبیل،دانشگاه آزاد اسلامی،اردبیل،ایران
2 - گروه مهندسی کامپیوتر،واحد اردبیل،دانشگاه آزاد اسلامی،اردبیل،ایران
الکلمات المفتاحية: اینترنت اشیا, تخصیص منابع, زمان‌بندی, درخت تصمیم, رویکرد حریصانه چندمعیاره. ,
ملخص المقالة :
با رشد روزافزون اینترنت اشیا، حجم داده‌های جمع‌آوری‌شده از سنسورها به طور چشم‌گیری افزایش یافته است. با توجه به این امر، نیاز به اتصال اینترنت اشیا به سرورهای ابری برای رفع نیازهای ذخیره‌سازی، پردازش و تحلیل داده‌ها احساس می‌شود. همچنین ظهور فناوری میانی مانند مه، با انجام محاسبات اولیه بر روی درخواست‌ها در لبه شبکه، موجب کاهش حجم محاسبات ارسالی به ابر شده است. با این حال زمان‌بندی وظایف در منابع ابری، یک مسئله چالش‌برانگیز است. زمان‌بندی منابع به عنوان یک مسئله NP-Hard به معنای تخصیص و توزیع منابع (مانند پردازنده، حافظه، شبکه و ...) به وظایف ارسالی در سرورهای ابری به صورت بهینه و مؤثر می‌باشد. از این رو محققان زیادی سعی در ارائه روش‌های مبتنی بر الگوریتم‌های فراابتکاری برای یافتن راهحلهای نزدیک به بهینه هستند. هدف اصلی در این روش‌ها یافتن منبع مناسب برای تخصیص به وظیفه است، حال آن که وضعیت وظیفه از نظر مهلت زمان اجرای وظیفه بر روی ماشین مجازی در نظر گرفته نمی‌شود. در کاربردهای اینترنت اشیا، داده‌ها ممکن است مربوط به وظایف بحرانی باشند که نیازمند پاسخ سریع هستند. به عبارت دیگر وظایفی که مهلت کمی برای اجرا دارند ممکن است در راستای بهبود سایر اهداف کیفیت سرویس به ماشین‌های مجازی با قدرت پردازشی کمتری ارسال شوند و در زمان مقرر قادر به اتمام نباشند که توجه زیادی به این مسئله در روش‌های پیشین نشده است. از این رو در این مقاله، رویکرد تخصیص منابع با استفاده از زمان‌بندی در بستر اینترنت اشیا- مه- ابر بر اساس ترکیب درخت تصمیم در راستای اولویتبندی وظایف و رویکرد حریصانه چندمعیاره ارائه شده است. نتایج شبیه‌سازی نشان میدهند روش پیشنهادی با تکیه بر اولویتبندی وظایف و ایجاد توازن در اهداف مختلف بر اساس رویکرد حریصانه چندمعیاره، با در نظر گرفتن فاکتورهای هزینه و زمان اتمام کار از نظر معیارهای ارزیابی نزدیک به بهینه عمل کرده و در مقایسه با روش‌های پیشین بهبود یافته است.
[1] E. S. Lee, J. H. Kim, and S. Y. Park, "Cloud-based Asthma monitoring system using IoT sensors," Healthcare Technology Letters, vol. 8, no. 4, pp. 123-128, Apr. 2021.
[2] M. A. Akkaş, R. Sokullu, and H. E. Cetin, "Healthcare and patient monitoring using IoT," Internet of Things, vol. 11, Article ID: 100173, Sept. 2020.
[3] N. Hossein Motlagh, M. Mohammadrezaei, J. Hunt, and B Zakeri, "Internet of Things (IoT) and the energy sector," Energies, vol. 13, no. 2, Article ID: 494, Jan.-2 2020.
[4] M. S. Farooq, S. Riaz, A. Abid, T. Umer, and Y.B. Zikria, "Role of IoT technology in agriculture: a systematic literature review," Electronics, vol. 9, no. 2, Article ID: 319, Feb. 2020.
[5] W. Almobaideen and M. Altarawneh, "Fog computing: survey on decoy information technology," International J. of Security and Networks, vol. 15, no. 2, pp. 111-121, 2020.
[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] P. Habibi, M. Farhoudi, S. Kazemian, S. Khorsandi, and A. Leon-Garcia, "Fog computing: a comprehensive architectural survey," IEEE Access, vol. 8, pp. 69105-69133, 2020.
[8] M. Haghi Kashani, A. M. Rahmani, and N. Jafari Navimipour, "Quality of service‐aware approaches in fog computing," International J. of Communication Systems, vol. 33, no. 8, Article ID: e4340, May 2020.
[9] J. Singh, P. Singh, and S. S. Gill, "Fog computing: a taxonomy, systematic review, current trends and research challenges," J. of Parallel and Distributed Computing, vol. 157, no. C, pp. 56-85, Nov. 2021.
[10] W. T. Vambe, C. Chang, and K. Sibanda, "A review of quality of service in fog computing for the internet of things," International J. of Fog Computing, vol. 3, no. 1, pp. 22-40, Jan. 2020.
[11] Y. Yang, "Multi-tier computing networks for intelligent IoT," Nature Electronics, vol. 2, no. 1, pp. 4-5, Jan. 2019.
[12] Z. Chang, Z. Zhou, T. Ristaniemi, and Z. Niu, "Energy efficient optimization for computation offloading in fog computing system," in Proc. 2017 IEEE Global Communications Conf., 6 pp., Singapore, 4-8 Dec. 2017.
[13] H. Sun, H. Yu, G. Fan, and L. Chen, "Energy and time efficient task offloading and resource allocation on the generic IoT-fog-cloud architecture," Peer-to-Peer Networking and Applications, vol. 13, pp. 548-563, 2020.
[14] R. K. Naha, S. Garg, A. H. Cheong Chan, and S. K. Battula, "Deadline-based dynamic resource allocation and provisioning algorithms in fog-cloud environment," Future Generation Computer Systems, vol. 104, pp. 131-141, Mar. 2020.
[15] S. Azizi, M. Shojafar, J. Abawajy, and R. Buyya, "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.
[16] Z. Zhou, H. Xie, and F. Li, "A novel task scheduling algorithm integrated with priority and greedy strategy in cloud computing," J. of Intelligent & Fuzzy Systems, vol. 37, no. 4, pp. 4647-4655, Oct. 2019.
[17] I. Z. Yakubu, L. Muhammed, Z. A. Musa, Z. I. Matinja, and I. M. Adamu, "A multi agent based dynamic resource allocation in fog-cloud computing environment," Trends in Sciences, vol. 18, no. 22, pp. 413-413, 15 Nov. 2021.
[18] M. Sriraghavendra, et al., "DoSP: a deadline-aware dynamic service placement algorithm for workflow-oriented IoT applications in fog-cloud computing environments," Energy Conservation Solutions for Fog-Edge Computing Paradigms, vol. 54, no. 4, pp. 21-47, Apr. 2022.
[19] S. Singh, P. Singh, and S. Tanwar, "Energy aware resource allocationvia MS-SLnO in cloud data center," Multimedia Tools and Applications, vol. 82, no. 29, pp. 45541-45563, May 2023.
[20] E. Al-Masri, et al., "Energy-efficient cooperative resource allocation and task scheduling for Internet of Things environments," Internet of Things, vol. 23, Article ID: 100832, Oct. 2023.
[21] P. A. Malla and S. Sheikh, "Analysis of QoS aware energy‐efficient resource provisioning techniques in cloud computing," International J. of Communication Systems, vol. 36, no. 1, Article ID: e5359, 2023.
[22] K. Ajmera and T. K. Tewari, "Energy-efficient virtual machine scheduling in IaaS cloud environment using energy-aware green-particle swarm optimization," International J. of Information Technology, vol. 15, no. 4, pp. 1927-1935, 2023.
[23] R. Jeyaraj, et al., "Resource management in cloud and cloud-influenced technologies for internet of things applications," ACM Computing Surveys, vol. 55, no. 12, pp. 1-37, 2023.
[24] S. K. Chowdhary and A. L. N. Rao, "QoS and reliability aware matched bald eagle task scheduling framework based on IoT-cloud in educational applications," Cluster Computing, vol. 27, no. 6, pp. 8141-8158, 2024.
[25] M. Afzali, A. Mohammad Vali Samani, and H. R. Naji, "An efficient resource allocation of IoT requests in hybrid fog-cloud environment," The J. of Supercomputing, vol. 80, no. 4, pp. 4600-4624, 2024.
[26] M. Nematollahi, A. Ghaffari, and A. Mirzaei, "Task and resource allocation in the internet of things based on an improved version of the moth-flame optimization algorithm," Cluster Computing, vol. 27, no. 2, pp. 1775-1797, Apr. 2024.
[27] S. Rac and M. Brorsson, "Cost-aware service placement and scheduling in the edge-cloud continuum," ACM Trans. on Architecture and Code Optimization, vol. 21, no. 2, pp. 1-24, 2024.
[28] I. Kaur and P. Mann, "A hybrid cost-effective genetic and firefly algorithm for workflow scheduling in cloud," In: D. Gupta, et al., (eds) International Conference on Innovative Computing and Communications. Advances in Intelligent Systems and Computing, vol. 1166, Springer, Singapore, pp. 33-45, 2021.
[29] M. Kumar, J. K. Samriya, K. Dubey, and S. S. Gill, "QoS‐aware resource scheduling using whale optimization algorithm for microservice applications," Software: Practice and Experience, vol. 54, no. 4, pp. 546-565, 2024.
