شبکه‌های حسگر بی‌سیم دارای محدودیت‌هایی از قبیل توان پردازشی، منابع ذخیره‌سازی و تأخیر زمانی در انتقال داده‌ها به ابر می‌باشند. محاسبات مه به وسیله توسعه سرویس‌های ابری به لبه شبکه موجب کاهش ترافیک و تأخیر زمانی می‌شود و بنابراین این نوع شبکه‌ها در سیستم‌های بسیاری مانند مراقبت پزشکی، ابزارهای پوشیدنی، سیستم حمل و نقل و شهرهای هوشمند کاربرد دارد. تکنیک‌های زمان‌بندی وظایف در محاسبات مه از جمله مسایل NP-hard محسوب می‌شود. برنامه‌ها جهت اجراشدن به منابع نیاز دارند. ابزارهای لبه شبکه به حسگرها و ابر نزدیک بوده و دارای قدرت پردازشی لازم برای اجرای برنامه‌ها می‌باشند. هر ابزار لبه می‌تواند برای پیاده‌سازی سیاست‌های تخصیص منابع مورد استفاده قرار گیرد. در این مقاله، ما با ارائه یک روش مبتنی بر کوله‌پشتی بهینه‌شده با الگوریتم هم‌زیستی جانداران به تخصیص مناسب منابع به وظایف در شبکه‌های مه می‌پردازیم. روش پیشنهادی در شبیه‌ساز iFogsim به عنوان یک کتابخانه توسعه‌یافته از کلودسیم جهت پردازش مه پیاده‌سازی شده است. نتایج نشان‌دهنده بهبود در انرژی مصرفی، مصرف منابع و هزینه اجرای شبکه می‌باشد که روش پیشنهادی بهتر از روش کوله‌پشتی و الگوریتم پردازش به ترتیب ورود عمل نموده است. Manuscript profile

شبکه‌های حسگر بی‌سیم از هزاران گره کوچک تشکیل شده‌اند که کوچکی و ارزانی این گره‌ها موجب استفاده گسترده آنها در زمینه‌های مختلف شده است. در کنار مزیت‌های این شبکه‌ها، محدودیت در مصرف انرژی، منابع پردازشی و ذخیره‌سازی موجب شده مطالعات بسیاری به‌منظور کاهش این محدودیت‌ها ارائه شود. در سال‌های اخیر با ظهور مفهوم محاسبات مه، راهکارهای جدید و مؤثری در زمینه مسیریابی شبکه‌های حسگر بی‌سیم مطرح ‌شده است. از آنجایی که در این شبکه‌ها، حفظ گره‌های زنده و کاهش انرژی مصرفی گره‌ها حایز اهمیت است لذا محاسبات مه در راستای این هدف به کار گرفته می‌شود. در پروتکل‌های مطرح مسیریابی در شبکه‌های حسگر بی‌سیم، بهترین راه جهت ارسال داده‌ها به سرخوشه‌ها و همچنین ایستگاه اصلی مورد بررسی قرارگرفته است. در مطالعات جدید از محاسبات مه، جهت یافتن بهترین روش مسیریابی بهره برده شده که در این روش‌ها کاهش انرژی مصرفی و افزایش طول عمر شبکه را شاهد بوده‌ایم. ما نیز در این مقاله یک معماری مبتنی بر رایانش مه جهت مسیریابی شبکه‌های حسگر بی‌سیم را ارائه داده‌ایم. مطابق نتایج شبیه‌سازی، این پروتکل، انرژی مصرفی را 9% و همچنین تعداد گره‌های زنده را 74% در مقایسه با روش مورد بررسی بهبود بخشیده است. Manuscript profile