Обзор решений задачи распределения ресурсов в туманных вычислениях

Обзор решений задачи распределения ресурсов в туманных вычислениях

Автор: Осанов В.А., Карташевский И.В.

Журнал: Инфокоммуникационные технологии @ikt-psuti

Рубрика: Новые информационные технологии

Статья в выпуске: 4 т.20, 2022 года.

Бесплатный доступ

Несмотря на высокую популярность облачных вычислений, они не рекомендуются для использования в приложениях и системах критичных к задержкам сети. Поэтому, учитывая возрастающий объемов данных, циркулирующих по глобальным сетям, концепция туманных вычислений стала весьма актуальной, так как позволяет значительно разгрузить облачные сервисы, при этом минимизировав задержку, расширяя вычислительные возможности облачных технологий. Являясь промежуточным слоем между облаком и конечным пользователем, туманные вычисления позволяют повысить производительность сети, принимая на себя часть нагрузки. Эффективность туманных вычислений, как и любой вычислительной сети, напрямую зависит от эффективностираспределения ресурсов по запросам на обслуживание. Учитывая данный факт и принимая во внимание мобильность, неоднородность и динамический характера туманных вычислений, появляется актуальная задача организации распределения ресурсов в тумане, для обеспечения качественного обслуживание пользователей. Данный обзор дает исчерпывающее и всестороннее представление о имеющихся решениях задачи распределения ресурсов в тумане. В статье представлены работы, классифицированные относительно метрик качества обслуживания, типа политик и классов алгоритмов распределения ресурсов. Особо отмечены подходы к управлению ресурсами в туманных вычислениях для Интернета-вещей, критичного к задержкам. Анализ результатов, представленных в обзоре работ, исследовательского и практического характера, позволили сформулировать значимость решения данной задачи, выявить ключевые проблемы при разработке подходов к распределению ресурсов в тумане и основные метрики оценки их эффективности и производительности. Выводы, полученные в данной работе, не только свидетельствуют об актуальности и значимости задачи распределения ресурсов в туманных вычислениях, но и позволяют определить основные факторы, которые необходимо учитывать при ее решение.

Еще

Туманные вычисления, распределение ресурсов, вычислительная сеть, вычислительные ресурсы, качество обслуживания, задержка сети, интернет вещей

Короткий адрес: https://sciup.org/140302041

IDR: 140302041   |   DOI: 10.18469/ikt.2022.20.4.07

Список литературы Обзор решений задачи распределения ресурсов в туманных вычислениях

  • Martinez I., Senhaji Hafid A., Jarray A. Design, Resource Management and Evaluation of Fog Computing Systems: A Survey // IEEE Internet of Things Journal. 2021. Vol. 8. P. 2494–2516. DOI: 10.1109/JIOT.2020.3022699.
  • Yin L., Luo J., Luo H. Tasks Scheduling and Resource Allocation in Fog Computing Based on Containers for Smart Manufacturing // IEEE Transactions on Industrial Informatics. 2018. Vol. 14, no. 10. P. 4712–4721. DOI: 10.1109/ TII.2018.2851241.
  • Reinforcement Learning based Resource Management for Fog Computing Environment: Lit-erature Review, Challenges, and Open Issues / H. Tran-Dang [et al.] // Journal of communica-tions and networks. 2022. Vol. 24, no. 1. P. 83–98. DOI: 10.23919/JCN.2021.000041.
  • Tran-Dang H., Kim D.-S. Task priority-based resource allocation algorithm for task offloading in fog-enabled IoT systems // 2021 International Conference on Information Networking (ICOIN). 2021. P. 674–679. DOI: 10.1109/ICOIN50884.2021.9333992.
  • Opportunistic fog for iot: Challenges and opportunities / N. Fernando [et al.] // IEEE Internet Things Journal. 2019. Vol. 6, no. 5. P. 8897–8910. DOI: 10.1109/JIOT.2019.2924182.
  • Integrating fog computing with vanets: A consumer perspective / H.A. Khattak [et al.] // IEEE Communications Standards Magazine. 2019. Vol. 3, no. 1. P. 19–25. DOI: 10.1109/MCOMSTD.2019.1800050.
  • Gowri A.S., Shanthi Bala P., Ramdinthara I.Z. Comprehensive Analysis of Resource Allocation and Service Placement in Fog and Cloud Computing // International Journal of Advanced Computer Science and Applications (IJACSA). 2021. Vol. 12, no. 3. P. 62–79. DOI: 10.14569/IJACSA.2021.0120308.
  • Ben Lahmar I., Boukadi K. Resource Allocation in Fog Computing: A Systematic Mapping Study // Fifth International Conference on Fog and Mobile Edge Computing (FMEC). 2020. P. 86–93. DOI: 10.1109/FMEC49853.2020.9144705.
  • Naha R.K., Garg S. Multi-criteria-based Dynamic User Behaviour Aware Resource Allocation in Fog Computing // ACM Transactions Internet Things. 2019. Vol. 1, no. 1. P. 1–31.
  • De Souza Toniolli J.L., Jaumard B. Resource Allocation for Multiple Workflows in Cloud- Fog Computing Systems // Proceedings of the 12th IEEE/ACM International Conference on Utility and Cloud Computing Companion – UCC’19 Companion. 2019. P. 77–84. DOI: 10.1145/3368235.3368846.
  • Madhura R., Elizabeth B.L., Uthariaraj V.R. An improved list-based task scheduling algorithm for fog computing environment // Computing. 2021. Vol. 103, no. 7. P. 1353–1389. DOI: 10.1007/s00607-021-00935-9.
  • A cost-and performance-effective approach for task scheduling based on collaboration between cloud and fog computing / P. Xuan-Qui [et al.] // International Journal of Distributed Sensor Networks. 2017. Vol. 13. P. 1–16. DOI: 10.1177/1550147717742073.
  • Nature-Inspired-Based Multi-objective Service Placement in Fog Computing Environment / H. K Apat [et al.] // Intelligent Systems. 2021. P. 293–304. DOI: 10.1007/978-981-33-6081-5_26.
  • Nguyen B.M. An Evolutionary Algorithm for Solving Task Scheduling Problem in Cloud-Fog Computing Environment / H.T.T. Binh // Proceedings of the Ninth International Symposium on Information and Communication Technology. 2018. P. 397–404. DOI: 10.1145/3287921.3287984.
  • Torki Z., Mojtaba Matinkhah S. Optimization Resource Allocation in NOMA-based Fog Computing with a Hybrid Algorithm // 11th International Conference on Computer Engineering and Knowledge (ICCKE). 2021. P. 1–6. DOI: 10.1109/ICCKE54056.2021.9721513.
  • Singhrova A., Anu A. Resource Allocation in Fog Computing based on Meta-Heuristic Ap-proaches: A Systematic Review // IJCSNS International Journal of Computer Science and Network Security. 2022. Vol. 22, no. 9. P. 503–514. DOI: 10.22937/IJCSNS.2022.22.9.65.
  • Будылдина Н.В., Юрченко Е.В. Распределение ресурсов для туманных вычислений в сетях Интернета-вещей // Надежность и качество: труды международного симпозиума. 2019. Т.2. С. 163–166.
  • Dynamical Resource Allocation in Edge for Trustable Internet-of-Things Systems: A Rein-forcement Learning Method / S. Deng [et al.] // IEEE Transactions on industrial informatics. 2020. Vol. 16, no. 9. P. 6103–6113. DOI: 10.1109/TII.2020.2974875.
  • Resource Allocation Techniques in Edge/Fog Computing / D. Majumder [et al.] // International Conference on Advances in Electrical, Computing, Communication and Sustainable Technologies (ICAECT). 2021. P. 1–5. DOI: 10.1109/ICAECT49130.2021.9392422.
  • Three Dynamic Pricing Schemes for Resource Allocation of Edge Computing for IoT Envi-ronment / B. Baek [et al.] // IEEE Internet of Things journal. 2020. Vol. 7, no. 5. P. 4292–4303. DOI: 10.1109/JIOT.2020.2966627.
  • Shah-Mansouri H., Wong V.W.S. Hierarchical Fog-Cloud Computing for IoT Systems: A Computation Offloading Game // IEEE Internet Things Journal. 2018. Vol. 5, no. 4. P. 3246–3257. DOI: 10.1109/JIOT.2018.2838022.
  • Joshi N., Srivastava S. Online Task Allocation and Scheduling in Fog IoT using Virtual Bidding // 10th Region 10 Humanitarian Technology Conference (R10-HTC). 2022. P. 81–86. DOI: 10.1109/R10-HTC54060.2022.9929631.
  • Воробьев С.П., Широбокова С.Н., Евсин В.А. Модель архитектуры системы распределенного реестра в среде облачных и туманных вычислений // Перспективы науки. 2020. № 5(128). С. 10–13.
  • Воробьев С.П., Широбокова С.Н., Евсин В.А. Модель обмена системы распределенного реестра облачных, туманных и граничных вычислений // Информационные технологии и вычислительные системы. 2022. № 2. С. 11–21. DOI: 10.14357/20718632220202.
  • Thaha M., Jedari B., Di Francesco M. Efficient and Fair Multi-Resource Allocation in Dynamic Fog Radio Access Network Slicing // IEEE Internet of Things Journal. 2022. Vol. 9. P. 24600–24614. DOI: 10.1109/JIOT.2022.3192291.
  • Liu G., Wu J., Wang T. Blockchain-enabled fog resource access and granting // Intelligent and Converged Networks. 2021. Vol. 2. P. 108–114. DOI: 10.23919/ICN.2021.0009.
  • Клименко А. Б., Сафроненкова И. Б. Решение задачи распределения вычислительной нагрузки в средах туманных вычислений на базе онтологий // Известия ЮФУ. Технические науки. 2018. № 8(202). С. 83–94. DOI: 10.23683/2311–3103–2018–8–83–94.
  • Task Placement on Fog Computing Made Efficient for IoTApplication Provision / M.-Q. Tran [et al.] // Wireless Communications and Mobile Computing. 2019. Vol. 2019. P. 1–17. DOI: 10.1155/2019/6215454.
  • Mulla M., Satabache M., Purohit N. An Efficient Architecture for Resource Provisioning in Fog Computing // International Journal of Science and Research (IJSR). 2017. Vol. 6, no. 1. P. 2065–2069.
  • Resource Allocation Strategy in Fog Computing Based on Priced Timed Petri Nets / L. Ni [et al.] // IEEE Internet Things Journal. 2017. Vol. 4, no. 5. P. 1216–1228. DOI: 10.1109/JIOT.2017.2709814.
  • Kim S. Novel Resource Allocation Algorithms for the Social Internet of Things Based Fog Computing Paradigm // Wireless Communications and Mobile Computing. 2019. Vol. 2019. P. 1–11. DOI: 10.1155/2019/3065438.
  • Gill S.S., Garraghan P., Buyya R. ROUTER: Fog enabled cloud based intelligent resource management approach for smart home IoT devices // Journal of Systems and Software. 2019. Vol. 154. P. 125–138. DOI: 10.1016/j.jss.2019.04.058.
  • Brogi A., Forti S. QoS-Aware Deployment of IoT Applications Through the Fog // IEEE Internet Things Journal. 2017. Vol. 4, no. 5. P. 1185–1192. DOI: 10.1109/JIOT.2017.2701408.
  • Da Silvaand R.A.C., Da Fonseca N.L.S. Resource Allocation Mechanism for a Fog-Cloud Infrastructure // IEEE Inter Conference on Communications (ICC). 2018. P. 1–6. DOI: 10.1109/ICC.2018.8422237.
  • Sun Y., Lin F., Xu H. Multi-objective optimization of resource scheduling in fog computing using an improved NSGA-II // Wireless Personal Communications. 2018. Vol. 102(2). P. 1369–1385. DOI: 10.1007/s11277-017-5200-5.
  • Jameel E.J., Ibrahim A. Fog and Cloud Load Balancing Using Regression Based Reccurent Deep Learning Algorithm // International Congress on Human-Computer Interaction, Optimi-zation and Robotic Applications (HORA). 2022. P. 1–5. DOI: 10.1109/HORA55278.2022.9800088.
  • Гадасин Д.В., Смальков Н.А., Кузин И.А. Использование метода роя частиц для балансировки нагрузки в сетях Интернета вещей // Системы синхронизации, формирования и обработки сигналов. 2022. Т. 13, № 2. С. 17–23.
  • Batra S., Anand D., Singh A. A Brief Overview of Load Balancing Techniques in Fog Computing Environment // 6th International Conference on Trends in Electronics and In-formatics (ICOEI). 2022. P. 886–891. DOI: 10.1109/ICOEI53556.2022.9776776.
  • Quality of Experience (QoE)-aware placement of applications in Fog computing environments / R. Mahmud // Journal of Parallel Distributed Computing. 2019. Vol. 132. P. 190–203. DOI: 10.1016/j.jpdc.2018.03.004.
  • Клименко А.Б. Метод ресурсосберегающего планирования распределенных вычислений в туманной вычислительной среде // Моделирование, оптимизация и информационные технологии. 2022. Т. 10, № 3(38). С. 27–28. DOI: 10.26102/2310–6018/2022.38.3.019.
  • Radio and Computational Resource Allocation in IoT Fog Computing / Y. Gu [et al.] // IEEE Transactions on Vehicular Technology. 2018. Vol. 67, no. 8. P. 7475–7484. DOI: 10.1109/TVT.2018.2820838.
  • Юрченко Е.В., Будылдина Н.В. Система распределения смешанного взаимодействия для многоуровневой сети туманных вычислений // Информационные технологии и когнитивная электросвязь: материалы восьмой всероссийской научно-практической конференции. Екатеринбург: Сибирский государственный университет телекоммуникаций и информатики, 2022. С. 145–148.
  • Nguyen Q.-H., Thanh-An. Studying and Developing a Resource Allocation Algorithm inFog Computing // International Conference on Advanced Computing and Applications (ACOMP 2018). 2018. P. 76–82. DOI: 10.1109/ACOMP.2018.00020.
  • Delay-Aware Resource Allocation in Fog-Assisted IoT Networks Through Reinforcement Learning / Q. Fan // IEEE Internet of Things Journal. 2022. Vol. 9. P. 5189–5199. DOI: 10.1109/JIOT.2021.3111079.
  • Avasalcai C., Tsigkanos C., Dustdar S. Resource Management for Latency-Sensitive IoT Applications with Satisfiability // IEEE Transactions on Services Computing. 2022. Vol. 15. P. 2982–2993. DOI: 10.1109/TSC.2021.3074188.
  • QoS-Aware Fog Service Orchestration for Industrial Internet of Things / J.-S. Tsai [et al.] // IEEE Transactions on Services Computing. 2022. Vol. 15. P. 1265–1279. DOI: 10.1109/TSC.2020.2978472.
  • Петухова Н.В., Фархадов М.П., Качалов Д.Л. Разгрузка и консолидация вычислительных ресурсов в среде туманных и граничных вычислений // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2020. № 50. С. 123–129. DOI: 10.17223/19988605/50/15.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp