دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 A Novel Resource Allocation Approach for Real-Time Workloads in SDN-Based Fog Environments روشی جدید جهت تخصیص منابع به جریان‌های کاری بی‌درنگ در محیط‌های مه مبتنی بر شبکه‌های نرم‌افزار محور 90 105 113917 10.22052/scj.2023.248726.1121 FA محمد صادق زاده گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران رضا محمدی گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران محمدی نصیری گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران سکینه سهرابی گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران Journal Article 2022 12 23 Fog computing is increasingly used as a platform for processing Internet of Things applications. Thus, this architecture extends cloud computing services to the edge of the network, where processing may be cheaper and faster. One of the main challenges in providing Quality of Service (QoS) requirements, such as delay and energy consumption in the fog environment, is to pay attention to the energy limitation and low computational capacity of fog nodes, which makes it difficult to assign tasks to fog nodes. This paper first presents a mathematical model for resource allocation with the aim of reducing delay and energy while considering QoS criteria. Then, a combined genetic and grey wolf algorithm is introduced to solve the model. Note that the combination of these two algorithms leads to finding an optimal solution efficiently. Although the implementation of the proposed algorithms has processing costs and computational delay, due to the improvement of QoS criteria, this cost can be ignored. The results show that the combination and simultaneous use of the positive points of the two algorithms improves execution time and completion time of the last task, as well as energy consumption by 18.30%, 15.14%, and 10.21%, respectively, compared to the semi-greedy method. 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. https://scj.kashanu.ac.ir/article_113917_0c1ef2118f0be07eff3b90bf698c4d27.pdf