文摘

云计算,物联网(物联网)活动是卸载到雾计算来提高服务质量(qos)所需的许多应用程序。然而,连续雾计算服务器上计算资源的可用性是物联网应用的限制之一因为传输大量的数据生成使用物联网设备会造成网络流量,导致计算开销的增加。因此,任务调度是有效地需要解决的主要问题。本研究提出了一种使用一个增强节能意识模型算法优化算法(AOA)方法称为AOAM,这雾地址计算的作业调度问题最大化最大化用户的qos的极小化措施。AOAM提议,我们提高了传统农产品协定的功能使用海洋食肉动物算法(MPA)搜索运营商地址使用解决方案的多样性和局部最优问题。验证了提出AOAM使用几个参数,包括各种客户数据中心主机,虚拟机,任务,和标准评价措施,包括能源和时间。结果比较与其他先进的方法;它表明AOAM承诺,有效地解决了任务调度与其他比较的方法。

1。介绍

物联网(物联网)最近成为一个有吸引力的话题在网络应用程序中,它可以处理各种网络设备(1,2]。在物联网中,流行的智能工具,如移动设备、智能手机、垫,笔记本电脑,智能汽车,和传感器节点,增加了使用不同的物品,如传感器、现代智能电器、照相机、防御方法,智能手表,机器人,和传输(3]。物联网的主要目的是提供不同的应用程序和服务,例如,制造、交通、医疗、转移工具、能源管理、卫生保健和工业化。这些物联网利用率主要产生大量的数据需要处理,收集、存储和分析获得宝贵的报告来完成用户的要求和利益4,5]。数量庞大的物联网应用程序的特点是增殖并要求较高的处理能力和经验,甚至是标准的聪明的设备不能当前坐标(6,7]。

云环境中被认为是一个强大的平台,加强和支持物联网的人口。云计算(CC)是按需网络机器资源的可用性,尤其是存储和计算能力,由最终用户没有直接的有效控制。CC通常用来定义数据中心可能各种用户在互联网上(8]。几个限制现代智能的东西,比如存储容量,电池持续、网络设备、家用电器、和治疗能力,可以确定通过寻找最优条件需求和执行具体工作,强劲计算生态系统,如雾和云计算,而另外给予简单任务智能事情成功。最近的分布式计算环境中,雾计算(FC),促进物联网生态系统(9]。是一个机器组成的异构计算范型,名叫雾节点,鼓励应用程序,保持有意义的数据,和分配连接能力。回顾雾计算是云计算一个更新版本分发情报设备基于可交换的用户(10,11]。调度方法是用来生产高和成本效益在雾连接。雾计算提供了系统的响应时间和更少的交通困难(12),但这将产生额外的困难任务调度和资源分配。这些困难需要解决。

雾中计算的三层网络组织呈现在图1。最上面一层是云计算中心地区,通常由云计算收集、仓储、和准备大量的任务。中间fog-adding部分通常与特定的计算被雾覆盖节点能量和支持的可移植性。底部层是物联网设计地区的用户,通常涉及到智能手机、笔记本电脑、汽车、传感器、PC机等。13]。

任务调度已经扩大分布在云计算框架。不过,很多事情影响工作效率,如负载变化和极端的使用资源(14]。这个过程创造了一个长延迟和重量的数据中心;因此,FC的出现具有重要意义[15]。FC任务调度是改变规范的普遍的根本问题和分配资源16]。有几个用户为物联网环境规范。同时,FC设备的服务质量略好于云计算平台的服务质量。

有效地在FC指定任务和指定他们按照用户的需求,以确保最佳的调度是一个大问题,需要处理。多任务调度问题的时间复杂度是np困难(1];文学也推荐众多智能优化技术(17,18]。李等人。19先进一个新的资源调度方法通过集成的模糊聚类算法和粒子群优化雾环境中提高用户满意度。在[20.],阮等人提出的优化方法处理物联网设备在FC系统解决调度问题的工作。cloud-fog网络执行许多任务,建议的方法的关键目标是达到一个最佳的平衡时间成本和工作安排。小说工作流调度策略专注于利用蚁群算法的一个增强的变体在多个处理器Boveiri等人提出的生态系统是在21]。一种新的先进的算法实现了通等人在22通过集成神经网络的力量和q学习方法,特别是q学习任务的分配。在云计算技术,提出工作流调度算法旨在解决物联网。

杨等人在23)引入了一个新任务分配方法集中在利用互联网的游戏技术最大化效率在CC对象活动的方法。提出一种多目标优化技术在13)解决FC生态系统的作业调度。在这个分析,确定几个主要变量:输出率和资源配置。在[24],Mtshali等人进行了一个工作流调度方案根据可视化的方法来创建一个有用的方法,可以评估最优能量损伤雾低延迟的计算环境。工作调度方法利用moth-flame优化器来确定一组工作FC Ghobaei-Arani等人提出的节点是在25]。这种策略旨在实现QoS满意度通过最小化的整体表现时间的任务。现代智能任务调度方法利用灰狼优化器地址CC Abualigah等人提出的挑战在16]。这种方法的目的是找到最优的时间和资源成本分布的仪器的问题。曾等人在26)提出了作业调度方法在FC生态系统安全设备的支持。建议的方法开发了一个优化的方法来安排任务和管理资源减少任务执行时间,便于用户操作。

阿卜杜拉·巴塞等人在27]介绍了一种多目标的任务调度策略解决多处理器系统使用正弦余弦优化调整。该方法优化了时间和精力。该方法分析了几种常见的多目标方法:获得优越的结果在大多数的测试用例。郭Xueying介绍CC的方法基于使用多目标优化的调度基于自卫机制(28]。有几个因素在本研究包括至少一次,负载平衡,成本函数。实证结果表明,该方法提高了原方法的性能,获得更好的调度结果与其他方法相比。

一般在雾中任务调度的结果计算领域还需要进一步调查来获得更好的结果从给定的研究。然而,最新的发展可以更好的关于能量损失和极小化措施。因此,我们发现一个潜在的方向进一步研究工作流调度在FC。在文献中,它同样清楚的是,最合适的方法,已经成功应用于这一领域的修改和改进的优化方法。作为新的先进的方法观察,使用改进的技术需要解决调度问题。需要找到一个新的方法来解决各种任务调度问题已变得非常重要,因为这一次在云计算物联网应用的要求越来越多。

在相同的情况下,算法优化算法(AOA)是一种进化metaheuristic Abualigah等人提出的技术(29日]。进化算法证明了自己的能力来解决各种实际工程问题(30.),它激励我们开展这项研究使用最近推出了进化优化方法(即。AOA)。AOA拥有领先的算术运算符的分配行为在数学科学,包括乘法(M)、部门(D),减法(S)和(A)。该算法最近成功地用来解决各种复杂的优化问题,如古典基准功能,先进CEC2005基准函数,和现实世界的工程设计问题。然而,AOA的性能仍然需要更多的改进,特别是在开发阶段。这让我们增强农产品协定的能力,并把它应用到实际问题。在这个研究中,一个物联网的智能应用程序工作流调度方法提出了基于使用FC AOA的生态系统,称为AOAM。建议的方法改进了传统的AOA使用MPA(有效和强大的运营商31日]。一般来说,MPA metaheuristic技术提出解决各种工程问题。灵感来自一般觅食方法,即征收海洋食肉动物的分布和布朗运动和最优蔑视率方法在生物捕食者和猎物之间的沟通。

AOA和MPA特工的优势与实现一个健壮的方法有效地解决任务调度问题。该方法旨在优化能源消费总量和时间值试验在本研究测试物联网设备的QoS规范。用不同大小的数据集和任务综合实验验证提出AOAM性能。实现结果表明,建议AOAM变得更加出色的结果在几乎所有分析场景。这是一个强大的和有前途的任务调度方法与其他知名比较方法相比之前报道。

本研究的主要改进如下:(我)一个智能混合工作流调度方法,提出了利用数学优化算法(AOA)物联网设备利用率在雾计算环境(2)我们分析了物联网设备的QoS要求的能源消费总量和极小化措施(3)我们评估的有效性发达AOAM系统的几种不同的标准评估标准通过提供全面的实验不同的任务利用场景

本研究呈现的结构如下:部分2介绍了问题制定和适应度函数用于处理任务调度问题。传统数学优化算法和MPA进行部分3。建议使用加强物联网的任务调度优化的AOA节中给出4。节5、实验结果和讨论。节6,我们得出的结论提出的成功和未来的工作。

2。模型和问题描述

这部分解释了系统设计和所涉及的各种元素之间的沟通的任务调度阶段建议系统。然后制定的任务调度问题。

2.1。系统模型

本研究假设雾代理建在雾层的主要成分是建议的框架。雾代理由三个主要部分组成:任务接收者,cloud-fog信息责任,任务调度器(TS)。任务接收得到所有任务要求从物联网的东西,获得用户。这个组件管理物联网任务的特点和服务需求,然后传送到任务调度器。cloud-fog信息服务的资源收集和监控状态报告。同样,它对计算节点的状态与TS更好的准备适当的调度决策。的TS处理任务调度分配后的任务请求相关的计算节点的任务特点和可用资源的能力。最后,处理应用程序的任务是收集和返回到中介的雾,而将其转发到相应的客户。

2.2。问题描述

在本节中,我们介绍了任务调度问题的数学描述。考虑有独立任务( )所收到的雾中介通过CC和FC环境。这些任务属性,如输入/输出文件的大小,内存需求和任务长度(数以百万计的指令(MI))。此外,假设系统cloud-fog包含一组计算节点( ),由和节点(例如, )。每一个 持有其特点如存储容量、内存大小、网络带宽、CPU处理速度(每秒数以百万计的指示(MIPS))。

因此,预期的计算时间 请求 是由和任务调度器使用它来确定合适的进度决定(32]。一般来说,任务的在是由使用以下公式计算:

在方程(1),表示的处理速度和表示任务的长度 。考( )计算一个时间表给出如下:

服务器的能耗代表近60%的活动状态。的能源消耗由能源消耗的闲置和活跃的状态。同时,每个人的空闲时间用其执行时间减去从它的极小化。的能源消耗(根据焦耳)可以制定如下:

在方程(3),和代表的总执行时间和考 。 表示消耗能源的活动状态 。能源消费总量( )cloud-fog环境中可以计算如下:

2.3。适应度函数

在这一部分,适应度函数的公式用于确定任务调度问题的解决方案的质量。我们的目标是优化时间和能源消费总量都有主要影响雾系统的整体性能。这个问题被认为是bi-objective问题,适应度函数可以形式化如下: 在哪里表示两个因素之间的平衡参数的适应度函数。因此,我们的任务调度的目标是最小化 。一般来说,加权和方法用于解决当前bi-objective优化问题(即。考和总能量消耗)。这种方法有高能力确定一个独特的解决方案的测试问题。后(33,34),方程的最小化(7)都是帕累托最优。

3所示。算法的背景

3.1。算法优化算法(AOA)

在本节中,算法优化算法的数学灵感(AOA) [29日]随着metaheuristic技术介绍。一般来说,AOA模拟的功能基本的算术运算符(即。、减 ,除了( ),部门( ),和乘法( ))。

AOA开始构建初始候选解决方案( ),由给出了解决方案 在哪里代表每个解决方案的维度,然后,AOA计算的健身价值 并找到最好的解决方案 。然后,解决方案( )更新根据勘探开发阶段或阶段,这是决定基于数学优化加速的价值( )函数制定如下: 在哪里表示当前迭代和指的是加速函数的最大和最小值,分别。

在探索阶段,使用部门(执行的更新过程 )或乘法( )操作符。后(29日),这些操作符是用来探索发现不可行区域的搜索空间。更新每个解决方案的数学公式( )在当前的人口 ,基于当前最佳解决方案在迭代 ,给出如下:

在方程(10), 和是搜索空间的边界在哪里维度。 ,和是非常小的数量,以避免除零。 是指一个控制参数值,而表示的概率数学优化,制定如下:

在方程(11),——迭代的最大数量。 是一个动态的参数用于指定开发搜索方法的精度。

此外,在开发阶段,添加( )和减法( )用于更新解决方案( )在发现了可行域。这个更新过程给出的配方如下:

在方程(12), 是指一个随机数用于控制的过程使用减法运算符或添加操作员。

此后,重复的解决方案的更新过程,直到达到停止条件,然后返回最好的解决方案 。中概述的细节方面的处理方法(AOA)的算法1。

3.2。海洋食肉动物的算法

本节介绍了海洋食肉动物的步骤算法(MPA) [31日]。一般来说,MPA模拟捕食者捕获猎物的行为。MPA的第一步是生成一组解决方案使用以下方程: 在哪里 代表一个随机数。和是限制搜索空间的边界(35]。然后,精英构造矩阵,制定以下方程:

更新解决方案执行的过程中通过三个阶段36),并给出这些阶段的细节如下:(1)在第一阶段,超过了捕食者猎物。捕食者仍在不停地移动,这种情况在前三分之一的优化。更新的数学公式给出了猎物的位置如下: 在方程(16), 代表一个随机数代表一个布朗运动的价值。(2)在第二阶段,它被认为是猎物和捕食者具有相同的速度。这中间的时间间隔期间发生。捕食者和猎物的使用布朗运动模拟技术和利维飞行技术,分别。在这个阶段,分为两半;上半年更新使用以下方程: 在方程(17),表示使用征收分布生成的值。与此同时,下半年更新使用以下方程: 在哪里和分别是当前和最大迭代次数。(3)在第三阶段,它被认为是捕食者的速度比猎物的速度更快,这发生在最后三分之一的优化。更新的数学公式给出的解决方案是在以下方程:

后(31日),涡流的形成和鱼聚合设备(时尚)可以改变捕食者的行为,和MPA制定如下的方程:

在方程(24),是指一个二进制向量, ; ,和在[0,1]随机值。

此外,海洋有内存,支持其记忆能力之前的位置。所以,这种行为被添加到MPA通过比较当前位置的前一个。MPA的完整步骤给出了算法2。

4所示。提出了任务调度器

在本节中,介绍了开发任务调度方法的主要步骤如图2。这方法取决于提高算法优化算法(AOA)行为使用MPA的优点。使用MPA的主要目标是提高农产品协定的局部搜索能力。这导致避免吸引当地点,提高收敛速度。

发达的第一步任务调度方法,名叫AOAM,构造初始种群 ,它包含解决方案。然后,健身价值( )计算和最佳的解决方案( )是确定的。此后,解决方案在当前的人口使用面向方面的处理方法(AOA)更新和MPA运营商。这个更新的解决方案的过程反复进行,直到满足终端条件和回报 。发达的描述方法在以下部分中给出更多的细节。

4.1。初始阶段

在这个阶段,初始种群构造使用以下方程:

在方程(25), 是一个随机的数字。和指的限制搜索空间,设置为1,表示计算节点的数量。的维数被设置为 ,代表任务的数量。应用于实际值转换为离散值。这是适合这种离散优化问题,如任务调度问题。

4.2。更新阶段

在此阶段,AOAM决定每个解决方案的质量,计算其健身价值( )在方程(7),其次是确定最小的健身价值和其相应的解决方案,这是最好的解决方案 。下一步是采用当前的人口使用面向方面的处理方法和MPA运营商按照以下方程: 在哪里 一个随机数用于AOA和MPA运营商之间切换。

最后,停止条件检查,当他们感到满意时,更新的步骤阶段停止,最好的解决方案返回。AOAM给出算法的伪代码3。

4.3。计算复杂度分析

本节提供了上述三种算法的时间复杂度分析。假设人口规模(数量的解决方案),的迭代次数,参数的数量(维度)。AOA的计算复杂度 (29日]。MPA的计算复杂度 (31日),意味着成本目标函数。根据拟议中的AOAM算法的步骤,时间复杂度的种群初始化算法的(步骤2)和更新解决方案(步骤的时间复杂度的算法) 。因此,AOAM的总体时间复杂度 ,也就是说, 。

5。实验研究

本节提供了一个详细的实验性能评估的贡献建议在这个研究。特别是,仿真设置和数据集介绍了部分5.1。性能指标描述部分5.2。最后,提供了实验结果与讨论部分5.3。

5.1。实验设置

所有的实验都进行了使用MATLAB R2018a戴尔个人电脑配置了2.40 GHz的英特尔酷睿i5处理器频率,4 gb内存,10和Windows操作系统。我们备注MATLAB模拟器广泛采用的评估计划发表在文献[37- - - - - -39]。cloud-fog框架在我们的测试中由雾节点处理能力小。然而,他们更接近的物联网设备和有一个最小的延迟。另一方面,可以快速执行物联网云计算节点的任务,但他们需要很长时间才能拥抱他们。FC生态系统包含两个数据中心,4个女主人的机器,和20 vm的各种安排在所有的测试。

因此,建议算法应该管理雾和云节点之间的平衡来提高系统的性能。表1主机和虚拟机的属性列表。作为代表在表1动态和静态虚拟机处理能力,最是1000和5000 MIPS,分别。

在我们的实验中,主要涉及合成和天然工作负载。真正的工作负载产生的“并行工作负载档案”,由HPC2N和NASA艾姆斯iPSC / 860。这些档案工作负载提供研究团体的标准化工作负载格式(SWF) [40]。美国宇航局iPSC日志包含大约42264个任务,而HPC2N包含大约527371的任务。另一方面,1500年任务的合成工作负载由长度从2000年到56000年MI生成均匀分布。合成负载的规范中列出的表2。

5.2。评价指标

在本文中,我们的目标是保证降低能源消耗与一个更好的时间。我们测量的整体能源消耗和时间评估对其他同行AOAM算法的效率。在下面,我们现在这两个性能指标。

考被定义为最后完成任务的完成时间。最大完工时间最小意味着有效的映射用户的任务 。考的基础上计算方程(2)。

能源消费总量被定义为能量消耗的物理资源(包括所有云和雾节点)。对于一个实用系统,能源消耗的应该是最小的。总能量计算按照方程(6)。

5.3。结果与讨论

比较分析,五个最先进的算法,包括标准的AOA [29日),蝠鲼觅食优化(MRFO)算法(41)、海洋食肉动物算法(MPA) (31日),黑猩猩优化算法(CHOA) [42樽海鞘,群算法(SSA) [43],AEOSSA [10),选择对等算法在这个研究。表3列出所有同行算法的参数设置。每个算法独立执行每个测试实例上30倍达到更准确的估计结果。确保公平的比较,每个算法的种群大小设置为100。此外,设置为0.7,因为我们的主要问题是减少能源消耗。每个算法的参数都是基于原来的实现。

研究提出的性能行为AOAM算法,我们绘制曲线对于普通健身AOAM获得的值和其他比较算法(AOA MRFO, MPA, AEOSSA, SSA,和CHOA)不同数量的任务,如图3- - - - - -5。生成的曲线显示平均适应度值算法对不同大小的数据集和任务。任务显示的数量x设在。与此同时,适应度函数的值的表示y设在。注意,健身价值的影响再加上总能源消费的价值最大完工时间的价值。

的曲线合成负载如图3。图显示AOAM算法成功地获得较低的健身价值与其他方法相比,当任务在300年和1500年之间不同。同样,NASA艾姆斯iPSC健身值数据集的曲线描绘在图4建立了AOAM算法更好的性能比其他比较算法。此外,AOAM成功地达到健身值低于其他HPC2N实际工作负载调度方法,而不同的任务从1000年到5000年,见图5。在场的曲线,结合MPA方法和AOA促进其找到算法的解决方案的能力。

数据6- - - - - -8AOAM目前最大完工时间的平均结果,AOA, MRFO, AEOSSA, MPA, SSA, CHOA合成和真实数据集大小有不同的任务。从图6,我们看到AOAM明显比其他同行算法的合成实例。同样,从图7,我们可以看到AOAM表现明显好于其他同行算法在所有NASA艾姆斯iPSC实例。此外,我们可以看到从图8AOAM是更好的与其他五个同伴方法相比所有HPC2N场景。最后,数据的结果表明,AOAM产生最好的时间在所有六个同伴算法对所有的测试实例。

AOAM之间的能源消费总量的比较,AOA, AEOSSA, MRFO, MPA, SSA, CHOA使用合成和实际工作量跟踪数据所示9- - - - - -11。图9表明,拟议中的AOAM算法达到最低的能源消耗与原AOA和其他同行相比合成数据集的算法。同样,图10AOAM表明该算法,达到最低的能源消耗与其他同行算法相比在美国宇航局艾姆斯iPSC工作负载被认为是。此外,图11说明AOAM提供最低的能源消耗与其他同行算法HPC2N负载时考虑。简而言之,比较结果表明,AOAM生成一个能源消耗比其他同行算法对所有任务大小和数据集。

5.4。统计结果

评估是否有显著改进开发的方法和其他方法的结果,使用的是一个名叫弗里德曼测试的非参数检验。这个测试提供了一个值表明对照组(AOAM)是否有显著差异是否与其他MH技术根据不同性能措施,包括时间、精力和健身价值。每个算法的测试数据集的平均等级表中给出了性能指标4。从给定的结果,可以看出最大完工时间的开发方法有最好的平均排名总体竞争算法值为1.39e−4,而在能源方面,它可以观察到发达AOAM达到第一MRFO和AOA紧随其后排名第二和第三等级,分别在三个数据集。

总的来说,这些发现表明AOAM算法提供了更好的解决方案的质量和多样性,从而导致near-optimum解决方案。总体而言,以上结果证明的优势将随着AOA的MPA战略。因此,集成和AOA MPA可以有效地提高搜索效率达到更好的解决方案对所有检查工作负载的实例。

6。结论

任务调度是重大挑战中云和雾计算环境的可变性和动态性的资源和云用户服务请求的高波动性。本研究提出了一种混合算法,算法结合了AOA与海洋食肉动物(MPA)找到一个适当的解决方案优化雾任务调度。建议AOAM方法是试图提高原始AOA的善良和收敛比的解决方案。AOAM的性能评估和对比标准AOA和其他四个优化算法,包括MRFO MPA, AEOSSA, SSA和CHOA。实验结果证实我们的AOAM方法的有效性的极小化和能源消费总量。更具体地说,结果显示,AOAM比原来的AOA和优于对比算法在所有的测试实例。

在未来的工作中,我们计划调查AOAM方法在大规模计算环境的性能与数以百计的服务节点,考虑更多的目标,如响应时间,传输成本,可靠性和安全性来满足日益增长的客户需求。另外,AOAM可以进一步改进和集成与其他优化算法来解决车辆路径问题优化等问题,工作车间调度、二次分配,和旅行推销员问题。

数据可用性

使用的数据来支持本研究的发现可以从作者要求。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

这个项目是由学院财务支持科学研究和技术(ASRT),埃及(批准号6624)。