روشی جدید جهت تخصیص منابع به جریان‌های کاری بی‌درنگ در محیط‌های مه مبتنی بر شبکه‌های نرم‌افزار محور

صادق زاده, محمد; محمدی, رضا; نصیری, محمدی; سهرابی, سکینه

doi:10.22052/scj.2023.248726.1121

روشی جدید جهت تخصیص منابع به جریان‌های کاری بی‌درنگ در محیط‌های مه مبتنی بر شبکه‌های نرم‌افزار محور

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران

10.22052/scj.2023.248726.1121

چکیده

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.

کلیدواژه‌ها

موضوعات

محاسبات ابری و مه

عنوان مقاله [English]

A Novel Resource Allocation Approach for Real-Time Workloads in SDN-Based Fog Environments

نویسندگان [English]

Mohammad Sadeghzadeh
Reza Mohammadi
Mohammad Nassiri
Sakine Sohrabi

Computer Engineering Department, Faculty of Engineering, Bu-Ali Sina University, Hamedan, Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

Internet of Thing
Cloud Computing
Resource Allocation Algorithm
Genetic Algorithm
Gray Wolf Algorithm

مراجع

[1] Z. J. K. Abadi, N. Mansouri, and M. Khalouie, “Task scheduling in fog environment - Challenges, tools & methodologies: A review,” Comput. Sci. Rev., vol. 48, p. 100550, 2023, doi: 10.1016/j.cosrev.2023.100550.
[2] M. Khorasani, M. Ramezanpour, and R. Khorsand, “Energy Efficient Multi Path Routing Protocol in Internet of Things,” Soft Comput. J., vol. 7, no. 1, pp. 34-49, 2018, doi: 10.22052/7.1.34 [In Persian].
[3] S.M. Jameii, “Dynamic Service Provisioning in Fog Environment based on Learning Automata and Multi-objective Genetic Algorithm,” Soft Comput. J., vol. 11, no. 2, pp. 72-87, 2023, doi: 10.22052/SCJ.2023.248643.1115 [In Persian].
[4] M. Nickray and E. Hosseini, “A Mobile and Fog-based Computing Method to Execute Smart Device Applications in a Secure Environment,” Soft Comput. J., vol. 8, no. 1, pp. 43-57, 2019, doi: 10.22052/8.1.43 [In Persian]
[5] M.S.U. Islam, A. Kumar, and Y.-C. Hu, “Context-aware scheduling in Fog computing: A survey, taxonomy, challenges and future directions,” J. Netw. Comput. Appl., vol. 180, p. 103008, 2021, doi: 10.1016/j.jnca.2021.103008.
[6] S. Azizi, M. Shojafar, J.H. Abawajy, and R. Buyya, “Deadline-aware and energy-efficient IoT task scheduling in fog computing systems: A semi-greedy approach,” J. Netw. Comput. Appl., vol. 201, p. 103333, 2022, doi: 10.1016/j.jnca.2022.103333.
[7] M.K. Hussein and M.H. Mousa, “Efficient Task Offloading for IoT-Based Applications in Fog Computing Using Ant Colony Optimization,” IEEE Access, vol. 8, pp. 37191-37201, 2020, doi: 10.1109/ACCESS.2020.2975741.
[8] H. Arri and R. Singh, “Energy Optimization-based Optimal Trade-off Scheme for Job Scheduling in Fog Computing,” in 8th Int. Conf. Comput. Sustainable Global Dev. (INDIACom), New Delhi, India, 2021, pp. 551-558.
[9] Y. Sun, F. Lin, and H. Xu, “Multi-objective Optimization of Resource Scheduling in Fog Computing Using an Improved NSGA-II,” Wirel. Pers. Commun., vol. 102, no. 2, pp. 1369-1385, 2018, doi: 10.1007/s11277-017-5200-5.
[10] K.S. Sahoo and B. Sahoo, “SDN Architecture on Fog Devices for Realtime Traffic Management: A Case Study,” in Proc. Int. Conf. Signal Netw. Comput. Syst., Springer, New Delhi, 2017, doi: 10.1007/978-81-322-3592-7_33.
[11] S. Wang, T. Zhao, and S. Pang, “Task Scheduling Algorithm Based on Improved Firework Algorithm in Fog Computing,” IEEE Access, vol. 8, pp. 32385-32394, 2020, doi: 10.1109/ACCESS.2020.2973758.
[12] S. Azizi, F. Khosroabadi, and M. Shojafar, “A priority-based service placement policy for fog-cloud computing systems,” Comput. Methods Differ. Eq., vol. 7, no. 4, pp. 521-534, 2019 [In Persian].
[13] F. Bonomi, R.A. Milito, J. Zhu, and S. Addepalli, “Fog computing and its role in the internet of things,” in Proc. first ed. MCC Worksh. Mobile Cloud Comput., Helsinki, Finland, 2012, pp. 13-16, doi: 10.1145/2342509.2342513.
[14] A. Yousefpour, G. Ishigaki, and J.P. Jue, “Fog Computing: Towards Minimizing Delay in the Internet of Things,” in IEEE Int. Conf. Edge Comput. (EDGE), Honolulu, HI, USA, 2017, pp. 17-24, doi: 10.1109/IEEE.EDGE.2017.12.
[15] S. Omer, S. Azizi, M. Shojafar, and R. Tafazolli, “A priority, power and traffic-aware virtual machine placement of IoT applications in cloud data centers,” J. Syst. Archit., vol. 115, p. 101996, 2021, doi: 10.1016/j.sysarc.2021.101996.
[16] J. Xu, Z. Hao, R. Zhang, and X. Sun, “A Method Based on the Combination of Laxity and Ant Colony System for Cloud-Fog Task Scheduling,” IEEE Access, vol. 7, pp. 116218-116226, 2019, doi: 10.1109/ACCESS.2019.2936116.
[17] S. Misra and N. Saha, “Detour: Dynamic Task Offloading in Software-Defined Fog for IoT Applications,” IEEE J. Sel. Areas Commun., vol. 37, no. 5, pp. 1159-1166, 2019, doi: 10.1109/JSAC.2019.2906793.
[18] S. Ghanavati, J.H. Abawajy, and D. Izadi, “An Energy Aware Task Scheduling Model Using Ant-Mating Optimization in Fog Computing Environment,” IEEE Trans. Serv. Comput., vol. 15, no. 4, pp. 2007-2017, 2022, doi: 10.1109/TSC.2020.3028575.
[19] M. Yang, H. Ma, S. Wei, Y. Zeng, Y. Chen, and Y. Hu, “A Multi-Objective Task Scheduling Method for Fog Computing in Cyber-Physical-Social Services,” IEEE Access, vol. 8, pp. 65085-65095, 2020, doi: 10.1109/ACCESS.2020.2983742.
[20] S. Mirjalili, S.M. Mirjalili, and A. Lewis, “Grey wolf optimizer,” Adv. Eng. Softw., vol. 69, pp. 46-61, 2014, doi: 10.1016/j.advengsoft.2013.12.007.
[21] K. Alwasel, D.N. Jha, F. Habeeb, U. Demirbaga, O.F. Rana, T. Baker, S. Dustdar, M. Villari, P. James, E. Solaiman, and R. Ranjan, “IoTSim-Osmosis: A framework for modeling and simulating IoT applications over an edge-cloud continuum,” J. Syst. Archit., vol. 116, p. 101956, 2021, doi: 10.1016/j.sysarc.2020.101956.