文摘

实现物联网(物联网)已经彻底改变了连接和可达性无所不在的范围。物联网的伞下,每个对象足够聪明与其他对象沟通导致的巨大数据生成不同的大小和性质。云计算(CC)采用集中式数据中心提供的远程服务和资源。然而,对于远离的客户端设备的原因,CC有自己的局限性尤其是对时间和资源的关键应用程序。遥远的CC和集中的特征常常导致产生瓶颈,是潜在的,因此恶化的服务质量(QoS)提供的服务。这里,雾的概念计算(FC)出现,往往利用CC和终端设备数据拥堵和处理在一个分布式、分级方法。然而,解决延迟和瓶颈问题时间关键型应用程序仍然是具有挑战性的。在这个工作中,一个轻量级的框架,提出了采用雾头节点的概念,跟踪其他雾节点的用户注册和位置识别。拟议的轻量级位置感知雾框架(LAFF)持续满足QoS通过提供一个精确的位置感知算法。比较分析也提出了分析网络使用、服务时间、延迟和RAM和CPU利用率。 The comparison results depicts that the LAFF reduces latency, network use, and service time by 11.01%, 7.51%, and 14.8%, respectively, in contrast to the state-of-the-art frameworks. Moreover, considering RAM and CPU utilization, the proposed framework supersedes IFAM and TPFC targeting IoT applications. The RAM consumption and CPU utilization are reduced by 8.41% and 16.23% as compared with IFAM and TPFC, respectively, making the framework lightweight. Hence, the proposed LAFF improves QoS while accessing remote computational servers for the outsourced applications in fog computing.

1。介绍

物联网的概念(物联网),由计算智能,在生活的几乎所有领域发生了革命性变化。每过去一天,许多新的应用程序和新兴领域物联网和计算智能来帮助人类在一个或其他方式。另一方面,为大众提供这样的应用程序打开了新视野号业务。在物联网,这样的企业和应用主要依赖感官数据必须收集的有效决策。融合或操作大数据(这可能是一些流数据或形状的批次),有一些要求,比如。,distributed processing capability, effective communication and uncompromised network so that decision making process may yield better accuracy. Clouds being service providers tend to solve these problems. However, for the reason of being faraway from client devices, they have their own limitations for time critical applications. Hence to reduce such complexities, the models of fog or edge computing are employed. Basic infrastructure for such environment comprises of的事情(计算设备)的计算、通信和存储能力。根据目前的趋势,预计到2025年智能环境将把1万亿多个物联网设备与50%延迟敏感的应用程序的需求增加1]。雾计算(FC)指的是一个分层次的分布式计算模式,云数据中心和物联网设备的桥梁。雾环境提供了基础设施和运行平台多样化的软件服务。在不同层级的雾环境,物理设备通常被称为雾节点。这种技术克服了云计算的局限性使数据采集、处理和存储分散,局部可用雾节点(2]。这个模型最初的想法被思科(3]。图1显示了FC的一般体系结构。

然而,保证丰富的用户体验(QoS)需要解决的主要问题是专门为对时间敏感的应用程序,比如医疗物联网(4),网络游戏(5),和视频应用程序(6]。大用户和终端设备之间的距离增加路由器的数量/啤酒花导致更高的延迟率和网络使用。因此,实时阻塞和QoS的服务供应减少而利用远程雾节点外包应用程序。

在这项工作中,我们提出一个轻量级的位置感知雾框架(LAFF)拥有的概念雾雾头节点跟踪其他节点的用户注册和位置。拟议中的LAFF持续提高QoS利用位置感知算法。LAFF地址高延时的问题,服务时间和网络使用在雾的分布式数据服务器为了提高QoS。位置感知算法涉及到用户注册在雾的头上。用户/致动器是通过分析他们的回应请求的数据类型。数据类型分为多媒体数据(MMD)和文本数据(TD)。通过LAFF QoS与其他当代框架(7,8)来验证该框架的性能。本研究的重大贡献包括以下:(我)光纤陀螺仪的轻量级框架设计为用户提供更好的QoS(2)位置感知算法开发,使减少延迟,减少服务时间,最小的使用网络资源(3)减少资源利用率(RAM和CPU)的轻量级框架

剩下的纸是组织如下。文献综述提出了部分2。部分3论述了轻雾位置感知框架(LAFF),位置感知算法,架构和分析模型。部分4重点是框架的实验装置。部分5介绍了LAFF的评价。部分6模拟的结果和讨论细节。结束语部分进行7。

2。文献综述

在一个简化的结构中,FC的特征是地理上分布的计算设计,准备与异构设备连接在网络的边缘。作者在9,10从FC)突出的好处。开发一个算法和实现11基于本地计算。通过该算法,云和雾处理的工作量减少。然而,该算法仅适用于星拓扑。在[12),提出了一个新层,雾层(计算)的资源更接近网络的边缘提供位置识别。Fog-2-Fog (F2F)协同工作模型提出了(13),提出了卸载方法在雾节点,根据负载和处理能力通过雾资源管理方案(FRMC)。在[14),在雾环境中资源分配的概念。作者提出一个三层体系结构,包括云、雾和云之间的用户将工作负载和雾节点。然而,只有同质环境提出的体系结构。此外,可伸缩性和相关研究中不考虑挑战。

风扇和安萨里(15]讨论了雾中的负载平衡问题通过一个分布式网络技术,物联网设备指定适当的雾节点,减少延迟。在这种技术中,雾估计计算和交通负荷节点周期性地广播。在(FC框架设计16考虑到医学领域。资源管理是解决通过考虑雾协会,虚拟机的放置,任务分配。在[17),工作负载层边缘云网络中放置算法设计了改善所有任务的响应时间。该算法不同的雾层节点之间分配计算资源完成分配的任务。雾的分发工作负载的服务器接收从物联网提出了高流量18]。两个负载平衡算法(任务分配和任务把握)开发(19为大规模的俱乐部。通过这种结构,负载平衡开销减少当雾的规模增加到集中式和分散式计算的好处。

Puthal在al。20.)专注于发展一个有效的动态负载平衡算法,边缘数据中心的认证方法。任务被分配到一个充分利用边缘数据中心通过应用广度优先搜索(BFS)方法。每个数据中心使用电流负荷建模和最大容量用于计算当前的负载。身份验证方法允许负载平衡算法来找到一个真实的数据中心。在讨论物联网资源配置问题21),提出了一种解决方案来克服这个问题。模型旨在提高雾资源和最小化的系统延迟。工作(21)扩展(14]QoS测量和各种资源的供应的最后期限。

在[22),一个框架命名FOGPLAN QoS-aware动态雾服务配置(QDFSP)介绍。为了满足低延迟和QoS需求的应用程序,QDFSP动态雾节点上部署应用程序服务或应用程序服务的释放之前被部署在雾节点。然而,不同特点的无线和有线雾节点是不考虑。此外,框架既不感知位置也不满足物联网的实时要求的任务。林和沈23)设计了一种光纤陀螺仪的轻量级系统开发云游戏高QoS。这个系统是一个三层模型,包括云、雾、和设备(例如,桌面/智能手机玩家)。出错导致一组被认为是,靠近最终用户和连接到云。QoS需求是通过减少延迟和带宽消耗。

介绍了服务管理技术(24)作为智能住宅iHome的云。本文提出了一种面向服务的体系结构(SOA)来监控家庭应用的实时响应。服务的性能评估iHome的CPU和RAM。结果表明,实时响应可以返回在加载的沉重的负担。该系统测试在数量有限的物理设备的模块化方法。然而,许多其他重要影响因素如成本和能源消耗并没有解决。同时,系统没有考虑用户管理和网络条件。拟议的框架法塔赫(25)使用三层架构来提高QoS参数。第一层包含物联网设备和一个代理节点收集数据,然后收集数据提交给下一层。第三层由智能雾雾经理有效地处理请求节点。更少的敏感数据的处理和存储在第三层完成。数据来自于雾经理也在第三层处理。该系统的缺点是它没有考虑网络条件和用户管理。

一个算法在雾基础设施提出了任务管理(26)旨在关注任务调度在雾层同时最小化响应时间依赖于这些任务所要求的资源。在任何情况下,没有显式的QoS先决条件被认为是在他们的方法。曾等人提出了一个算法(27移动IPV6),使用一个统一的计划,提出调度和处理用户的流动性。雾中节点之间的资源共享问题讨论了执行计算请求,当他们特别关注fog-enabled小细胞细胞系统。在[28],金姆和涌目标小细胞的形成集群,每个集群代表小细胞的集合,提供资源出售移动设备的剩余工作量。这项工作的目的是,通过集群形成,减少延迟时间为每个用户的带宽分配和计算资源。

基于位置的服务(lbs) (29日]近年来越来越受欢迎由于近年移动计算的发展进步。磅是指服务供应通过基于地理位置信息的用户,即。,地理位置。

在[30.)、网站性能优化自动化成雾的边缘服务器。这个观点解释了边缘位置的重要性给予动态和可定制的优化条件依赖于本地网络和用户的设备。WiCloud [31日)开发与OpenStack mobile-edge计算平台提高位置识别和管理inter-mobile-edge为一个创新的服务通信和数据采集。

提供一个可接受的水平的QoS在FC(是一个重要的问题32]。设计一个高效的光纤陀螺仪系统,各种QoS因素考虑。从文献中提取,十一个因素定义的QoS。,latency, security, service time, availability, cost, energy consumption, resource utilization, reliability, execution time, deadline, and scalability [33,34]。此外,延迟了QoS的重要因素之一。

框架必须保证QoS供应没有加重边缘附近的一个单一的资源和提供服务关注上述性能指标。这个框架需要更有用的减少延迟,服务时间和网络使用通过考虑用户和位置管理网络条件。通过本研究设计了一个轻量级LAFF,框架具有以下特点。

LAFF已经考虑各种物联网数据需求(多媒体数据和文本数据)。主要强调提出框架位置识别,即。,了解用户的确切位置/致动器。LAFF注册用户在雾头上和雇佣K 启发式算法(35,36]找到用户和雾节点之间的最短路径。此外,该算法还需要雾头选择的决策考虑请求的数据类型。

拟议的工作相比之下,科学家(智能FC分析模型)7)和TPFC(任务放置在雾计算)8]。在[7),一个分析模型,介绍了FC环境强化学习算法。该模型旨在减少延迟在医疗物联网、云服务器和终端用户。本文提出了一种新型多层雾处理系统提供物联网服务。然而,在这部作品中,作者没有考虑用户的位置和网络条件。这项研究的另一个缺点是用户的要求正常数据传输到云回应。LAFF更好用,它认为用户的位置和网络条件。框架也转移这两种类型的数据,多党民主运动和TD,雾来满足用户的要求。在[8),上下文感知信息的方法最好是使用虚拟资源访问系统上的边缘改善展示物联网效益的响应时间,减少成本和能量。该方法利用上下文感知信息,包括网络环境物联网设备的位置和服务类型为物联网应用提供资源。然而,雾节点的数量的增加和服务会导致一个指数增加解决问题的时候了。

3所示。位置感知雾框架(LAFF)

提出LAFF,位置识别雾计算伞下介绍减少延迟,服务时间,和网络使用最少的资源利用率。LAFF雇佣一个位置感知算法,能够跟踪用户的确切位置通过雾头。雾头控制器雾所有节点的数据中心。的想法雾雾中使用计算技术负责人(38]。雾头节点不仅局限于搜索当前节点,而且新节点( )。F_头代表雾头节点,F_{多党民主运动}指的是雾多媒体数据节点,F_道明雾文本数据节点,然后呢F_其他人是n新雾节点。雾的搜索半径(F_头)扩展到nth新节点的框架是由保持可扩展性的想法。访问用户的确切位置后,最近的雾雾头投入节点响应用户的请求考虑请求数据类型。如果有最近的雾节点很难达到,那么算法找到雾从用户/致动器的最短路径节点通过估算坐标(35,36]。这个专用节点服务用户没有任何中断。这个框架还注册用户(用户管理),并确定所请求的数据类型。TD请求包括文本信息、图片等,(fog-TD服务器处理这些数据类型)。多党民主运动请求包括视频,电影,等等。(fog-MMD服务器处理这些数据类型)。轻量级LAFF减少了延迟l_ld、服务时间ƒ和网络使用u_西北。图2显示了一个详细的LAFF视图。

3.1。LAFF的组件

3.1.1。云层

轻量级LAFF的顶层是一个坐标的云层较低的层的数据收集和存储以供将来使用。云层可用于数据处理和存储大量数据的持续时间更长。如果雾头未能提供服务给用户云方便了用户。云层组件如下。

3.1.2。云

云是放置在更高一层的轻量级LAFF。云促进了雾层的存储数据供以后使用和高处理。云服务器的集中式主机。云拥有所有必要的软件需要运行,并且它也可以作为一个独立的工作单元。云层中起着监督作用来处理通信和数据存储。云存储作为一个单位有许多分布式资源。这使得云非常容错分布数据。在这个工作中,云是连接到雾头与雾所有节点通信。云通信雾所有必要的沟通。云代理负责管理雾头和云之间的沟通。

雾层是轻量级的中间层LAFF旨在提供数据的处理设施附近的边缘。下面的部分解释雾层的模块:

3.1.3。雾的头

雾头是固定的和身体预先确定的地理区域和啤酒硬件资源。雾雾节点之间部署和云计算和负责与云和雾所有节点通信。雾头工作根据设计算法访问用户的位置和确定请求的数据类型。在雾注册用户。雾雾所有节点知道的确切位置。任务分配给节点考虑所请求的数据类型。雾头也负责管理和维护信息的硬件水平。雾头有以下帮助模块,该算法调用这些模块按照他们的要求。

3.1.4。用户管理模块

注册或管理用户和存储他们的细节,以供将来使用负责用户管理模块。注册用户存储在Hashmap针对特定的标识符为快速通道通信。使用Hashmap的优势是,它是不同步的,因此节省了额外的使用网络和服务时间。用户管理模块与管理模块位置更新/提供服务获得用户的位置。

3.1.5。位置管理模块

位置管理模块管理用户的位置。配置了位置坐标。的x和y是范围坐标变量用于寻找最短路径搜索。坐标从10到50识别现有用户,而其他的位置坐标(coord1和coord2)包含新用户n代表协调值范围。Geo的数学表示函数是描述以下方程: 在哪里 。

每个请求的用户,访问位置管理模块匹配/更新位置管理表。

3.1.6。服务管理模块

服务管理模块(多发性骨髓瘤)为雾层提供服务。多发性骨髓瘤注册服务和与雾节点坐标为用户提供服务。它管理着雾节点服务提供保证。社交媒体监控所有的资源节点和雾的头。

3.1.7。卸载管理模块

雾的卸载管理模块可以卸载任务节点和其他节点分配给提供专门的服务保证QoS。通过这个模块,框架允许将任务从雾节点和奉献给用户。

3.1.8中。负载均衡模块

负载均衡模块分配流量在不同雾雾层节点。通过这个模块,框架和可供用户变得更加敏感。

3.1.9。云代理模块

云代理模块便于雾和云相互沟通主管云存储和更新数据。云代理模块是雾层和云之间的代理层。

3.1.10。雾节点

雾节点作为服务器的地理区域雾节点部署。雾在边缘节点处理数据,减少云的负担。通过轻量级LAFF雾节点,提供了更好的通过减少延迟和QoS服务时间来完成请求。

3.1.11。算法模块

通过该算法,用户访问的位置和最近的雾节点分配给用户来响应请求。如果这个最近的雾节点很难达到由于任何异常,该算法使用一种启发式搜索算法(35),用于用户和雾之间寻找最短路径节点。之间的顶点在这种情况下,添加注册和未注册的用户。使用的优势算法,它只使用的执行部分图。它减少了网络的使用只在要求交流部分,而不是整体加权图。的复杂性算法是 ,在哪里n是顶点的数量。在[39Mishra等人使用相同的算法在源和目标之间找到最短路径。

3.2。算法

LAFF算法提供了算法1。

3.3。LAFF的特点

最小化服务延迟,雾雾头通信节点和查询处理在很短的距离;通过这种方式,服务延迟最小化。如果查询不沟通通过雾节点和转移到上层像雾和云,然后服务延迟是在一个更大的价值。的延迟l_ld计算除以时间有空吗T_可用与总时间T_总在100年的产品。使用下列公式计算延迟:

物联网服务delay-minimizing政策:政策采用了在这方面是实现最小延迟容忍系统。的值被认为是与其他系统相比非常低的延迟。延迟、网络使用和服务时间是减少使用方程(1)。

如果雾节点很难达到,LAFF用途用户之间寻找最短路径算法和物联网设备。雾从池中选择路径的节点(F₁- - - - - -F_n)有空闲空间进行处理,以提供更好的QoS。雾节点的列表F= {F₁+F₂+F₃+⋯+F_n}和用户U= {U₁+U₂+U₃+⋯+U_n}有任务T更新云C由以下方程:

方程(3)代表了n阵列产品从完成任务更新云。

其余组件的模式中定义的数学分析模型。在分析模型中,我们已经讨论了不同层之间的映射组件。在仿真中,我们实现了在iFogSim分析模型。

3.4。分析模型

一套(年代)T_物联网对所有传感器年代{年代₁,年代₂,年代₃、…年代_n}和致动器一个{一个₁,一个₂,一个₃、…一个_n}在元组负载α与传输时间l定义′。事件E{E₁,E₂,E₃、…E_n}{发生在传感器年代},n是n传感器映射到一个事件E。方程(4)和(5)代表的事件发生在雾和云通过传感器:

在啤酒花中传感器数量的增加,延迟,网络使用和服务时间也增加。雾的传感器节点的映射中描述方程(6),表示传输之间的关系。在这里,是物联网设备数,代表物联网设备映射的列的设备,和米是映射。l是负载(MMD或TD负载),年代是传感器,F是雾节点:

的延迟l_道明计算使用方程(2)。

服务时间ƒ表示的时间由一个服务提供商SP {SP₁,SP₂,SP₃,SP…_n}通过提供一个服务Ť一个用户(年代)u{U₁,U₂,U₃、…U_n}。映射关系的解释

计算服务时间ƒ在模拟环境中,使用以下方程: 在哪里C_ins(T_女士)代表实例和所达到的时间,以毫秒为单位,日历T_k(年代_t)是模拟时间由计时员存储类。仿真时间的时间花在处理搜索、分配节点处理请求的用户,并更新云相关的处理。为了计算网络的使用u_西北的元组T_ud被网络使用情况监控米_ν被添加到总带宽使用B_u在传输,然后除以最大仿真时间圣_马克斯。以下方程用于计算:

4所示。实验装置

这个轻量级LAFF是由在CloudSim[进行广泛的模拟40和iFogSim模拟器41]。CloudSim负责在云仿真和事件处理。在雾设备iFogSim处理事件。这也减少了延迟服务器成为接近边缘的设备(42]。以下是需要执行的重要步骤和参数模拟。

初始化日历保持当前实例仿真开始时最后的结论。最后,模拟变量初始化跟踪标志“false”详细日志不相关仿真没有显示。初始化雾代理基于数据中心的代理。有关QoS考虑客户的需求,数据中心代理类用户和云服务之间的坐标。雾代理帮助用户创建元组在雾中。元组从薄云类模型扩展任务CloudSim iFogsim。

云和雾数据中心都有自己的特点。在现实情况下,雾装置的特点是强大的和有更少的存储比云数据中心。云的功能的能力与雾为负载l和新的预期的数据d表示在方程(10)和(11): 在哪里n总请求的数量和吗k代表发送的响应与请求的能力n。响应k总是发送请求吗n。的函数方程(10)表明,云存储超过雾设备(方程(11))。

4.1。云数据中心

云数据中心(cdc)的集中式主机和发挥监督作用来处理通信和数据存储。云存储作为一个单位有许多分布式资源。

4.2。雾数据中心

雾数据中心存储数据进行进一步的处理和与用户的沟通。

4.3。位置管理器数据中心

位置管理数据存储有关用户的位置信息。

4.4。雾的头

雾头知道雾所有节点的位置和云和所有节点之间的通信。雾头也负责管理和维护硬件级别的信息。雾的特性数据中心,位置管理器,代理服务器,雾,Fog-TD, Fog-MMD表1。

4.5。网关设备

这些网关设备的雾层,与代理服务器和云设备通信。表2网关设备的代表特征。

4.6。传感器设备

传感器设备为场景,创建生产后的数据与特征(表3)。

4.7。传感器和执行器

实际设备模型是基于传感器设备,生成大量的数据需要处理,每个设备包括一个传感器和致动器连接到它。传感器的目的是“感觉”所确定的数据选择器模块的服务器。

4.8。模块模块交互

元组发送从一个模块到另一个以相互作用。的元组发送到雾或云进行处理识别TuplesUp和元组发送下行TupleDown从一个模块到另一个。同时,元组映射到iFogSim中定义模块使用元组映射技术。网络使用元组的基础上计算流。网络使用情况μⁿ定义的μ^雾(雾网络长度)μ^云(云网络长度)除以一个元组的大小T^l与仿真总时间圣中给出以下方程:

5。评估LAFF

LAFF如图的光纤陀螺仪的方法3:

最初,系统的正常流程如下:用户- > UserIdentifier - > ServiceHandler - > FogHead - > proxyServer - >雾(MMD或TD) - >云服务器

雾头处理用户的请求。通过位置管理模块,用户的位置跟踪和一头雾部署作出回应。如果位置管理器没有空闲,那么代理服务器就可以形成。雾头问用户标识符识别请求数据的类型。可能是多党民主运动或TD的请求。雾头后决定请求的数据的类型,用户节点分配所需的雾。具体的雾节点相应地促进用户。fog-MMD节点加载非常强大的处理能力,而低fog-TD节点上配置规范。表1代表了fog-TD和fog-MMD规范。该算法使这项工作如此独特和有区别的。

流后最初的一个下面:用户- > UserIdentifier - > ServiceHandler - > FogHead - >雾(MMD或TD) - >用户

如果雾头未能识别相对雾服务提供者,然后请求转移到云服务器,以便用户在图表示4。轻量级LAFF容错框架是由于云的可用性在雾头不能履行请求。

5.1。数据配置

3000年与元组数据集大小,带宽1000和网络长度500实现下面提到的配置。iFogsim代表的元组数据行,哪里有这样的字节序列数据行。

模拟运行iFogSim不同的配置。表中给出的配置4。

上述配置的结果如下所示。

5.1.1。用例

为了证明该算法的重要性,一个用例描述。

5.1.2中。演员

Jeena、小偷和用户(警车)是演员

5.1.3。先决条件

注册用户与已知位置和要求多党民主运动。

5.1.4。后置条件

用户能够请求雾框架访问闭路电视摄像头直播。

是5.1.5。场景

Jeena走过一条街;一个小偷抢走了她的包跑掉了。Jeena和抱怨小偷给警察打了电话。警察人问Jeena她现在的位置和哪个方向小偷了。Jeena提供了警察他所需的信息。警官开始跟踪小偷通过闭路电视摄像头直播的贼,还通知了警车的地方小偷跟踪。通过访问的警车抓住了小偷小偷的确切位置。

然而,直播是一个沉重的任务运行,需要大量的计算能力需要一个框架与低延迟、服务时间和网络使用保证QoS。在这种情况下,一个最近的雾节点将分配给警车,以便跟踪小偷没有任何数据丢失和中断。

6。结果与讨论

轻量级LAFF比较与其他两个光纤陀螺仪框架:科学家(智能FC分析模型)和TPFC(任务放置在雾计算)7,8]。这背后的主要动机的充分性评估确认LAFF减少延迟,服务时间和网络使用方便用户通过提供更好的QoS。LAFF是一个轻量级的框架,因为它消耗的计算资源少。RAM和CPU利用率的一个框架可以提高资源的负担。因为大多数的雾节点在资源并不丰富,重量级的执行软件系统可能导致巨大的计算开销。因此,应在雾计算环境部署轻量级框架。框架,消耗更少的内存和CPU占用率被认为是比其他框架(轻43]。十配置与不同数量的设备和节点,这样可以提取一致的模式。

6.1。延迟

安全应用程序对时间非常敏感。结果不能被推迟。例如,如果我们知道恐怖分子将炸弹爆炸的地方,发现恐怖分子的位置和时间敏感的任务时间是至关重要的。延迟是要不得的,因为它会导致非常消极的后果。这个延迟的计算方法是通过实现一个控制回路。延迟计算通过使用延迟模块模块,然后平均的;延迟执行更高当科学家和TPFC模块如图5。这种比较是LAFF完成既定的场景。结果描述,轻量级LAFF相比减少了11.01%的平均延迟与框架。议程不仅停在减少延迟,而且降低了网络使用和服务时间,以提供更好的QoS和一致的数据。

6.2。网络使用情况

这个参数的特征是系统资源的利用率的数据发送和接收从网络接口。网络的使用应该保持至少获得更好的性能。LAFF减少网络流量和消费的资源利用率。结果描述的网络利用率LAFF平均下降了7.51%,相比之下,科学家和TPFC如图6。LAFF TPFC和学院的科学家的比较表明,LAFF提供了更好的QoS。

6.3。服务时间

服务时间是最重要的参数的QoS。服务时间的时间向用户提供服务的服务提供者。服务提供商是小主机节点集成了雾和云为了使用存储和传输。服务时间比较图所示7。它显示的平均时间是14.8%比TPFC较小和科学家。

6.4。内存消耗

RAM是一个雾节点的最重要的组件。如果框架使用更多的内存,内存系统将崩溃,变得反应迟钝。证明该框架是轻量级的,内存消耗的框架与TPFC和科学家。图8显示了数据传输和处理的内存消耗在雾中节点。结果表明,该框架的RAM消费框架相比平均低于8.41%。

6.5。CPU利用率

CPU利用率的工作量由雾节点的CPU处理。之间的时间开始和完成给定任务的雾节点上执行被称为CPU利用率和测量,以毫秒为单位。在这项研究中,我们不包括分离和结合任务所花费的时间之前和之后他们的调度。一个任务由一组指令。我们假设每条指令执行需要一个时钟周期。在拟议的框架中,卸载模块有助于减少CPU利用率,因此增加了雾节点性能。结果在图9表明,该框架的CPU利用率框架相比平均低于16.23%。

7所示。结论和未来的工作

访问数据和内容更窒息和更快的加速时位置识别。响应性和一致性增加如果延迟满足最小化和瓶颈问题。LAFF设计作为一个位置感知算法,保证了丰富的用户体验和提供更好的QoS通过减少网络利用率,服务时间和延迟。检查,LAFF减少平均延迟、网络使用和服务时间的11.01%,7.51%,和14.8%,分别比那些科学家和TPFC。同样,资源利用率的RAM和CPU平均减少了8.41%和16.23%,而与TPFC和科学家LAFF相对轻量级框架。位置感知功能在国防和情报领域具有重要意义。因此,拟议的LAFF提高QoS在访问远程计算机服务器在雾外包应用程序计算。为未来的工作,建议为预测分析模块必须集成在云能够预测用户的请求通过分析用户的位置和以前的请求时间。我们还计划开发优化等机制(44)来确定最优分布和雾的配置节点,同时考虑计算资源备份计划,提供备份的系统故障,如在45通过介绍学习方法。

数据可用性

数据可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中国自然科学基金研究项目(国家自然科学基金委)批准号61671222。