تخصیص منبع آگاه از مهلت و انرژی با استفاده از ترکیب رویکرد حریصانه چندمعیاره و درخت تصمیم در محیط اینترنت اشیاء-مه– ابر
الموضوعات : electrical and computer engineeringشیوا 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.
