Обзор решений задачи распределения ресурсов в туманных вычислениях

Вычислительная сеть состоит из трех концептуальных элементов, которые включают в себя хранение, передачу и обработку информации. Стремительное развитие вычислительных мощностей и хранилищ данных позволяет увеличить их объем и скорость обработки. Однако главным недостатком данной тенденции является значительное превышение соотношения количества данных, которые генерируются пользователями и конечными устройствами вычислительной сети, к количеству данных, передаваемых без критической задержки на сервер для последующей их обработки. Источников данных стало гораздо больше, чем средств и способов их эффективной передачи на сервер, что приводит к перегрузке сети, в результате чего данные либо не будут переданы, либо будут потеряны. Данный фактор так же актуален в концепции облачных вычислений, что препятствует их применению в приложениях, критичных к задержке.

Решением данной задачи стало применение туманных вычислений (Fog) – концепции построения архитектуры вычислительной сети для улучшения качества обслуживания (QoS). Обеспечивая интегрированное распределенное хранилище, управление вычислениями и сетевые функции, данная парадигма вычислений повышает качество сети и ее производительность [1]. Фактически туманные вычисления представляют собой промежуточный элемент между конечным устройством сети и облаком. Основная задача Fog заключается в накопление данных и промежуточных вычислениях, с последующей их передачей в облако на сервер. Большая масштабируемость предоставляет возможность за счет географической привязки определенному узлу туманных вычислений принять на себя нагрузку конкретной области, что позволит значительно снизить нагрузку сети и уменьшить задержку, а также улучшить время отклика.

Одним из главных критериев построения качественной вычислительной сети, на основе облачных или туманных технологий, является эффективность использования ее вычислительных ресурсов, которая достигается оптимальным решением задачи распределения ресурсов. При этом стоит отметить, что туманные устройства, в отличие от облачных, значительно распределены и ограничены в ресурсах. В результате чего возникает проблема из-за сложной неоднородности и ограниченности ресурсов по местности и из-за динамического характера потребностей в ресурсах.

Целью данной работы является проведение обзора и анализа научно-исследовательских и научно-практических работ о методах и алгоритмах распределения ресурсов в туманных вычислениях. Данная статья структурирована следующим образом: раздел о главных аспектах необходимых при разработке алгоритмов RA (Resource Allocation, распределение ресурсов) и основные характеристики, относительно которых осуществляется оценка их эффективности; раздел о трех базовых политиках функционирования алгоритмов распределение ресурсов Fog; раздел о предложенных методах и подходах распределения ресурсов в Fog, относительно разбиения всех алгоритмов на четырех основных класса; раздел о методах и подходах к RA, в зависимости от метрик QoS; раздел о распределение ресурсов в туманных вычислениях для Интерне-та-вещей; раздел заключение, выводы о результатах полученных в ходе проведения обзора.

Задача распределения ресурсов и основные метрики ее оценки

Задача RA является одной из ключевых в Fog и заключается в назначение ресурсов запросам конечного пользователя. Стратегия, отвечающая за распределение ресурсов и размещение услуг

(RASP), обеспечивает оценку необходимого количества ресурсов и назначение задач. По факту данная служба представляет собой экземпляр программного обеспечения, выполняющий одну из главных задач вычислительной сети – распределение ресурсов. Основные задачи данной службы отвечают за оценку количества доступных ресурсов, прогнозирование рабочей нагрузки, контроль сроков выполнения задач и потребления энергии [2]. Качественное и надежное выполнение этих задач обеспечит эффективное и бесперебойное применение Fog в вычислительной сети.

Все эти фактор обуславливают актуальность и значимость методов и алгоритмов решения задачи эффективного распределения ресурсов в Fog, учитывающих требуемое качество обслуживания.

Практически все эти алгоритмы заключаются в формирование нескольких целевых функций и представления ограничений на оптимизируемые переменные. Основными показателями, позволяющими оценить эффективность метода распределения вычислительных ресурсов Fog, являются сетевая задержка, полоса пропускания, доступность ресурсов, потребление энергии, время выполнения.

Существует ряд задач, которые необходимо решить при разработке алгоритма распределения ресурсов в туманных вычислениях. К данным задачам относится [3]:

– сложность,динамичностьинеоднородность среды Fog;

– мобильность устройств туманных вычислений;

– разнообразие требований предоставления ресурсов в рамках решений различного рода задач.

Все устройства Fog, к которым относятся шлюзы, концентраторы и коммутаторы не однородны относительно задачи вычислений, хранения и передачи информации. Это напрямую влияет на повышение производительности туманных вычислений. Если количество ресурсов будет ограничено, то возникнет проблема неравномерного распределения нагрузки, в результате чего возникнет задержка в ходе решения поступившей в сеть задачи. Это одна из самых распространенных проблем в туманных вычислениях, когда туманный узел не может в силу нехватки ресурсов обработать все поступающие на него задачи и возникает задержка, вызванная ожиданием освобождения необходимого ресурса узла от решения предыдущих задач. При попытке перенести задачу на соседний узел Fog, как правило, может так же возникнуть высокая рабочая нагрузка. При наличии высокой скорости запросов пользователей, очередь к ресурсам узлов возрастает. Это все свидетельствует об ограниченности вычислительных ресурсов сети и значительно влияет на системы чувствительные к задержке, так как к моменту использования ресурса необходимость в обработке запроса может иссякнуть или данные запроса просто устареют. При решении данной проблемы необходимо особое внимание уделить концепцию разделения задач, которая путем параллельного выполнения подзадач поможет уменьшить задержку. Однако, данный вариант решения пригоден только в случае использования туманных вычислений с ограниченными ресурсами, так как в масштабных системах Fog и при высокой частоте поступления задач может возникнуть конкуренция за ресурсы, что повлияет на вычислительную сложность алгоритма RA [4].

Одной из главных особенностей и отличительной характеристикой туманных вычислений от облачных так же является наличие мобильных узлов Fog, в роли которых могут выступать беспилотники [5] или транспортные средства [6]. Это все приводит к динамическому измененияю времени ресурсов туманных вычислений. Данный фактор Fog говорит о необходимости разработки адаптивных и гибких алгоритмов RA, чтобы они могли подстраиваться под динамическое изменение ресурсов узла относительно времени.

Загруженность ресурсов зависит от некоторых факторов, к которым относится тип системы-пользователя Fog, времени использования ресурса и окружающей среды. Поступающие в Fog задачи, в зависимости от типа и основного их назначения, могут различаться, а соответственно могут использоваться как разные ресурсы, так и общие. В зависимости от времени суток количество поступающих задач может уменьшаться со временем, что говорит о необходимости регулирования количества используемых ресурсов относительно текущего времени запроса пользователя.

При решении задачи распределении ресурсов туманных вычислений важно учитывать непредсказуемость рабочей нагрузки, неэффективное использование ресурсов и сбои аппаратного и программного обеспечения.

Три политики RA

Существует три основных политики распадения ресурсов в сети:

– реактивная;

– предиктивная;

– гибридная.

В случае реактивной политики начальное рас- пределение ресурсов может быть изменено после того, как сеть войдет в нежелательное состояние. Предиктивная политика относится к прогнозирующим, так как может заблаговременно определить приближающиеся проблемы с нехваткой ресурсов и заранее обновить их. Это осуществляется путем прогнозирования рабочей нагрузки, на основании которого масштабируются ресурсы сети. Реактивная политика требует значительно меньших затрат, в сравнение с предиктивной политикой, когда заранее масштабируются ресурсы, и гибридной политикой, сочетающей в себе реактивную и предиктивную.

Авторы работы [7] провели комплексный анализ распределения ресурсов в туманных и облачных вычислениях, рассмотрев множество научных работ и разработок. На основание данного анализа был сделан вывод, что большинство подходов RASP являются алгоритмами реактивной политики. Из 18 рассмотренных в работе подходов распределения ресурсов было выявлено, что 17 алгоритмов относятся к реактивной политике, 1 к предиктивной политике и 0 к гибридной.

Эта статистика показывает проблему комплексного подхода к решению задачи распределения ресурсов Fog в рамках предиктивной и гибридной политик. Реактивная политика, направленная на конкретный случай, не подходит для чувствительных ко времени приложений. Так же, стоит учесть, что практически все из рассмотренных работ не учитывают непредвиденный сетевой трафик и скорость доступа, что в свою очередь может привести к сбоям доступа к ресурсам.

Рассматривая работы, представленные в данном обзоре, можно сделать вывод, что разработки решений задачи распределения ресурсов в туманных вычислениях разделяются на два подхода – на основание алгоритма или на основание архитектуры. Оба эти подхода в значительной мере популярные и активно применяются при RA.

Четыре класса алгоритмов распределения ресурсов в Fog

В расширенном обзоре литературы [8] представлена классификация всех существующих подходов распределения ресурсов в Fog на четыре класса алгоритмов:

• 1.    Эвристические алгоритмы, решающие задачу распределения ресурсов без возможности обобщения или применения к другим подобным задачам.

• 2.    Алгоритмы точной оптимизации, предназначенные для нахождения оптимального решения проблемы распределения ресурсов, такие как смешанное целочисленное программирование и бинарное целочисленное программирование.

• 3.    Алгоритмы на основе метаэвристики, используемые с целью получения решения, близкого к оптимальному, такие как генетические алгоритмы и т. д.

• 4.    Остальные алгоритмы, к которым относится глубокое обучение, теория игр, сложная сеть т. д.

Чаще всего используются эвристические алгоритмы или алгоритмы точной оптимизации распределения ресурсов в туманных вычислениях. В основе алгоритмов эвристического подхода заложены стандартные методы поиска, такие как жадный метод, метод грубой силы, первое, наихудшее или наилучшее соответствие для нахождения глобального оптимума. В работе [9] был предложен многокритериальный метод распределения ресурсов, который учитывал предыдущую историю задач для работы с приложениями, чувствительными к задержкам. Эвристический подход к кластеризации путей для нескольких рабочих процессов в облачно-туманной среде был описан в [10]. В статье [11] рассматривается алгоритм планирования задач на основе списка для Fog, с целью оптимизации этапа выбора процессора и сведения минимума времени выполнения. Эвристический алгоритм планирования, основой которого является достижения компромисса между временем приложения и затратами на использование ресурсов тумана и облака, был представлен в [12]. Так же в работе была использована стратегия перенаправления поступающих задач, с помощью которой можно уточнить выходные данные, полученные путем использования этого алгоритма. Данный подход позволил удовлетворить пожелания пользователя, относительно времени и качества обслуживания.

Метаэвристические алгоритмы позволяют получить лучшее решение, в сравнение с эвристическими, с точки зрения QoS и времени вычислений. Примерами алгоритмов данного подхода распределения ресурсов в Fog является генетический алгоритм (GA) [13], оптимизация роя частиц (PSO) [14], оптимизация серого волка [15]. Согласно исследованиям [16], разработано значительно мало метаэвристических алгоритмов, несмотря на их эффективность. Это обуславливает значительно меньшее количество работ, посвященных их использованию в Fog, в сравнение с эвристическими. Исследуя научные работы, по данной тематике, можно прийти к выводу, что методы GA и PSO являются самыми популярными из метаэвристических, с точки зрения распределения ресурсов в туманных вычислениях.

Методы искусственного интеллекта так же активно используются для прогнозирования схемы распределения ресурсов пользователям сети. Одним из таких методов решения задачи распределения ресурсов в туманных вычислениях стал метод обучения с подкреплением (RL). Это метод, основанный на искусственном интеллекте, который автоматически учится принимать решения в динамичной среде без предварительного знания пред метной области [3]. Использование RASP совместно с RL позволяет обеспечить наиболее эффективное обслуживание пользователей вычислительной сети, эффективно справляясь со сложностью стохастических запросов в режиме реального времени. Однако данный алгоритм требует большого количества времени и большой объем данных, для выполнения обучения данной модели.

Работа [17] описывает использование обучения с подкреплением для распределения ресурсов туманных вычислений в сетях Интерне-та-вещей. В данной работе упор был сделан на минимизацию затрат на такие ресурсы как энергопотребление и задержка при выполнении задачи. Состояние сети оценивается параметрами канала передачи, очередью и наличием свободных ресурсов. Моделирование проблемы принятия решения устройствами туманных вычислений осуществляется через марковский процесс. За решение данной проблемы отвечает метод обучения с подкреплением, основанный на оптимальном алгоритме жадного Q-обучения. Этот подход позволил получить компромисс между энергопотреблением и задержкой.

Так как ресурсы Fog неоднородны и ограничены, использование алгоритма обучения с подкреплением в туманных вычислениях в долгосрочной перспективе очень сложная задача.

В работе [18] был представлен и описан метод динамического распределения ресурсов сети в рамках алгоритма распределенных границ (DeraDE). Этот метод позволяет, при распределении ресурсов, учитывать время, необходимое для передачи информации, выделения пограничного сервера, выполнения задачи, возвращения результата работы. Существуют еще похожие алгоритмы, которые также эффективны для распределения ресурсов – алгоритм локальности частоты (LF), алгоритм набора давности с низким уровнем интерференции (LIRS) и алгоритм долговременной / кратковременной памяти (LSTM). В работе [19] предложен интегрированный алгоритм, направленные на моделирование прогнозирования задач и поддержку QoS, осуществляющий распределение ресурсов в форме ориентированного на назначение ациклического графа (DODAG) с учетом динамического резервирования узлов Fog. Главным отличием дан- ного алгоритма является предварительное резервирование ресурсов на основе предполагаемого времени выполнения задачи.

Подход к распределению ресурсов Fog на основе аукциона, учитывая алгоритмы торгов на основе цены, единообразия и справедливости был рассмотрен и изучен в работе [20]. Работа [21] описывает разработку модели распределения ресурсов, улучшающую качество опыта (QoE) посредством применения теории игр. В [22] предложены механизм двойного аукциона с несколькими атрибутами и стратегия ценообразования и ставок, основанная на задержке. Механизм виртуальных торгов предназначен для распределения ресурсов, которые поступают в Fog между раундами торгов. Результатом данного механизма стало увеличение использования ресурсов и прибыли.

Эксперимент применения модели архитектуры распределенного реестра в сетях с облачными и туманными вычислениями был изложен в работе [23]. Использование распределенного реестра было направлено на решение задачи распределения вычислительных и информационных ресурсов. В рамках работы была рассмотрена фрактальная модель трафика и использовался генетический алгоритм. Результаты работы подтвердили возможность использования многоуровневой топологии структуры при определение наиболее эффективной архитектуры распределенного реестра с применением технологий облачных и туманных вычислений. В рамках продолженной работы был описан метод обмена системы распределенного реестра в туманных, граничных и облачных вычислениях [24].

Сети туманных вычислений, построенных на основе радиодоступа (Fog-RAN), представляют собой новую архитектуру для гибкого распределения сетевых ресурсов. Однако, и в данной концепции возникают трудности при соблюдении требований к обслуживанию при максимальном использовании ресурсов. Решение данной задачи было предложено в [25]. Был разработан двухэтапный подход для распределения разнородных ресурсов в сетях 5G. Сначала происходит выделение ресурсов на срезах узла Fog за определенный промежуток времени и затем выделяются, специфичные для среза, ресурсы пользователям. Этот метод позволил значительно повысить прибыль.

Еще одним инструментом для решения задачи распределения ресурсов в туманных вычисления стала технология блокчейна [26]. Концепция данного подхода основана на смарт-контракте, который обеспечивает динамическую и автоматическую генерацию и доставку учетных данных для независимого предложения ресурсов Fog. Механизм согласования для каждой транзакции позволяет динамически публиковать предложение и облегчает выбор предпочтительного ресурса конечным пользователем. Децентрализованная аутентификация и авторизация снижают нагрузку на обработку данных, вызванную массовым доступом и одноточечным сбоем.

Работа [27] по RA была посвящена использованию онтологии для распределения вычислительной нагрузки сети Fog. Суть работы заключается в решение задачи поиска оптимального вычислительного устройства туманной среды в рамках небольшого пространства возможных кандидатов, путем их отсечения. Для этого в работе был использован онтологический подход, задача которого состоит в классификации пере-размещенного подграфа относительно имеющихся ресурсов. Выбор подходящего кандидата из числа узлов Fog осуществляется по правилам, описанным в работе, на основе которых выбранному кандидату назначается подграф задач.

Алгоритмы и методы RA относительно метрик QoS

Одним из важных факторов, учитывающихся при решении задачи распределении ресурсов в Fog, является стоимость предоставляемых услуг и получаемая прибыль. Алгоритмы, обеспечивающие эффективное использование ресурсов сети, но при этом значительно затратные и влияющие на снижение прибыли не будут эффективны для поставщиков. Следовательно, прибыль, как показатель QoS, является важным аспектом при разработке эффективного алгоритма распределения ресурсов.

Разработки алгоритмов RASP, ориентированные на прибыль, представлены в ряде научных работ. Разработанная и оптимизированная модель распределения ресурсов, описанная в работе [28], обеспечивает уменьшение времени отклика и экономию затрат. В [29] предложен эмпирический метод, позволяющий повысить эффективность Fog и минимизировать затраты. Этот подход основан на использовании архитектуры для предоставления ресурсов в среде туманных вычислений с использованием техники виртуализации. Метод применения ценовых временных петлей Петри для решения задачи нахождения компромисса между временем выполнения поступающего запроса и стоимостью ее выполнения представлен в работе [30].

Другими важными характеристиками эффективности работы сети на основе туманных вычислений, являются экономия энергии, задержка, пропускная способность, время отклика, объем памяти.

Методы, рассмотренные в работах [31] и [21] ориентированы на повышение качества восприятия конечных пользователей предоставляемой услуги. Используя концепцию двух игровых моделей – игры с голосованием и игры с торгом, в работе [31] была предложен новый алгоритм для социального Интернета-вещей улучшающая качество восприятия мобильных пользователей. Разработанная в [21] игра с разгрузкой вычислений позволяет смоделировать конкуренцию между пользователями и обеспечить эффективное распределение ограниченной вычислительной мощности туманных узлов. В рамках данного подхода пользователь пытается максимально использовать качество своего опыта, которое отражает его удовлетворение от полученных услуг, относительно сокращения вычислительной энергии и задержки.

Технология использования облачной архитектуры с поддержкой туманных вычислений на основе алгоритма роя частиц была представлена в работе [32] и позволила минимизировать полосу пропускания и время отклика. Используя значение пригодности, учитывающей сумму значений полосы пропускания, задержки, отклика и требуемой энергии, алгоритм смог определить наиболее подходящий ресурс для решения поступающей задачи. Решение задачи распределения ресурсов с учетом пропускной способности сети было предложено в работе [33] на основе алгоритма поиска с возвратом. Главная задача данного алгоритма заключается в сокращении времени поиска узла Fog, путем проверки совместимости относительно требований декодера HW-SW, канала связи и пропускной способности.

В работе [2] описано применение виртуальных контейнеров для решения задачи распределения ресурсов туманных вычислений. Их использование позволяет сократить объем потребляемой памяти и минимизировать задержку, возникающую во время загрузки виртуальной машины. Алгоритм работает на основе механизма перераспределения для уменьшения задержек задач в соответствии с характеристиками контейнеров. Еще одним решением задачи RA относительно минимальной задержки и времени отклика стал алгоритм регрессии гауссовского процесса, описанный в [34]. Механизм использует регрессию для прогнозирования будущих потребностей, чтобы избежать блокировки запросов, особенно чувствительных к задержке. Планирование ресурсов в Fog, представленное в [35], основано на двухуровневой модели. Первый уровень отве- чает за планирование ресурсов между кластерами туманных вычислений, второй – за планирование ресурсов между узлами одного кластера. Проблему планирования решают путем использования усовершенствованного генетического алгоритма номинируемой сортировки II (NSGA-II). Результаты моделирования этого алгоритма позволили стабилизировать процесс выполнения задач и сократить задержку обслуживания в туманных вычислениях.

Балансировка нагрузки это один из популярных методов распределения ресурсов в сети, который так же применяется в концепции туманных вычислений для соответствия требованиям QoS. Работа [36] предлагает использование алгоритма обратного глубокого обучения на основе регрессии для выполнения балансировки нагрузки сети в туманных и облачных вычислениях. Данный подход затрагивает такие важный критерий QoS, как энергосбережение и нагрузка сети. Метод позволяет эффективно снизить потребление энергии и помогает в распределении нагрузок.

Вопросам балансировки нагрузки в сетях на основе туманных вычислений и Интернета-вещей посвящена работа [37]. В качестве решения задачи перегрузки сети использован метод роя частиц. В результате проведенных исследований был сделан вывод о том, что при незначительной нагрузке сети нет необходимости использования данного метода. Особое внимание в работе уделяется времени ожидания в очереди, что бы не возникло перегрузок, так как работа метода роя частиц занимает достаточное время. Поэтому был предложен гибридный метод на основе роя частиц и случайного назначения виртуальных машин.

Другие научные работы, основанные на методе балансировки нагрузки в Fog, были рассмотрены в кратком обзоре [38].

Описанный в работе [39] подход на основе политики размещения заключается в назначение приоритетов задач на размещение приложений, в зависимости от качества опыта. Чтобы опустить процесс разделения и размещения ресурсов рассчитывается рейтинг ожиданий и оценка класса емкости, поэтому данный подход относится к моделям нечеткой логики. Результаты, полученные экспериментальным путем и моделированием среды в iFogSim, подтверждают, что предложенная политика значительно улучшает время обработки данных, снижает нагрузку на сеть, доступность ресурсов и качество обслуживания.

Научная статья [40] освящает еще одну очень актуальную тему туманных вычислений, связанную с ресурсосбережением. В ходе работы было предложено использование двух методов, пер- вый – метод жадной стратегии, предназначенный для определения необходимости использования вычислительной нагрузки в узле Fog, второй метод отвечает за выбор подходящего узла для назначения поступившей задачи. На основе двух эти методов был предложен метод распределенных вычислений, который позволяет учитывать критерий ресурсосбережения. Результаты эксперимента, изложенного в работе, подтвердили эффективность его работы.

Актуальным решением многих задач для устранения проблем развертывания туманных вычислений, а в частности нехватки ресурсов, и соответствия требованиям QoS стало активное использование устройств сотовой связи. В [41] было предложено использование игры распределения студенческих проектов (SPA) для RA с радиоспектром и узлами Fog. Для устранения нестабильности, которая возникает в результате воздействия внешних эффектов, использовалась стратегия сотрудничества, ориентированная на пользователя (UOC).

В [42] был рассмотрен алгоритм в рамках многоуровневой сети Fog для экономии электропотребления мобильных устройств, учитывая задержку выполнения задач с помощью алгоритма IBBA-LFC, основанного на ветвлении и границах.

Распределение ресурсов в Fog для Интернета-вещей

Особую потребность в использовании туманных вычисления испытывают приложения и системы Интернета-вещей (Internet of Things, IoT), которые наиболее чувствительны к задержкам. Главным ограничивающих фактором облачных вычисления в концепции IoT является низкая задержка. Передача данных с модулей Интерне-та-вещей на облачные сервисы зачастую приводит к снижению производительности обработки полученной информации, что означает потерю ее актуальности. Этот важный фактор QoS привел к значительному росту процесса интеграции туманных вычислений в системы IoT. Применение Fog в концепции Интернета-вещей позволяет приблизить такие задачи как вычисления, хранение и связь к модулям IoT, тем самым удовлетворяя требованиям QoS, уменьшая задержку на передачу и обработку данных.

Алгоритм распределения First Fit был изложен в работе [43] для распространения применения модулей систем Интернета-вещей в среде туманных вычислений. Суть алгоритма заключается в рассмотрение и назначения приоритета каждому модулю в отдельности, относительно таких его характеристик конфигурации как центральный процессор, оперативная память, пропускная способность. В дальнейшем алгоритм выстраивает очередь в зависимости от приоритета модуля. Те модули, что были наиболее ближе расположены к источнику запроса (датчику IoT) будут в приоритете, так как это позволит сократить трафик.

Задержка всегда является главным фактором в сетях Интернета-вещей. В [44] решение проблемы задержки в Fog для Интернета-вещей было рассмотрено на этапе распределения ресурсов в виде целочисленной нелинейной задачи, где учитываются как радио-ресурс, так и вычислительный ресурс. Из-за динамического характера IoT был разработан алгоритм обучения с подкреплением в режиме онлайн. Производительности алгоритма была доказана экспериментальным путем.

Удовлетворить требования к управлению ресурсами Fog в IoT удалось в работе [45]. Были предложены метод децентрализованного управления ресурсами и соответствующая для него структура, основанная на сервисах на границе. Данный подход позволил обеспечить бесперебойное развертывание приложений IoT, не использую информацию о ресурсах устройств и топологии сети.

Не менее значимыми являются работы в области туманных вычислений в промышленном Интернете вещей. Двухуровневая модель QoS [46], учитывающая такие показатели как время отклика, стоимость, доступность, надежность, и основанная на туманных вычислениях, позволяет развертывать крупномасштабные сети обслуживания промышленного IoT. Рабочий процесс в данном подходе выстраивается за счет решения независимых локальных задач оптимизации для параллельных запросов. Затем предлагается два практических эвристических алгоритма многомерного рюкзака (MMKP), а именно, инкрементное сопоставление по сходству (ISM) и жадное множественное сопоставление (GMM), для решения локальной проблемы назначения QoS с полиномиальной временной сложностью. Результаты моделирования подтвердили эффективность данного подхода.

Еще одна работа, связанная с управлением ресурсами, в рамках концепции Интернета вещей с применение парадигмы туманных вычислений предлагается в [47]. В данной статье представлен обзор различных решений по распределению заявок, поступающих в узлы Fog, игровых моделей для консолидации ресурсов. Результат данного анализа подтверждает необходимость учета особенностей устройств ту- манных вычислений и особенностей конечных пользователей сети (время ожидания и надежность), для разработки эффективны алгоритмов и моделей управления ресурсами, в том числе их распределением. Так же в ходе анализа было определено, что большая часть работ по тематике распределения ресурсов в туманных вычислениях посвящена энергосбережению.

Заключение

В рамках данной работы было проанализировано 47 научно-практических и научно-исследовательских работ по тематике распределения ресурсов в туманных вычислениях, с точки зрения определения цели работы, использования определенного алгоритма или метода, эффективности показателей производительности выбранного подхода, инструментов эксперимента. Объем и разнообразие научных работ, а также их результаты, подтверждают актуальность и значимость данной тематики. Обзор публикаций, относящихся к этой области исследований, показывает, что авторы учитывают при разработке подходов в первую очередь разнотипность, мобильность, ограниченную энергоемкость. По результатам анализа работ можно утверждать, что эффективное и динамическое распределение ресурсов – это достаточно важный и сложный аспект туманных вычислений имеющий, несмотря на многообразие существующих методов и алгоритмов, ряд не решенных проблем. Опираясь на рассмотренные работ, можно сделать вывод, что при разработке подхода к распределению вычислительных ресурсов Fog необходимо обязательно учитывать критерии неоднородность, управление QoS, масштабируемость, избыточность или недостаточность ресурсов, мобильность.