26314

مدلي براي بهينه سازي توان-كارايي در محيط ابر-مه از طريق تخليه بار وظايف برنامه هاي اينترنت اشياء

كارشناسي ارشد

مهندسي كامپيوتر- نرم‌افزار

1397

1400/11/24

محمد عبداللهي اَزگُمي

مهندسي كامپيوتر

تخليه‌بار وظايف راه‌حلي براي جبران محدوديت‌هاي منابع در اينترنت اشياء است. تصميم‌گيري در مورد مكان تخليه‌بار بسيار مهم است. در اين كار، معماري سه لايه‌ (اينترنت اشياء-مه-ابر) براي اينترنت اشياء ارائه شده و از مزاياي ابر و مه كه مانند مكمل يكديگر عمل مي‌كنند، جهت تخليه‌بار استفاده شده است. مه نسبت به ابر مكان مناسب‌تري جهت تخليه‌بار از لحاظ معيارهاي مصرف انرژي و زمان پاسخ است و هدف اين كار بهينه‌سازي اين معيارها در مه است. براي اين منظور لايه مه توسط نظريه صف مدل شده و بر اساس قابليت دسترسي از پيش تعيين شده براي مه، حداقل تعداد سرورهاي مورد نياز اين لايه توسط الگوريتم جستجوي دودويي تعيين مي‌شود. با استفاده از الگوريتم تكرار سياست يادگيري تقويتي، سرورهايي انتخاب مي‌شوند كه علاوه بر تأمين نيازمندي‌هاي سيستم، كمترين هزينه ممكن را داشته باشند. جهت ارزيابي مدل پيشنهادي سناريوهاي مختلفي براي محاسبه هزينه مه مورد بررسي قرار گرفت. نتايج حاصل از حل تحليلي مدل ايجاد شده نشان مي‌دهدكه افزايش عواملي مانند نرخ ورود وظايف، نرخ تأخير راه‌اندازي سرورها و اندازه بافر سبب افزايش هزينه مه، و افزايش عواملي مانند تعداد سرورهاي موجود در مه، نرخ سرويس‌دهي و قابليت دسترسي سبب كاهش هزينه مه مي‌شوند؛ و هرچه احتمال رد شدن وظايف در لايه مه افزايش يابد هزينه تخليه‌بار بيشتر، و به هزينه ابر متمايل مي‌شود. سياست پيشنهاد شده جهت اعزام وظايف به سرورهاي ناهمگون عملكرد بهتري نسبت به سياست‌هاي اعزام نظير اولين سريع‌ترين سرور، اولين كندترين سرور و يا انتخاب تصادفي سرور دارد و توانسته است تا 31٪ سبب كاهش هزينه شود. نتايج شبيه‌سازي نشان مي‌دهند روش پيشنهادي جهت تخليه‌بار عملكرد بسيار بهتري نسبت به حالتي دارد كه تمام سرورهاي مه روشن هستند. مشابه بودن نتايج شبيه‌سازي با نتايج حل تحليلي نشان دهنده اعتبار مدل و نتايج به دست آمده هستند. روش پيشنهادي براي سيستم‌هاي مهي مناسب است كه نيازهاي كاربران اينترنت اشياء جهت تخليه‌بار متغير باشد.

1401/01/21

A Model for Power-Performance Optimization in Fog-Cloud Environment by Task Off-Loading of IoT Applications

2/13/2023 12:00:00 AM

Task Off-Loading is a solution to compensate for resource constraints on the Internet of Things. Deciding on The place of offloading is very important. In this dissertation, a three-tier (Internet of Things-Fog-Cloud) architecture for the Internet of Things is presented and the benefits of Cloud and Fog layers, which act as complements, are used to offload. Fog is a more suitable place for offloading than Clouds in terms of energy consumption and response time, and the purpose of this work is to optimize these criteria in Fog. For this purpose, the Fog layer is modeled by queue theory and based on the predefined availability for the Fog, the minimum number of servers required for this layer is determined by a binary search algorithm. Using the iteration policy algorithm of reinforcement learning, servers selected that have the lowest possible cost in addition to meeting the system requirements. To evaluate the proposed model, a large number of different scenarios were considered to calculate the cost of Fog. The results of the analytical solution of the proposed model show that increasing factors such as task arrival rate, server setup delay rate and buffer size increase the cost of Fog, and increasing factors such as the number of servers in the Fog, service rate and availability reduce the cost of Fog; and the higher the rejection probability of tasks in the Fog layer, the greater the cost of offloading which is closer to the cost of the Cloud. The proposed policy for sending tasks to heterogeneous servers performs better than Slovest Server Firsr, Fastest Server First and Randomly Chosen Server dispatch policies and has been able to reduce costs by 31%. The simulation results show that the proposed method for Task Off-Loading performs much better than when all Fog servers are on. The similarity of the simulation results with the results of the analytical solution indicates the validity of the model and the results obtained. The proposed method is suitable for Fog systems where the needs of IoT users for offloading are variable.

Rozhin Naseri

Dr. Mohammad Abdollahi