文摘
信息和技术取得了显著改善通过引入物联网(物联网)应用程序,而且大部分的物联网应用程序依赖于云。云计算是协助物联网应用程序通过提供存储、分析和处理服务在云上。然而,雾支持云计算是一种新的范式通过提供调度、资源优化和能量优化服务。调度任务基于MIPs MIPs规模较小的规模和优先任务首先与更大的MIPs关键任务等等,最终增加了延迟,可能会导致一些严重的问题。提出了一个关键任务的方法具有较大的MIPs大小通过调度和优先任务基于任务的性质。拟议的latency-critical方法应用程序降低延迟,能量消耗和网络利用率。本文提出了一个调度程序“关键任务调度器”(ctf),安排任务根据请求的性质,分为关键或非关键。拟议的方法实现在医疗的情况下,和模拟执行iFogSim模拟器。关键的请求,如紧急通知,优先和指定为关键,要求立即处理。环境保持相同的方法实现证明了该方法的有效性。 The results of the proposed approach were compared with First Come First Served (FCFS), Shortest Job First (SJF), and cloud-only approaches to demonstrate the effectiveness of the proposed approach in terms of latency, energy consumption, and network utilization. Simulation results show that the proposed CTFS approach outperformed the compared techniques for all three comparison parameters.
1。介绍
物联网(物联网)是一种新的范式,旨在提供互联网接入和所有设备进行通信,使他们能够连接互联网。随着这些设备的数量增长,那么它们生成的数据量和计算处理能力的需求。因为物联网使对象的“智能”,让他们来检测,过程,有效地沟通数据通过网络进行有价值的任务,而不需要用户输入(1]。云计算已经似乎是一个完美的模型提供所需的服务。随着在任何网络用户的数量增加,生成的数据量也增加,因此,需要有效的过程也会增加多方面的信息。云计算市场,到2023年,价值2720亿美元,2018年预计将增长230%,至6233亿美元(2]。云上的负载继续增加,因为在智能设备的数量快速增长,移动云资源的限制。到2025年,估计有1000亿美元的联网物联网设备,影响超过11万亿美元(的经济3]。物联网已经证明是有用的在各个领域,包括智能电网、智能农业、和智能健康。物联网已经对医疗保健行业产生重大影响,因为它已经在其他行业。利用物联网技术的目的是提高效率的卫生部门通过自动化人为过程。医疗旨在提供高效、快速的结果病人的病情,这其中有许多医疗架构提出是由物联网和云计算相结合的方法。云计算有很多好处,但它仍然面临许多问题。有连接延迟由于云服务器和终端用户的位置距离对方。
此外,产生的所有数据传输到云雾设备,鉴于目前网络基础设施和有限的数据承载能力。有必要提到处理大量数据的物联网设备云可能会导致显著的延迟和开销,尤其是对时序要求严格的应用程序。原因是云服务器通常放在遥远的物联网设备,导致(i)增加了传输延迟,(2)减少延迟的性能关键型应用程序,和(3)网络拥塞4]。这些挑战,一个新的计算模式被发现有必要支持有效的云基础设施。雾计算,因此,已成为一个新的范式。
雾计算、新颖的体系结构,提出了把云资源靠近物联网设备。雾计算仍处于早期阶段,但已开始获得意义。它被认为是一个云计算的扩展,思科(发明的5),但没有达成一致的雾的定义;它可以被描述为一个分布式的计算能力,允许云资源来源被扩展到网络的边缘2]。此外,由于相当重要的网络延迟,的云物联网任务增加了延迟数据分析反应时间。
医疗系统的目标是强调,在许多国家,没有全民医疗系统和医疗问题,如人口老龄化面临的6),持续上涨长期病在许多地区,和有限的可用性医学专家(7]。全球卫生部门将面临短缺卫生工作者在未来时期到1290万年,根据最近的一项研究由世界卫生组织(世卫组织)(8]。此外,全球大约60%的死亡和85%的死亡只在中国占据了不可治愈的疾病9]。慢性疾病成本占总医疗费用的75%以上美国(8],虽然卫生设施不足和无法挣扎在困难的条件下生存,越来越多的患者是一个挑战,尤其是农村地区,(7]。显著升高的患者的数量由于上述挑战,它变得非常重要,找到合适的解决这些问题的关键,特别是在医疗保健领域。无线通信的技术进步,物联网将大大有助于提高性能,以及降低医疗成本。物联网可以帮助这些病人是通过提供非常低的家庭护理系统能够检测疾病的早期迹象,让医生更迅速地作出反应和治疗病人。因此,我们提出一个雾computing-based医疗系统的体系结构。
通过处理接收到的数据从传感器,提出了医疗系统架构基于雾计算提供病人的健康状态信息。建议架构有三层:一层云、雾层,和一个网络层的东西。物联网层是初始层,它包括传感器,意义和生成数据在医疗环境中用于各种目的。第二层被称为雾层,其中包含的雾节点接收来自传感器的数据传输是附着在病人和处理来诊断是否关键数据或非关键和使用代理服务器在最上面的图层将结果保存到云服务器。提出医疗保健系统架构设计给病人不间断实时医疗支持,和雾计算在时间关键型应用程序验证其有效性。雾计算带来资源接近最终用户快速处理大量的数据产生的最终用户。因此,雾计算是最适当的方法进行实时数据处理。
雾服务器有最少的资源与云服务器相比,具有不受限制的存储和计算能力。雾服务器上的负载增加的请求数量的增加在大规模系统(10]。增加请求到一个特定的节点在医疗系统过载的迷雾,雾节点。在这种情况下,特定雾节点被重载,而其他雾节点仍不活跃,这将导致延迟增加,能源消耗和网络利用率。雾应用有限的资源和时间敏感的特性使得它更具挑战性的管理资源(1]。任务调度和资源分配应用程序非常重要,这就需要快速反应。例如,在医疗保健系统中,需要快速响应的从医生拯救病人的生命11]。因此,一个高效的作业调度技术是需要最大化的使用这些异构和资源受限的雾设备(12]。虽然已经提出了任务调度算法,如延迟优先,循环赛,最短工作优先(SJF),先到先得(先),他们仍在早期阶段。SJF算法等先,基于他们的到来和轮询调度执行的任务序列。因此,他们不能更低的延迟敏感的应用程序的响应时间。对时间敏感的应用程序,一个调度算法是必需的,这样可以减少平均响应时间,网络的使用和能源消耗。我们首先提出了一个关键的任务调度器(ctf),任务的安排最合适的雾节点来减少延迟,能量消耗和网络利用率的请求。从[13),我们认为物联网数据可能经验增加交通延误、能量消耗和网络利用率。模拟进行了使用iFogSim工具来评估建议的方法的性能和比较策略,如先到先得(先),最短工作优先(SJF)和云。在云的方法,所有数据被发送到云服务器没有雾层实现。证明了该方法的有效性通过仿真的结果。
拟议的清洁技术基金的贡献的方法如下。(我)提出了一种方法和提高雾计算多个前景。我们提出一个雾调度程序处理resources-constrained雾设备。(2)这项研究的目标是最小化任务执行的延迟和能源消耗和最大化的使用雾设备可用。(3)在雾计算,基本特征是一个实时的反应没有任何延迟。第一关键任务调度器(ctf)将安排任务最小化任务执行基于临界的响应时间。(iv)因为所有网络组件使用能源和雾设备资源有限,该方法旨在减少的资源(内存、能源和处理器)消耗的雾设备。(v)物联网设备的数量不断增加网络负载,导致网络拥塞。我们的目标是减少我们的工作的网络利用率。(vi)展示对先清洁技术基金的方法的有效性,SJF,和云实现,大量模拟执行iFogSim工具包。
本文组织如下。相关工作提出了部分2医疗保健,而雾计算架构中描述部分3。绩效评估的参数中突出显示部分4,而部分5从医疗保健领域,提供了一个案例研究来解释我们的工作。部分6解释了该算法的复杂度分析。节7每个参数的性能评估是解释和讨论,发现与替代技术。最后,部分8总结我们的研究的结果。
2。相关工作
雾计算是医疗保健的新模式,有效地处理来自传感器的数据连接到病人的及时行动。它处理接收到的数据从雾的传感器节点以减少延迟,能量消耗和网络利用率在雾节点通过连接到物联网设备。
低成本健康管理(LCHM)提出了14),这是心脏病患者的收集数据。此外,传感器连接到病人收集和分析数据以更快地处理它;然而,LCHM较长的响应时间,降低性能。FogCepCare是IoT-based医疗管理系统提出了(15]。它结合了云服务器与传感器设备评估心脏病人的健康状况,减少任务在运行时处理时间。FogCepCare使用分割和聚类的方法,以及通信和分布式处理政策,减少执行时间。在云环境中,FogCepCare模拟来评估性能与现有的模型,它减少了执行时间。然而,这项工作缺乏一个评估结果的关键的QoS功耗等因素,延迟和准确性。一个物联网医疗服务提出了(16),这是基于软件定义网络(SDN)应用程序收集数据通过智能手机语音控制和确定病人的健康状况。此外,物联网医疗服务使用智能手机应用程序概念设计确定心脏骤停的类型;然而,建议应用程序的性能不是在云环境中进行测试。
提出了在17],IoT-enabled医疗移动安全解决方案,采用数据报传输层安全性(迪泰)握手协议不需要任何设备层的修改可以提供许多相互连接的智能网关之间的安全通信。此外,建议使用仿真技术应用环境(Cooja),证明它有效降低了通信开销26%和16%的延迟。HealthFog打算完成这项部署医疗应用程序在实际系统和雾节点,导致一个更有效的选择。
提出了一种光纤陀螺仪的医疗体系结构(18],利用几个雾节点控制病人的请求在不同的城市。在雾中节点,病人的状态看,如果发现病人的病情是至关重要的,立即请求发送到云服务器;否则,请求处理雾节点本身。虽然模拟拓扑配置绩效评估,结果是没有与任何云或雾基础医疗系统实现。
任务是卸载,管理方法提出了嵌入式设备和雾节点(19]。我们的目标是减少对软件定义嵌入式系统所花费的时间来计算。建议技术结合作业调度和存储分配优化使用非线性规划相结合。建议在20.)限制的端到端延迟和传播任务雾节点之间通过限制众多的委托任务所需卸载功能到一个适当的雾节点。作者在21)被认为是能源利用问题以命令的形式发出以后,物联网(物联网)的延迟超过指定的边缘是必需的应用程序,减少和能源是在理想情况下完成分配任务到雾中间节点。的主要目标是增加的准备水平事业考虑限制资产和信件的障碍。
“先来先得”的(先)调度法安排任务(EEG拖拉机游戏)在雾节点,并使用先算法计算网络利用率,能源利用和循环延迟。提出了一种新的架构在22)坚持实时应用程序的云计算和无线网络在医疗保健领域的及时行动。根据(21),有两种可能发生的延误数据流从物联网设备:网络延迟引起的体积服务请求和计算延迟所产生的资源分配的请求。
作者提出了(23]雾计算的意义与结论之间放置一层雾云,最终用户可以在90年前减少网络流量因素已确定卸载任务:提高性能和节约能源24]。另一项研究(13)提出了一个最短的工作优先(SJF)卸载任务的处理较小的MIPS首先云层使用代理服务器减少延迟等因素,能源消耗和网络利用率。
在以前的研究中,光纤陀螺仪的方法的仿真结果相比,云实现(25]。在雾中,我们给出一个造型这两个指标。然后,使用进化算法,我们代表问题限制优化和解决它很快(EA)。我们的策略是一个节能的选择(26]。的作者(27)集中在担忧如剩下的电池寿命和能源特性的雾设备。与较早的研究不同的是,我们的模型能源使用和延迟较低,与那些只关注的一个因素。
使用不同的策略(28),但在本质上,他们提出一个算法试图安排组件在指定的雾殖民地,然后试图发送多余的组件来其他雾殖民地。组件不能被分配给一个雾殖民地被发送到云,显示了其低效率,最终提高了资源的使用。根据作者(29日),雾节点应安排在一个根树,计算请求到达的叶子和根完成或指导。雾中分发请求路径从叶到根节点,和技术。这种方法增加了延迟,这是它的缺点。这项工作的目的是探讨能源消费终端节点之间权衡Fog-loT系统(TN)和雾节点(FN)。目的,我们建议一个新的协议,TNs广播他们的数据在一个预先确定的传输速率可能都没有第一次决定哪些FN与FN。fn决定是否本地过程数据或将其发送到云中心收到它后,根据是否超载。这个工作只提高了能源消费但忽略了其他重要的因素,比如延迟和网络使用。
有比较和资源优化系统的工作效率和更好的方式。为了评估他们提出的架构,30.)不包括性能指标如延迟和网络使用。一些先前的研究30.)只考虑一个参数,但没有讨论它对延迟和能耗的影响。另一项研究(31日)只考虑延迟和网络使用,虽然它没有考虑能源消耗。推迟任何任务是解决的重要性(32],但其他参数没有解决诸如能源消耗和网络使用。讨论了调度的任务(33,34同时减少网络使用,但另外两个重要的因素,也就是说,能源消耗和延迟,并没有解决。只有执行时间和能源消耗是降低(35调度的任务,而不包括网络使用情况。(36,37]介绍了任务调度技术,但只考虑两个参数如延迟和能源消耗,而忽略了网络的使用,这是一个重要的因素,而另一项研究[38)只有提高系统的能源消耗,但没有提供任何信息对其他两个因素的影响延迟和网络使用。我们设置环境,表现为五种不同的拓扑结构设置模拟,并比较结果先,SJF计划和云的实现。这些模拟结果表明,周大福超过云,先,SJF计划延迟,网络利用率和能源消耗参数。
几项研究解决多目标任务调度优化胜过云实现的光纤陀螺仪的结构。在研究之前,所有建议的方法与医疗系统的光纤陀螺仪的结构。因此,它是至关重要的建立一个更为高效的光纤陀螺仪的技术和提出解决方案在雾中计算遭受缺乏工作的分配效率,同时在节能和延迟方面效率低下。卫生保健,许多学者提出了光纤陀螺仪的结构和提出的算法有效地卸载任务。光纤陀螺仪的架构提出的任何人员,有效地优化资源,比如时间延迟,能量,和网络利用率。因此,必须提出和发展一个高效和光纤陀螺仪的结构比早些时候提出光纤陀螺仪的方法。在医疗保健系统中,最关键的指标是延迟,能源消耗,和网络利用率,而大多数研究仅仅评估他们提出的方法对延迟;然而,能源消耗和网络利用率并不包括性能参数。结果,比较我们的解决方案的能源消耗和网络利用率是至关重要的。
3所示。提出了系统架构
雾计算架构由三层组成,也就是说,物联网(物联网)层,雾层,和云层。中间一层一层被称为雾,云计算和物联网层之间的工作。雾层是分布式层组成的许多雾设备和负责云计算和物联网之间的中介层呈现在图1。
3.1。第一层:物联网
传感器和执行器构成了物联网层。温度传感器、心跳传感器、湿度传感器、摄像头,GPS传感器和其他传感器数据从外部世界;转化为信号和传递,雾节点进行进一步处理。分析后,雾节点的输出交流驱动器,操作为控制器和采取必要的行动。物联网和雾层之间的传输可以通过两种方式成为可能,即。、设备to-Fog (D2F)和设备间(D2D)。设备之间的通信设备(D2D)附近,彼此可以通过不同的方式成为可能,如蓝牙、wi - fi、或Zig-bee。与层上层通信将会成为可能通过Device-to-Fog (D2F)层。
3.2。第二层:雾
雾云计算和物联网中存在层,雾作为中介,它弱结合雾云计算和物联网的层,允许自主发展和高水平的各层的交互。利用上面的云服务时,雾层底物联网生态系统作为基础。代理服务器等设备、移动基站、路由器和交换机一起形成了雾层。雾层组成的低和高水平的设备。低和高水平的设备都是有区别的存储、处理能力和力量。底层设备低内存、存储和权力,而高级设备雾服务器等丰富功能内存,存储和权力和连接到云服务器。雾节点将使用Fog-to-Fog相互通信(F2F)链接。雾与物联网节点将使用Device-to-Fog沟通(D2F)链接。架构图中可以看到1。
3.3。第三层:云
在云层中,雾设备采集的数据存储在云层,顶部。信息保留,所以数据进行分析,可以将结果发送回设备进行进一步的处理。
Sense-Process-Actuate-Model(垃圾邮件)是一个模型即传感器的来源从外界收集数据并将数据传输到雾节点处理的信号进一步行动的执行机构。点对点(P2P),集群技术,或客户机-服务器使用这些应用程序节点协作。有向无环图(DAG)是用于开发应用程序遵循分布式数据流模型对不同的模块。需要输入数据,处理它,并将它转发到下一个模块。
3.4。案例研究
雾计算是有效的范式转换处理医疗物联网设备近雾节点的数据。雾计算是有效处理大量数据。患者心脏问题的数据可以在边缘由雾计算设备具有足够的计算能力来减少延迟,反应时间,和延迟,而基于云的解决方案在e-healthcare导致更大的延迟,在紧急情况下这是不可取的。相当多数的医疗计算活动可能是由相邻的利用雾雾节点计算,导致更短的延迟和提高可用性(39]。
在医疗系统应用程序中,有两种类型的用例:关键和非关键。病人的数据,例如,收集并保存以后医生研究。这种类型的数据存储和检索不是对时间非常敏感,是延迟的宽容。快速数据分析需要在某些情况下,例如,当病人处于临界状态时,产生的紧急警告。这样的工作时间敏感和快速响应,以避免紧急需要。
以下三种类型的应用程序用例都包含在这个智能医疗案例研究。
3.4.1。应急响应系统
在紧急情况下,紧急响应系统进程重要数据从不同的智能传感器如血糖、心跳、血压和体温。这些数据包含重要的信息对病人的健康,必须处理在紧急情况下,如血糖高于400毫克/分升或血压140/90毫米汞柱以上水平。
3.4.2。病人的预约管理系统
病人的预约管理系统是一个卫生保健系统,允许预订预约和预约管理,同时尽量减少重复的机会相同时间段对不同的病人,因此,它被认为不重要。
3.4.3。病人的记录管理系统
病历管理系统将信息存储在数据库,包括病人的个人信息,细节,医生治疗,实验室结果,访问。当病人进入医院,接待员为每个病人将生成一个条目在基于云的病人记录数据库。我们实现了三个应用程序模块来创建这个智能医疗案例研究中,如下所示。
3.4.4。DCPB
DCPB是最低层的雾设备收集的信息从每个三个应用程序组件。它收集的关键数据雾设备,处理它,并将它显示在通知屏幕。它同样收集病人的预约和记录数据并将其发送给主办方的模块。
3.4.5。组织者
组织者模块放在最水平从DCPB雾装置,收集数据。分配时间槽病人预约请求的回应。病人是任命的通知安排。它将病人的记录,以及一些重要数据,到病人记录数据库。
3.4.6。病人记录数据库
这个模块是基于云计算的。它被组织者的数据存储和长期分析。它创建模式基于病人的健康,医院,和记录,并将他们的组织者。
4所示。关键任务第一次调度器
在我们的建议的体系结构中,我们已经考虑医疗场景数据的传输是非常重要和关键,如图2。常规超载的数据传输系统和额外的资源消耗,导致延迟和overutilization资源。因此,当务之急是解决问题的任务过载任务卸载到其他邻近雾节点减少负载和可用资源减少延迟和资源。减少延迟,能源消耗,和网络利用率、负载均衡技术是雾中有效地将任务所需节点。因此,我们首先提出一个关键的任务调度器(ctf),尽量减少延迟,能量消耗和网络利用率。医疗场景的建议的方法是通过不同的数据流,接收数据的智能传感器,而“关键”元组包括病人情况如图2。下面是一个案例研究及其组件的一个例子。必须立即处理和分析数据。“安排”元组是由病人的预约系统,生成请求的预约和预约时间后提出处理。因此,它不太重要。病人数据被保存在云服务器上,供以后使用包含在“记录”的元组病人的记录管理系统。因此,全新是实现容忍延迟。我们需要最快的警告由于“关键”元组是最关键的。延迟四端到端计算模块自“时间表”元组不重要,和全新“记录”元组实现容忍延迟。
最近的一些研究提出了负载平衡技术,其中之一是先到先得(先)13),即收到元组的性质并不重要,但是到达时间是非常重要的;因此,到达第一个将服务第一,等等。另一种方法,最短工作第一(SJF) [13),接收到的元组MIPS应检查为了执行。优先级小MIPS将执行的元组,而另一个将等待。我们使用相同的程序在13)计算延时、能量消耗和网络利用率。图3显示了周大福算法,提出表1定义了各种算法的术语。
模型资源管理策略在物联网和边缘计算环境中,iFogSim是非常有效的。我们改变了一些iFogSim类和创建一些新的实现调度程序。下面是一个快速概述类的使用,如图4。
4.1。传感器
来自传感器的数据或在雾雾设备接收节点形式的元组。元组在这门课变成了大小可变。这类函数来模拟物联网传感器。
4.2。雾装置
在这个类不同的雾设备模拟。处理器、内存容量、存储和上行和下行带宽都定义为每个雾装置。雾节点可以多级,雾和每个节点有能力与其他更高级的物联网中的雾节点通信层通过元组。
4.3。元组
tuple类用于在通信中所有实体的雾。如MIPS,每个元组收集的数据来源,目的地,和处理要求。元组:Tuple类用于在通信中所有实体的雾。如MIPS,每个元组收集的数据来源,目的地,如图和处理要求5。
4.4。提出了调度器
这类CloudletScheduler延伸,使一个队列W和一个完整的元组列表F。队列是由所有的元组,正在等待执行,而所有的元组已经完成了它们的执行包含在完成元组列表。当一个元组完成后,选择队列中的下一个元组。
元组收到传感器使用传送()方法和转发到低级的发送(元组)方法与雾装置。使用一个回调函数接收一个元组的时候到达通过ProcessTupleArrival()方法。这个函数确定元组应由雾处理设备或转发到一个更高级的雾装置。以防雾设备将处理元组来了,所以它会发送给该调度器使用SubmitTuple()方法。元组将放置在队列中W使用SubmitTuple()方法。SchedulenextTuple()方法用于选择下一个元组执行雾设备。一旦执行当前的元组完成,所以调度器通过CloudletFinish请求处理即将到来的元组()方法;成功执行后的元组,它被放置在完成元组列表中F。之后,下一个元组将从队列中被选中W为执行如图6。
5。实验装置
本节解释环境设置模拟被用来评估建议的方法的性能。
在医疗、智能物联网传感器连接到病人的身体感觉和生成的数据传输到雾节点。雾中节点的数据处理和分析和采取必要的行动。处理后,数据转发到云存储使用代理服务器。评价该方法的性能,我们使用了iFogSim工具包。它被许多研究人员40,41]建议的体系结构的模拟。
评估建议的体系结构,我们需要定义雾设备iFogSim并设置不同的参数值。表2显示参数值是等价的大小通常用在相关文献[13,25]。设备的计算有不同的水平从0到3。云服务器是由0级,而1级代表了代理服务器,使雾和云服务器节点之间的连接。级别2显示了雾节点位于不同的位置来帮助物联网传感器低效率的计算,而三级由传感器连接到终端用户的数据生成。提出医疗保健的拓扑架构图7。建议的体系结构的模拟进行戴尔3521(英特尔酷睿i3, 3.3 GHz处理器,520硬盘)操作系统windows 10。
提出了不同的拓扑架构是模拟的,只会增加雾设备的节点的性能,给出图的结果7。我们组第一个配置100雾设备看到建议的体系结构的有效性在雾节点之间分配负载增加。模拟进行5次,每个配置的雾设备的数量增加了100。延迟性能参数、能量消耗和网络利用率。
6。绩效评估
在本节中,我们首先比较的结果关键任务调度器(ctf)先到先得(先),最短工作优先(SJF)和云的方法对各种配置。用于比较的算法选择在这工作是基于的工作13]。循环延时、能量消耗和网络利用率是我们必须选择的三个指标。表3显示各种方程中使用的符号。
6.1。平均循环延迟
循环中的所有模块的完整延迟测量使用控制回路。的平均CPU时间是用来计算循环延迟,Avg CPU的所有元组特定类型的元组使用它。方程(1)是用来计算的平均CPU时间在iFogSim [13]。 表示开始执行,表示执行结束,NT是执行某种类型的元组的总数。方程2用于计算每个元组的执行延迟。 T的元组集已经存在。
结果从我们生产调度程序为应用循环延迟是与先相比,SJF和云的方法这三个是唯一实现方法在给定iFogSim医疗场景。在显示的节点数量x设在,而平均应用程序循环延迟显示y设在。四色酒吧是用来区分周大福,先,SJF,云的方法。
紧急警报的平均循环延迟如图5。在这种情况下,第一关键任务调度器(ctf)延迟明显小于先,SJF和云。当使用清洁技术基金时,越来越多的节点不会出现延迟。图6演示了一个非关键循环延迟对病人的任命。图8表明,周大福的循环延迟是非常小的先相比,SJF和云。图9说明了循环延迟病人记录管理,显示,先,SJF,云,延迟随着节点数量的增加,但清洁技术基金执行更好的延迟较小。
6.2。能源消耗
减少雾节点功率利用率降低总拥有成本的电力消耗以及对环境的影响。雾有两个电源状态节点:闲置和忙碌。每当雾节点不是处理任务,据说在空闲模式下,当它正在执行任务,它是在繁忙的模式。雾设备的能源消耗,使用方程(3)在计算iFogSim [13]: 在哪里是当前能源消耗,是当前时间,最后的更新时间利用率,是主机的力量在过去的利用率。不得计算能源使用期间总所有主机的功率设置为任何雾设备的时间长度。
图10说明了雾节点的平均能量利用率。在x设在显示节点的数目,而能源消耗上显示y设在。数量有限的参与物联网节点(小于300),清洁技术基金的平均能量利用率低于先,SJF和云。随着雾物联网的数量增长,价值也是如此。结果,我们采用提供适应性负载平衡服务器的发送工作负载而降低能源消耗执行请求。因此,消耗的能量通过雾节点使用清洁技术基金低于先和SJF但比云轻微增加,但由于它是一个小的增加,所以它不会影响整个系统。在[还说明42]运行大量的物联网设备可能会增加能耗。因此,结果的差异不同数量的雾节点图中可以看到10,描述了我们的清洁技术基金比先和SJF更有效地工作。图11显示了能源消耗的方法。
6.3。网络利用率
最后评价指标是网络利用率。网络拥塞是由于常规设备的数量的增加。这样的设备的数量的增加会导致网络拥塞和可怜的整个系统的性能。通过传播负载在几个雾设备,雾计算将有助于最大限度地降低网络拥塞。方程(4)是用来计算网络使用。
在哪里N元组的总数,是延迟,网络的大小吗我元组。图12显示的结果先清洁技术基金,SJF和云。的节点数量上表示x设在,而平均网络利用率的表示y设在。结果表明,周大福是有效减少网络利用率比先和SJF但开始增加在某种程度上由于物联网设备的越来越多,从而导致更多的能源消耗相比,云的方法。它是在42,43),有时需要高带宽提高了网络利用率,但由于网络消费我们提出的架构和云在我们的医疗场景中还小,所以没有对整个系统产生负面影响。网络的消费增长似乎是雾节点数量的增加,最终导致更多交通拥堵用电,同时我们建议的方法利用闲散雾节点快速完成任务,节省时间和浪费资源的分配任务。SJF方法是浪费资源,使网络拥塞的处理小雾节点上的任务与高资源,可用于其他任务,这需要大量资源由于其低效率,有效解决了在我们建议的方法,将任务转发雾节点根据其要求加工完成。网络消费性能措施的实证结果证明雾computing-based解决方案我们提出更适合时序要求严格的系统。当用于时序要求严格的应用程序(如医疗、光纤陀螺仪的体系结构提供了快速复苏病人的生理信息数据。研究结果表明,雾计算是有用的在场景无论快速数据处理是至关重要的。图13显示了能源消耗的方法。
7所示。讨论
这项研究提出了三个重要发现:第一,医疗系统需要时间关键型的解决方案,和雾计算找到最合适的一个,因为它减少了延迟和提供快速服务。第二,拟议的清洁技术基金的方法是非常有效的医疗相比于先,SJF,和云实现的三个性能参数,即。、延时、能量消耗和网络利用率。第三,能源消耗和网络利用率也降低了雾越来越多的设备节点,显示了该方法的效率。云计算,由于其分散性,曾经是最好的选项进行处理和数据存储在云服务器上,直到增加延迟等问题的出现,能量消耗和网络利用率。云计算被发现生产问题的应用,如医疗,实时数据处理和执行非常必要的人生可能会面临风险。因此,基于云计算的方法不会这样的时间关键型应用程序的最佳解决方案。相比之下,一个新图层添加到云架构,称为雾层,云服务器和终端用户之间的关系。雾层带来的资源接近所需的物联网设备雾节点任务。因此,云服务器上的负载最小化。载荷分布在雾节点减少延迟,能量消耗和网络利用率。 Therefore, it is noted from the results that fog computing is the best possible solution for time-critical applications such as healthcare. Our proposed fog-based CTFS approach reduces latency, energy consumption, and network utilization significantly compared to FCFS [13],SJF [13),而云的实现。结果清楚地表明,我们建议的清洁技术基金的方法优于先,SJF,云的实现。延迟的值、能量消耗和网络利用率增加的物联网设备与每个配置。云实现结果能源消耗和网络利用率也在增加,但发现减少一些点。清洁技术基金的方法之间的区别和云实现的延迟非常高,但是能源消耗和网络利用率的差异很小。总体结果状态,周大福是最有效的方法在三个时间要求严格的应用程序。光纤陀螺仪的先方法从用户接收的任务并开始分发负载在不同雾雾节点节点但缺乏优先考虑的关键。此外,它会增加延迟,能量消耗和网络利用率。在另一个光纤陀螺仪的方法中,SJF处理数据和分发负载在不同的雾雾节点节点。负载分配的优先执行小任务首先同时保持较大的等待,最终增加了延迟,能量消耗和网络利用率。 Our proposed approach CTFS proved to be the most effective approach among FCFS, SJF, and cloud-only implementation for performance parameters latency, energy consumption, and network utilization. In summary, our proposed CTFS approach in comparison with FCFS, SJF, and cloud-only implementations performed very well in terms of latency, energy consumption, and network utilization. The proposed fog-based approach for healthcare will reduce latency to provide time-critical patients response and medical staff and others in their daily operation’s instant services. The proposed approach will reduce the burden on healthcare workers and facilitate the patients as well.
8。结论
云计算不是一个有效的选择等实时应用医疗、数据是至关重要的,必须及时迅速传播。基于云计算的架构是限制高带宽利用率和增加延迟。雾计算、现代计算范式,通过协助支持云计算实时处理和分析和其他资源的边缘附近的设备,已经进化到解决这些局限性。雾计算作业调度是一个重大的挑战由于边缘设备有限的资源。
这项研究提供了一种改进的任务调度方法latency-critical应用程序降低延迟,能源消耗和网络利用率。全新展示时间关键型和实现容忍延迟工作在雾节点,我们使用一个医疗案例研究。首先提出的关键任务调度器(ctf)调度的任务是基于请求的性质,分为两类:关键和非关键。关键请求紧急警报等保持在要处理的首要任务和贴上关键首先没有任何延迟随着人类生活将会处于危险之中,如果不及时处理,而其他请求记录管理和病人的预约等全新贴上非关键和实现容忍延迟。最小化延迟、能量消耗和网络利用率在系统需要适当的负载分配使系统的工作效率。拟议中的关键任务首先调度器(ctf)优于先到先得(先),最短工作优先(SJF)和云实现在所有三个参数,根据模拟的结果。
数据可用性
合理的请求数据。
的利益冲突
作者宣称没有利益冲突。