28241

ارائه‌ يك الگوريتم كارا براي واسپاري وظايف در كاربردهاي محاسبات ابري

كارشناسي ارشد

مهندسي كامپيوتر - معماري سيستم‌هاي كامپيوتري

1399

1401/11/30

دكتر امير‌مهدي حسيني‌منزه

كامپيوتر

در سال‌هاي اخير كاربردهاي اينترنت اشياء رشد چشمگيري در حوزه‌هاي مختلف داشته است. به دليل توان پردازشي اندك و انرژي محدود گره‌هاي اينترنت اشياء، بسياري از محاسبات اصلي در اين كاربردها در سرورهاي ابري انجام مي‌شود. باتوجه‌به فاصله زياد گره‌هاي اينترنت اشياء تا سرورهاي ابري و وجود محاسبات حساس به تأخير در بسياري از كاربردها، لايه‌اي محاسباتي مابين لايه‌ ابر و لايه‌ گره‌هاي اينترنت اشياء با نام لايه‌ مه معرفي شده است. در اين راستا، محاسبات مه به يك راهكار براي اجراي برنامه‌هاي كاربردي با نيازهاي تأخير كم تبديل شده است. باتوجه‌به نزديك بودن مه به گره‌هاي اينترنت اشياء، با بهره‌گيري از شبكه مه مي‌توان به كاهش قابل‌توجه تأخير نسبت به پردازش ابري دست‌يافت. ازآنجايي‌كه دستگاه‌ها در محاسبات مه معمولاً داراي محدوديت منابع هستند و بسيار توزيع شده‌اند، چگونگي استفاده مؤثر از منابع محاسباتي مه براي اجراي وظايف حساس به تأخير، يك چالش اساسي است. اگر مقصد واسپاري به‌اشتباه انتخاب شود و گره مقصد توانايي انجام ‌وظيفه محوله را نداشته باشد، بايد وظيفه به مه ديگر يا به ابر منتقل شود كه اين كار سربار زماني و انرژي بسيار زيادي خواهد داشت. در اين پژوهش براي حل اين چالش راهكاري با نام FACT براي تعيين دقيق مقصد واسپاري ارائه شده است. ما در اين پژوهش مي‌كوشيم در روش FACT الگوريتمي سبك‌وزن ارائه دهيم كه دستگاه‌هاي اينترنت اشياء بتوانند خود مقصد انجام وظايفي كه نياز به واسپاري دارند را تعيين كنند. براي دستيابي به نتايج مطلوب از نظر زمان اجراي وظايف در منابع محاسباتي ابري و منابع محاسباتي مه، شرايط و نوع وظايف هر مه با بهره‌گيري از الگوريتم‌هاي يادگيري تقويتي تحليل شده و بر اساس نوع وظايف، مقادير مربوط به پارامترهاي مؤثر در عمليات واسپاري آنها تعيين مي‌شود و اين مقادير در اختيار الگوريتم‌هاي سبك‌وزن در دستگاه‌هاي اينترنت اشياء قرار مي‌گيرند كه مقصد واسپاري خود را به‌صورت دقيق تعيين كنند. در پايان، نتايج حاصل از شبيه‌سازي سناريو‌هاي مختلف در ابزار CloudSim نشان مي‌دهد كه روش FACT در مقايسه با ساير روش‌هاي نوين واسپاري وظايف از ديدگاه نرخ انجام وظايف موفق به بهبود تا 19.04 درصد شده است؛ همچنين از ديدگاه ديركرد وظايف نيز روش FACT موفق شده است تا اين شاخص را به ميزان قابل توجهي كاهش دهد.

1402/02/19

Providing an Efficient Task Offloading Algorithm in Fog Computing Applications

1/1/1900 12:00:00 AM

Recently, applications of IoT have greatly grown in various fields. In fact, due to low processing capability and limited energy of IoT nodes, many of main calculations in the applications are performed on cloud servers. According to the large distance between IoT nodes and cloud servers and the existence of delay-sensitive calculations in many applications, the computing layer between the cloud and the IoT node layer has been introduced as a fog layer. So, fog computing has become a solution to develop applications with low latency requirements. So, considering the proximity of the fog to the nodes of IoT, it is possible to achieve a significant reduction in the delay, compared to cloud computing, by using the fog network. As devices in fog computing are usually resource-constrained and highly distributed, how to effectively use fog computing resources to support delay-sensitive tasks is a fundamental challenge. If the offloading destination is chosen incorrectly and the destination node is not capable of performing the assigned task, it must be transferred to another fog or to the cloud, which takes lots of time and energy. In this research, a solution called FACT has been presented to determine the exact destination of the task offloading.This method provides a lightweight algorithm in order for IoT devices to determine the destination of tasks that need offloading. To achieve the desired results, in terms of task makespan in cloud and fog computing resources, the condition and type of the tasks of each fog are analyzed by using reinforcement learning algorithms. Based on the type of tasks, the values related to effective parameters in the task offloading are determined. Then, these values are provided to lightweight algorithms in IoT devices to determine their tasks' offloading destination more precisely. Finally, the results of the simulation of different scenarios in CloudSim tool show FACT method has improved the task hit ratio by 19.04% compared to other modern methods of task offloading. It has also reduced the lateness of tasks significantly.

اينترنت اشياء , پردازش ابري , پردازش مه , واسپاري وظيفه , نرخ انجام وظايف , كاهش تأخير , مصرف انرژي

IoT , Fog Computing , Cloud Computing , Task Offloading , Hit rate , Lateness , Energy

ali javadi

Amir Mahdi Hosseini Monazzah