روشی جدید جهت تخصیص منابع به جریان‌ های کاری بی‌ درنگ در محیط ‌های مه مبتنی بر شبکه‌های نرم‌افزار محور

محاسبات مه به طور فزاینده‌ای به عنوان یک بستر برای پردازش برنامه‌های اینترنت اشیا استفاده می‌شود. در نتیجه، این معماری خدمات رایانش ابری را به لبه شبکه می‌آورد، جایی که پردازش ممکن است ارزان‌تر و سریع‌تر انجام شود. یکی از چالش‌های اساسی در زمینه تامین کیفیت خدمات سطح سرویس مانند تاخیر و مصرف انرژی در محیط مه توجه به محدودیت انرژی و ظرفیت کم سرورهای مه می‌باشد که تصمیم‌گیری اختصاص وظایف به گره‌های مه را دشوار می‌کند. این مقاله ابتدا یک مدل ریاضی برای تخصیص منابع ارائه می‌دهد که هدف آن به حداقل رساندن تاخیر و انرژی در شرایطی است که معیارهای کیفیت خدمات سطح سرویس در نظر گرفته می‌شود. سپس به ارائه الگوریتم ترکیبی ژنتیک و گرگ خاکستری جهت حل مدل ریاضی پرداخته می‌شود. باید توجه داشت که ترکیب این دو الگوریتم باعث ارائه جواب‌های متنوع و در نهایت بهینه می‌شود. لازم به ذکر است که اجرای الگوریتم‌های مذکور دارای هزینه پردازشی و تاخیر محاسباتی می‌باشد ولی با توجه به بهبود معیارهای کیفیت سطح سرویس می‌توان از این هزینه چشم‌پوشی کرد. نتایج حاصل شده حاکی از آن است که ترکیب و استفاده همزمان از نقاط مثبت دو الگوریتم، معیارهای زمان اجرا و زمان اتمام آخرین کار و همچنین مصرف انرژی را به ترتیب به میزان 18.30% و 15.14% و 10.21% به نسبت روش نیمه حریصانه بهبود می‌دهد.