22454

ارائه روش تخصيص منابع در رايانش مه مبتني بر كنتورهاي نسل آينده شبكه هوشمند برق

كارشناسي ارشد

شبكه‌هاي كامپيوتري

1399/1/31

دكتر زينب موحدي - دكتر رضا برنگي

دكتر محمدصادق قاضي زاده

كامپيوتر

امروزه با توجه به اهميت روزافزون بهينه¬سازي مصرف انرژي در سراسر جهان، از كنتور¬هاي هوشمند و سيستم‌هاي اندازه¬گيري هوشمند انرژي بدليل مزاياي فوق¬العاده¬اي كه در اين زمينه بوجود آورده¬است استفاده مي¬گردد. از طرف ديگر با گسترش شهرهاي هوشمند و افزايش استفاده از گره¬هاي حسگر بي¬سيم ، به¬منظور كم كردن تاخير پاسخ¬گويي به درخواست¬هاي پردازشي حساس به تاخير، لزوم استفاده از تكنولوژي مه يا لبه و وجود پردازش¬گر محلي بجاي استفاده از تكنولوژي ابر احساس مي¬شود. لذا با فرض افزايش ميزان حافظه و پردازشگر كنتورهاي هوشمند در نسل بعدي اين كنتورها، مي¬توان از آنها علاوه بر وظيفه¬ي خود، به عنوان يك پردازش¬گر براي انجام وظايف پردازشي توزيع شده استفاده نمود. يعني به بياني جمع¬كننده داده و پردازش¬گر بيروني را به حسگرها و ديگر دستگاه¬هايي كه درخواست اين خدمات را دارند، نزديك نماييم. در اين پژوهش، بنابراين داريم تا با معرفي معماري و طراحي سازوكار جديدي جهت اختصاص منابع در لايه مه، از كنتورهاي هوشمند به¬عنوان گره¬هاي پردازشي توزيع شده استفاده نماييم. البته تاكنون معماري¬ها و روش‌هاي اكتشافي و فرااكتشافي مختلفي براي حل مسائل تخصيص منابع درلايه مه به كار برده شده‌است ولي به¬واسطه تفاوت¬هايي در ميزان، زمان، مقياس و سياست استفاده لازم است سازوكار تخصيص منابع جديدي با تغييراتي مختص ويژگي¬هاي كنتور¬هاي هوشمند معرفي گردد. تفاوت¬هايي از قبيل وجود وظايفي در كنتور¬هاي هوشمند كه بر پردازش توزيع¬شده ارجحيت دارند و اين كنتور¬ها بايد در زمان بيكاري و يا از باقي¬مانده منابع خود، وظيفه گره پردازشي را بر عهده بگيرند و يا ممكن است يك كنتور بيكار باشد و وظيفه پردازش توزيع شده¬اي را تعهد نمايد ولي در هنگام پردازش توزيع شده، زمان انجام وظيفه محلي خودش از راه برسد و كنتور مجبور به واگذاري وظيفه محوله به گره مه ديگري شود. همچنين در اين پژوهش قصد داريم موضوع تخصيص منابع در رايانش مه را با درنظرگرفتن همزمان سود كاربر (صاحب وظيفه پردازشي محوله) و سود سرويس دهنده (گره پردازشي مه) در نظر بگيريم. براي حل اين مساله، در روش پيشنهادي، با استفاده از درخت جستجوي مونت كارلو سعي در يافتن بهترين پاسخ داريم.

1399/07/19

Proposing a Fog resource allocation approach, based on next generation Smart Meters

4/20/2022 12:00:00 AM

Nowadays, due to the importance of optimizing energy consumption in the modern world, using smart meter devices and Advanced Metering Infrastructure (AMI) have become popular. Additionally, with the continual expansion of smart cities and increasing use of wireless sensor networks, in order to reduce the respond delay to delay sensitive processing requests, using Fog and Edge technologies and existence of processing units which are close to the users instead of Cloud technology is felt necessary. Therefore, assuming that the memory storage has been increased and the current CPUs has been upgraded in the next generation of smart meters, they will be able to be used as a processing unit for performing distributed processing tasks which are requested by sensors or other devices such as IoT devices, mobile phones, weather sensors, traffic control devices, trackers, water or gas meters, and, etc. . Put differently, the data collector and the external processing units will come close to sensors and other devices which delivers the request for mentioned services. In this paper we are going to propose a new architecture and mechanism for resource allocation in Fog systems to use smart meters as distributed processing nodes. There are different resource allocation solutions in Fog systems like heuristic and meta-heuristic methods but because of smart meters’ differences, a new approach is needed. These differences include some responsibilities like undertaking a processing task while doing nothing (or are idle). Or while they are processing the distributed tasks, their main task schedule can arrive so they should make an interrupt and give over the distributed task to another idle node. In addition, we are going to address the resource allocation problem in Fog systems considering the clients and providers (Fog services providers) benefits. To do so, we propose a method using the Monte Carlo Tree Search (MCTS) to find the best solution.