21750

21750

ارائه‌ي روشي براي مديريت منابع در رايانش مه

كارشناسي ارشد

نرم افزار

95 - 98

1398/8/14

دكتر زينب موحدي

كامپيوتر

گسترش استفاده از ابزارهاي هوشمند، منجر به توليد داده‌هاي حجيم مي‌شود. به منظور استخراج دانش مورد نياز از اين داده¬ها، نيازمند به انجام پردازشهاي مختلف هستيم؛ اما استفاده از ابزارهاي سخت‌افزاري و نرم-افزاري معمول، براي اجراي اين حجم از پردازشها مناسب نيست. رايانش ابر، منابع قابل اعتماد زيادي را از راه دور و با هزينه‌‌ي كم، در اختيار كاربران قرار مي‌دهد. از اين رو، منابع ابر مي‌تواند، انتخاب مناسبي در اينترنت اشياء، جهت ذخيره و پردازش داده‌هاي حجيم باشد. اما به دليل اينكه، برنامه‌هاي كاربردي اينترنت اشياء، حساس به تأخير بوده و نيازمند به پشتيباني از تحرك و آگاهي از موقعيت مكاني نيز هستند، رايانش ابر قادر به پاسخ‌گويي به اين نيازها نيست. براي غلبه بر اين چالش‌ها، معماري تكامل يافته‌اي به نام رايانش مه كه در آن منابع به لبه‌ي شبكه منتقل مي‌شود، مطرح گرديده است. يكي از چالش‌هاي مطرح شده در رايانش مه، مسئله‌ي تخصيص وظايف به گره‌ها با كاهش تأخير كاربران است. به منظور كاهش تأخير و افزايش رضايت كاربران، در اين پژوهش قصد داريم با توجه به محدود بودن ظرفيت گره‌ها در مه، در صورت تكميل شدن ظرفيت يك گره‌‌، از منابع محاسباتي ساير گره‌ها جهت اجراي وظايف باقي‌مانده، استفاده نماييم و در صورت تكميل بودن ظرفيت همه‌ي گره‌هاي مه، وظيفه را با قبول تأخير بيشتر به ابر منتقل كنيم. با توجه به اينكه، مسئله‌ي انتخاب گره و ميزان منابع مناسب براي هر يك از وظايف باقي‌مانده‌ي موجود، داراي پيچيدگي بالايي است؛ تاكنون روش‌هاي اكتشافي و فرااكتشافي مختلفي براي حل اين مسئله به كار برده شده‌اند. اما اين روش‌ها بدون توجه به نيازمندي‌هاي مجموعه‌ي وظايف، در هر مرحله، تنها به منابع مورد نياز يك وظيفه توجه دارند، در نتيجه‌ قادر به تخصيص منابع به صورت بهينه نخواهد بود. همچنين، در اكثر موارد، به وظايف به اندازه‌ي مورد نيازشان، منبع تخصيص داده مي‌شود. در حالي كه، مي‌توان در صورت تخصيص بهينه، منابع بيشتري در اختيار وظايف قرار دهيم. براي حل اين چالش، در روش پيشنهادي با استفاده از درخت جستجوي مونت كارلو سعي در يافتن پاسخي داريم، كه علاوه بر پذيرش حداكثر تعداد وظيفه، در صورت امكان به هر يك، بيش از نيازشان منبع تخصيص دهيم، تا از اين طريق بتوانيم سرعت پردازش را افزايش و در نتيجه تأخير را كاهش دهيم. با توجه به نتايج به‌‌دست آمده از شبيه‌‌سازي، مشاهده مي‌‌شود كه روش پيشنهادي در شرايط مختلف، به 50% تا 80% از درخواست‌‌ها در لايه‌‌ي مه منبع اختصاص مي‌‌دهد، كه در مقايسه با روش مطرح شده توسط Y. Gu، پذيرش درخواست در لايه مه 2 تا 5 برابر افزايش يافته است. علاوه بر اين، %80 از اين درخواست‌‌ها 2 برابر منبع درخواستي‌‌شان، منبع دريافت مي‌‌كنند.

1398/11/16

Proposing a Method for Resource Management in Fog Computing

3/20/2022 12:00:00 AM

Increasing the use of smart devices leads to the era of big data. To extract the required knowledge from this data, we need to perform various processes; but using the usual hardware and software tools is not suitable for this volume of processing. Cloud computing provides many reliable, remote and low-cost resources for users. Hence, cloud resources can be the right choice for Internet of Things objects for storing and processing big data. But, since IoT applications are sensitive to delays and require mobility and location-aware support, cloud computing cannot satisfy these needs. To overcome these challenges, a developed architecture, called fog computing, has been introduced, where resources are transferred to the edge of the network. One of the difficulties raised in fog computing is the issue of allocating tasks to nodes with reduced user latency. In this study, to reduce latency and increase user satisfaction, since the capacity of nodes is limited, we intend to use computational resources of other nodes to complete the remaining tasks and if the capacity of all nodes is completed, fog nodes transfer the task to the cloud by accepting more delay. Considering the problem of selecting the appropriate node and the number of resources available for each of the remaining tasks is high complexity, different heuristics and metaheuristics have been used to solve this problem. But these methods only focus on the resources needed for a task at each stage, regardless of the requirements of the task set, and thus will not be able to allocate resources optimally. Also, in most cases, tasks are allocated as much as they require. However, we can allocate more resources if optimally allocated. To solve this challenge, we try to find a solution using the Monte Carlo Tree Search, which, in addition to accepting the maximum number of tasks, allocates as many resources as possible to each of them, so that we can speed up the processing increase and therefore reduce latency. According to the results of the simulation, we find that in different conditions, the proposed method allocates resources 50% to 80% of the requests in the fog layer which is 2 to 5 times higher than the other method in accepting the request in the fog layer. Also, 80% of these requests receive twice as much as their requested source. Since the execution of these tasks in the fog layer and with more resources is less delayed than in the cloud layer, we have also been able to reduce the total delay.