برون سپاری وظایف آگاه به تاخیر و انرژی کارآمد در شبکه اینترنت اشیا مبتنی بر رایانش مه

رایانش مهی به عنوان یک روش امیدبخش جهت ارائه سرویس‌های پردازشی چابک و همه‌گیر به دستگاه‌های اینترنت اشیا و پشتیبانی از برنامه‌های کاربردی پیچیده، پا به عرصه ظهور گذاشته است. رایانش مهی منابع محاسباتی را به لبه شبکه، به نزدیکی دستگاه‌های اینترنت اشیا می‌کشاند و از این طریق سرویس‌های محاسباتی با تاخیر پایین را به کاربران ارائه می‌دهد. با برون‌سپاری وظایف محاسباتی به گره‌های مه که ظرفیت پردازشی بیشتری دارند، می‌توان بر چالش ظرفیت محدود باتری دستگاه‌ها و نیاز محاسباتی بالای وظایف فائق آمد و نیازمندی‌های کیفیت سرویس مورد درخواست کاربران را برآورده نمود. برون‌سپاری وظایف به گره‌های مه، از یک سو باعث صرفه‌جویی در مصرف انرژی باتری دستگاه‌های اینترنت اشیا می‌شود و از سوی دیگر به‌دلیل تاخیر ناشی از انتقال وظایف به لبه شبکه باعث افزایش زمان تکمیل وظایف می‌شود. در این مقاله برای برقراری تعادل در مصالحه بین انرژی و زمان تکمیل وظایف، یک شمای برون‌سپاری وظایف با هدف کیمنه‌سازی سربار برون‌سپاری بر حسب جمع وزنی مصرف انرژی و زمان تکمیل وظایف پیشنهاد شده است که سعی در یافتن استراتژی بهینه برون‌سپاری، مکان بهینه برون‌سپاری و تخصیص بهینه منابع محاسباتی دارد. برای تعیین موثر ضرایب زمان و انرژی به‌نحوی که کیفیت سرویس مورد نیاز کاربر تضمین شود، از منطق فازی استفاده شده است. مساله برون‌سپاری وظایف به گره‌های مه به‌عنوان یک مساله غیرخطی آمیخته صحیح فرموله شده است که متعلق به کلاس مسائل np hard است. یک الگوریتم نزدیک به بهینه بر اساس الگوریتم ژنتیک برای حل مساله بهینه‌سازی مطرح شده پیشنهاد شده است. شبیه‌سازی‌های مختلف همگرایی الگوریتم پیشنهادی و برتری عملکرد آن‌را در مقایسه با شماهای برون‌سپاری معیار نشان می‌دهد.

delay aware and energy efficient task offloading in fog enabled iot networks

fog computing has emerged as a promising technique to provide agile and pervasive computing services to the internet of things devices (ids) and to support complicated iot applications. fog computing brings computation resources to the edge of the network, near to the ids, and provides low latency services to users. by offloading computational tasks to fog nodes having greater computing capacities, can address the contradiction between the limited battery capacity of ids and high computational intensity demand of tasks. hence, the quality of service (qos) demands of users can be fulfilled. although task offloading to fog nodes leads to saving in energy consumption in the battery of ids, it causes to increase in task completion time due to occurred delay in transmitting the task to the edge of the network. in this paper, to balancing the trade off between energy consumption and task completion time, a task offloading scheme is proposed. the main objective of the proposed scheme is to minimize offloading overhead in terms of the weighted sum of energy consumption and task completion time by optimizing offloading decision, the destination of offloading, and computation resource allocation. we employ fuzzy logic to determine the weighting coefficient effectively. task offloading to fog nodes is formulated as a mixed integer nonlinear programming (minlp) problem, which is np hard. a sub optimal algorithm based on genetic algorithm (ga) is proposed to solve the formulated problem. extensive simulations prove the convergence of the proposed algorithm and its superior performance in comparison with some baseline schemes.