医学信息学解锁24（2021）100619Fog计算中基于秩的移动感知调度Kanupriya Vermaa，Ashok Kumar a，*，Mir Salim Ul Islama，Tulika Kanwar a，Megha Bhushan ba印度旁遮普邦奇卡拉大学工程技术学院b印度北阿坎德邦德拉敦DIT大学计算机学院A R T I C L EI N FO保留字：雾计算迁移移动性调度A B S T R A C T由于用户和终端设备的移动性，在雾计算（FC）中提供不间断服务是一个具有挑战性的问题。在本文中，这个问题是通过建议的基于排名的移动性感知调度（RMS）技术，使用上下文信息排名的资源。所提出的技术在MobFogSim仿真工具中实现，并将结果与现有的最先进的基于距离的移动性感知调度（DMS）技术进行比较。仿真结果表明，RMS在迁移时间、延迟、停机时间、元组丢失和执行时间方面优于DMS。1. 介绍随着新技术的不断发展，已经有了巨大的进步，可以在多个方面帮助人们。随着技术的兴起，全球对计算资源的需求巨大，云计算（CC）弥补了对大量存储容量的需求。然而，即使是CC也无法满足安全性，认知性，敏捷性，延迟性，效率（SCALE）的麻烦;这是通过FC作为CC和物联网设备之间的中间层来满足的。此外，光纤通道使云更接近网络边缘，在用户接入点（AP）附近提供计算能力和设施，最终用户只需一跳。因此，雾计算不仅可以减少网络延迟，还可以减少带宽（BW）使用，提高安全性和隐私性，提高上下文感知，并允许在不规则的云访问情况下持续运行。雾节点、Server Cloudlets（SC）和微型数据中心是托管FC资源的设备。但是，FC提出了大量需要解释和解决的问题和挑战，因为它是一个相对增长的概念[2]。影响FC性能的关键问题之一是用户移动性。由于移动性会导致AP的转换，这可能会导致原始SC中托管的雾服务延迟[3]。为了最小化连接延迟，当移动用户改变AP时，他们的数据和当前服务可以理想地移动/迁移到新AP处的SC [4]。然而，这些计算服务使用可以访问网络资源的容器迁移/VM来虚拟化。为此，光纤通道环境使用了一种迁移模型来帮助迁移从源到目的地的SC [4]。参考文献[1]中提出的元启发式算法。[5在以前的研究工作[4]中，通过考虑距离AP最小距离的迁移区内的SC来做出迁移决策。但是，存在限制，因为所选择的SC有时可能由于低计算能力、差的网络连接性或不足以处理VM服务的存储容量而在服务递送中引入延长的延迟。为解决上述问题而提出的一种新的基于秩的移动性感知调度方法是对先前关于资源分配的工作的扩展[11本文的主要贡献如下：● 一种新的基于秩的移动感知调度技术，以提高QoS。● 所提出的方法是在MobFogSim模拟器上实现的性能评估，并与现有的最先进的移动性感知调度技术进行比较。● 对时延、执行时间、服务中断时间、网络可用性、能耗等QoS参数进行了比较分析。本文的其余部分如下所述：第2节对雾计算中资源调度的现有技术进行了比较分析。第3节描述了所提出的RMS技术。第4节详细分析了各种QoS参数的比较。最后，第5节总结了拟议的工作* 通讯作者。电子邮件地址：kanupriya@chitkara.edu.in（K. Verma），ashok.kr @ chitkara.edu.incom，ashok.khunger@wwwgmail.com（A. Kumar），mir. chitkara.edu.in（M.S. Ul Islam），tulika. chitkara.edu.in（T.Kanwar），mb. gmail.com（M. Bhushan）。https://doi.org/10.1016/j.imu.2021.100619接收日期：2021年4月12日;接收日期：2021年5月18日;接受日期：2021年5月2021年6月1日网上发售2352-9148/© 2021作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuK. Verma等人医学信息学解锁24（2021）1006192表1文献综述总结。参考文献年份应用参数模拟器/语言/工具算法框架的优点和缺点[14]2020年物联网设备危险率、速度和BWMobFogSim迁移TOPSIS迁移可靠性[15]2020雾模拟器（YAFS）PageRank和PRP算法–执行时间短平衡网络负载[17]2020汽车计算延迟马尔可夫模型平均延迟减少[18]2019用户设备移动性Sojurn时间、迁移成本和能源–GCFSA MINLP迁移时间缩短，用户设备收益提高迁移成本未降低[19]2019汽车通信延迟、迁移时间、可靠性和频率城市交通仿真（SUMO）和Python服务迁移方案雾蜂窝网改进延迟、迁移时间、可靠性和频率迁移速度依然缓慢[20] 2019年物联网EX延迟时间，延迟OpenWrt15.05.1和Minnow BoardTurbotURMILA面向泛在云和边缘服务的智能确保低延迟[21] 2019移动用户内存大小，脏内存页面速率，物理资源容量-两步迁移SFC迁移问题重新配置成本，停机时间和迁移时间缩短[16] 2019年物联网距离、带宽、可靠性、成本和延迟––Fuzzy quantified,Linguistic能源消耗和EX延迟减少[24]2018年，相扑交通（LuST）潜伏期，迁移次数MyIFogSim、SUMO和IBMCPLEX 12.7.1虚拟机放置、迁移决策模型和ILP–低延迟[25]2018年智慧城市时间、计算能力–动态资源偏 移 （ 使 用Dijkstra算法）TOPSIS和层次分析法（AHP）车辆的流动性及计算资源也集成在网络[26]2018智慧城市延迟、带宽、传输时间、速度和吞吐量Ryu SDN框架MininetFMCL SDN更好的传输改进[22]2018年物联网可扩展性、网络可用性、成本和专业移动性MATLAB多准则决策分析（MCDA）模糊相似度促进IoT节点安全性、可靠性和可持续性得不到保证[23]2018 IoT-[30] 2017年VSOT，EEGTB MIPS，延迟和网络使用iFogsim Edge-ward和资源调度算法并发，先到先服务（FCFS）和延迟优先级低延迟、延迟和响应时间[27]2017年物联网处理率、带宽处理和通信成本CloudSim任务管理不稳健[28]2017年计算卸载能耗、延迟、成本、延迟和带宽基于MATLAB的蒙特卡罗仿真CORA，BCRA，迭代功率和带宽分配与次优功率–业绩增长（延迟和能耗）无动态卸载[29]2017年人脸检测和车辆跟踪–KubernetesEX pensive[31]2016CloudSim任务管理不稳健[32]2011年CoNext07（The社交网络应用）、Infocom延迟效率成本成功率–等级和联系基于排序技术FOG提供完整性-的载荷未来的范围。2. 相关工作Al-Tarawneh [14]提出了一种基于迁移的算法，通过使用模拟器工具即MobFogSim来评估其性能。作者通过确定用户的位置、迁移时间、可靠性和移动模式，使用理想解相似性偏好排序（TOPSIS）和多标准决策（MCDM）方法进行迁移。他们将一个容器迁移到K. Verma等人医学信息学解锁24（2021）1006193表2参数对比分析参考文献算法/技术MT DT TL NU ET D[14个]MCDM✓✓[第十五条]PageRank和PRP✓✓[17个]在线服务迁移✓[18个国家]FCN选择和资源✓优化[19个]服务迁移计划✓✓[20个]Urmila✓[21日]两步偏移✓✓[16个]模糊量化，语言✓命题[24日]虚拟机放置、迁移决策✓模型与ILP[25日]动态资源迁移✓[26日]FMCL✓[22日]MCDA✓[30个]边向和资源调度✓✓[27日]任务调度器✓[28日]CORA、BCRA、迭代幂和✓次优功率带宽分配[29日]雾✓[三十一]任务调度器✓✓[32个]排名和联系人排名✓技术，FOG[4]美国移民（DMS）✓✓✓✓✓✓提出的RMS算法✓✓✓✓✓✓MT -迁移时间，DT -停机时间，TL -元组丢失，NU -网络使用率，ET - EX迁移时间，D -延迟。与特定智能设备相关的最近的小云服务器。线性规划（ILP）和基于流行度排名的位置（PRP）是Velasquez等人提出的两种方法。[15]。两者都是模拟的，结果减少了延迟，并提供了一个最佳的解决方案，消耗更少的时间，并提供基于流行度的服务。Benblidia等人[16]提出了一种ILP模型来减少延迟。它使用基于页面排名算法或PRP的启发式方法。启发式方法具有较低的执行时间，也平衡了网络节点的负载。Ge等人[17]分析了车辆雾计算（VFC）网络中的服务迁移问题，该网络由固定位置基站和正在移动的服务车辆组成。他们将服务迁移的机制表述为混合非线性规划（MINLP）优化问题，以减少特定时隙中车辆的延迟。为了解决基于隐马尔可夫模型（HMM）方法和中断检测功能的MINLP问题，他们提出了一种在线算法--干扰感知服务迁移（FEE）。使用实时数据（基于罗马出租车轨迹）实现的仿真实验将延迟降低到7.6%，并将截止日期保证率提高到8.0%。Wang等人[18]讨论了雾网络的一般化3层架构，由每个雾计算节点（FCN）中的逗留时间定义的资源配置相互优化，减少移民机会该问题是制定与MINLP分为两个子问题。为了优化卸载决策，提出了一种基于基尼系数的FCN选择算法（GCFSA），并引入了一种资源优化遗传算法（ROAGA）来寻找计算资源分配的最优解。Li等人[19]研究了由蜂窝网络激活的FC中的服务迁移。为了方便实时车辆服务，作者建议一个QoS信息结构的基础上，目前的移交程序。案例分析是基于LuX embodiment的特定车辆移动模式确定的，由此通过分析迁移成本、可靠性和延迟来评估所提出的方法和参数。Shekhar等人[20]提出了一种称为干扰和延迟感知服务的普适资源管理（URMILA）的系统架构，该架构证实了在边缘和雾之间满足了物联网应用的足够延迟要求结URMILA将具有超出智能支持范围的更大含义，并分析了URMILA可以用于多个方面，如增强现实、图形渲染、虚拟现实等。Zhao等人[21]探讨了由云和FC中的设备运动发起的服务功能链（SFC）的重新映射/迁移问题。首先，作为ILP，他们对SFC的迁移问题进行了建模，然后他们提出了两种SFC迁移策略，即虚拟网络功能（VNF）的最小数量迁移策略和两步迁移策略。作者提出了一种两步迁移算法来迁移SFC，该算法不仅最小化了重建代价，而且提高了SFCs的重映射性能，减少了SFC的迁移和停机时间。Bangui等人[22]提出了foglet作为中间件，使用模糊相似性和TOPSIS来平滑评级过程和选择服务。对于支持雾计算的工业物联网，Li等人提出了一种基于服务流行度的智能资源分区（F-IIoT SPSRP）方案。他们使用Zipf定律来模拟流行程度与IIoT服务计算成本之间的关系F-IIoT SPSRP方案已用于通过指定的SPSRP控制器将设备控制层与IIoT数据处理层解耦。此外，提出了一种基于移动性和异构性的划分算法，扩展了SPSRP方案，使跨域划分工具无缝。通过仿真结果表明，SPSRP方案在延迟时间、响应率和FC的容错性方面提供了显着的效率改进，以应对大规模的IIoT服务，Gonçalves等人[24]提出了一种基于连接性估计的VM位置和重定位决策模型，以改善对移动设备使用的计算服务的控制。该算法由一组用户云组成，这些云根据未来的目标节点获得用户的VM。对于依赖于车辆移动性的计算资源，Liao等人[25]提出了一种启用雾的地理迁移方案。车辆到达雾节点并作为服务提供者分发其高计算服务。为了平衡资源需求和地理分布的计算能力，一个激励机制，影响车辆路径的选择资源定价的建议。通过使用Follow-Me Cloud-cloudlet（FMCL）方法，其是基于雾计算的无线电接入网络（Fog-RAN）中的云和cloudlet的联盟，由Chen和Tsai [26]提出以建议新的移动性管理。为了最大限度地减少Fog-RAN中的传输延迟，结构化移动性管理的关键贡献是使用FMCL解决方案同时保留云之间的VM迁移和数据中心之间的服务器迁移。此外，统计研究和仿真结果表明，所提出的FMCL解决方案的移动性结构给出了更好的结果比当前的跟随我云（FMC）的结果，在整体传输速率，平均能耗，和数据包失败的频率。Yuan等人。[27]研究了FC网络的架构，并分析了受雾节点位置影响的因素。他们提出了一种算法，即快速搜索和找到密度峰值的雾节点定位，进一步制定了多约束聚类问题。Du等[28]通过卸载选择制定和资源分配的联合优化，检查了云FC框架中基于最小-最大下降的成本他们提出了计算卸载和资源分配（CORA）算法来解决NP难题。提出了基于二分法的计算资源分配算法（BCRA）利用拉格朗日对偶分解和分式规划理论计算资源分配。Santoro等人[29]提出了一个架构开源框架Foggy，它在雾环境中协调资源负载。这种架构或框架充当基础设施的租户和所有者Foggy包括三个K. Verma等人医学信息学解锁24（2021）1006194Fig. 1. 基于秩的移动性感知调度。不同的组件，即在Docker容器中运行的协商器，协调器和库存。系统存储库可以公开或私有地安装在云层上，其中映像的定位将影响该框架部署的系统组件的启动时间。在FC和CC的分层组合中的调度问题由Bittencourt等人提出。[30]。由消费者多功能性引起的竞争场景为边缘计算机（本文中的微云）的计算引入了动态市场，来自具有特定要求的许多类型的应用。他们说明了调度技术也可以根据移动用户的需求进行配置以满足各种应用，实现雾地理位置对最终用户以及云存储弹性的重要性。Pham和Huh [31]提出了一种任务调度算法，该算法实现了更好的工作流执行时间，并为使用云或雾。该方法按优先级执行任务，并选择便于执行每个任务的节点。Mtibaa和Harras [32]提出了一种实时分布式系统框架--基于公平性的推理网络（FOG），它保证了公平性和效率。分析了效率与公平环境的作用，提出了效率与公平的关系。表1概述了现有的模拟工具，技术，或在现有的研究论文中使用的算法是基于排名和迁移。从文献综述中可以明显看出，在FC环境中，移动性感知调度是一项具有挑战性的任务。在雾环境中，由于多个用户在异构基础设施上执行各种应用程序的普遍性，移动性感知调度变得复杂[33，34]。挑战在于用户K. Verma等人医学信息学解锁24（2021）1006195MRBW表3符号列表符号定义SC服务器CloudletsM MIPSR RAM带宽SCM每个SCSCR每个SC每个SC的 SCBWα分配给SCβ分配给SC的每个RAM的权重分配给SC的每个带宽的通过对表2中现有文献的广泛分析，已经确定不存在这样的移动性感知调度技术，其可以平滑地迁移向用户提供服务的VM，以便调节可用性、等待时间和延迟。上述讨论的问题需要设计移动性感知调度技术。3. 基于秩的移动性感知调度本节提出了基于等级的SC选择技术以及图1所示的方法。1.一、以下是RMax最大秩Mmax SC的最大MIPS值Rmax SC的最大RAM大小BWmax SC的最大带宽α每个SCβ每个SCγ每个SCSC总计排名服务器cloudlets列表服务交付。为了克服这些问题，将VM迁移到与用户接近的SC。先前的研究工作通过考虑迁移区内SC与AP之间的最小距离来进行迁移决策[4]。选择具有最低距离的SC可能会导致服务中断的问题，因为SC可能没有足够的计算能力来满足期望的QoS [35]。从图三. 迁移时间。图二. 用户场景的移动性。SCNNN不RK. Verma等人医学信息学解锁24（2021）1006196见图4。 延迟图五. 平均停机时间。见图7。 EX 10时间。见图8。 Tuple输了步骤：见图6。 最大停机时间。表4模拟器设置。参数值MIP 3234 MIPSRAM 1024 MB带宽1 Mbps服务器Cloudlets数量迁移策略最低延迟用户迁移点政策静态1. 检查用户的手机是在运动或不通过连续跟踪其在地图上的位置。2. 通过参考决定迁移的地区来发现迁移区。3. 检查迁移区中可用的SC。4. 通过使用设备上下文感知矩阵对SC进行排序。5. 选择具有最大等级的微云。表3列出了包括符号及其说明的符号。当用户移动设备在迁移区域内时，对FC环境中的可用SC进行排序。我们已经考虑并结合了每个SC的三个实例，即（MIPS，RAM和BW）进行排名。该算法首先通过将SC的每个实例值除以其最大值来归一化实例值。表5对比结果分析。参数DMSRMS迁移时间99674.45毫秒97237.68毫秒停机时间101598.80毫秒97750.11毫秒元组3.59%3.57%EX时间1124685毫秒1065319毫秒延迟379429.86毫秒377114.74毫秒迁移总数22总移交77K. Verma等人医学信息学解锁24（2021）1006197假设提出RMS技术的用户场景的移动性在图2中示出。在这种情况下，用户1和用户2以不同的速度和位置在不同的方向上这些用户当前连接到AP 1，并且其VM服务存储在SC 7上。突然，用户2开始朝西南方向移动并接近AP 2。每当用户尝试从SC 7访问服务时，在确认用户2服务请求时可能存在延迟，这可能导致低延迟、高网络带宽或执行时间的增加。因此，为了避免这些问题，通过使用基于等级的技术将变成旧SC的SC 6然而，在该情况下，对位于迁移区域下方的AP 2附近的SC进行排名，然后选择具有最大排名的SC进行迁移。在该SC 6中，SC 7的所有服务被迁移到SC 6的最大等级。4. 结果和讨论4.1. 实验结果有几种模拟工具可用于在FC中实现和评估用户移动模式，例如VirtFogSim [36]，YAFS [37]，iFogSim [38]，EdgeCloudSim [39]和MobFogSim [4]。但该算法是在MobFogSim中实现的，因为它支持用户/设备的移动性和VM迁移。模拟器在Windows 10机器上的Eclipse软件中配置有144个SC，每个SC的覆盖范围为500 m。表4列出了在本发明的实施例中使用的模拟参数评估所提出的技术。此外，LuX嵌入式数据集用于所提出的技术的性能分析和评估。4.2. 仿真结果RMS和DMS的比较性能分析已进行考虑几个QoS参数，如迁移时间，延迟，停机时间，元组丢失，网络使用，和执行时间。图3示出了迁移时间，这是用户应用程序的数据将VM或当前执行状态从源SC传输到另一个目的地SC的时间约束。RMS的迁移时间为97237.6 ms，而DMS的迁移时间为99674.4 ms。较低的迁移时间减少了服务中断，因此确保了更好的QoS。图4示出了用户的设备和SC之间的延迟时间。RMS优于DMS，因为在前者中观察到延迟时间的减少。在RMS和DMS中观察到的延迟时间分别为377114.74 ms和379429.86 ms。RMS中的较低延迟表明它在向用户提供服务图图5和图6分别示出了RMS和DMS的平均停机时间和最大下载的比较。停机时间是指服务完全暂停且用户不可用的时间段。RMS的平均停机时间和最大停机时间的较低值表明其在为移动用户提供更好的QoS方面的有效性。如图7所示，与DS相比，RMS中的EX延迟时间也较小。结果表明，在RMS中迁移过程完成时间为1065319 ms，而在DMS中迁移过程完成时间为1124685 ms图8示出了RMS和DMS中的元组丢失的比较。在DMS中，元组损失为3.59%，而在RMS的情况下为3.57%。RMS和DMS的总体结果比较见K. Verma等人医学信息学解锁24（2021）1006198表5.5. 结论提出了一种在用户移动时提高服务质量的RMS技术。所提出的技术对SC进行排名，然后选择最佳SC用于向用户近距离迁移服务，以便提供不间断的服务。所提出的技术已实施的MobFogsim模拟器，其性能进行了比较，与国家的最先进的DMS技术。仿真结果表明，RMS优于现有的DMS技术的迁移时间，停机时间，元组丢失，和执行时间。 在未来，这项研究工作可以通过考虑雾计算中涉及的各种实体的竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认没有确认。引用[1] 德·多诺·米歇尔，丹·科恩，尼古拉·德拉戈尼。现代计算范式的基础和演变：云、物联网、边缘和雾。IECMS Access 2019;7：150936-48.[2] Aljumah Abdullah，Ahanger Tariq Ahamed.雾计算与安全问题：综述。2018第七届计算机通信与控制国际会议（ICCCC）IEEE; 2018.p. 237- 9[3] 罗卡·达米安米利托·鲁道夫涅米罗夫斯基·马里奥瓦莱罗·马特奥解决物联网超大规模系统：支持分层涌现行为的雾计算。在：物联网中的雾计算。施普林格; 2018年。p. 33比48[4] Puliafito Carlo，Goncalves Diogo M，Lopes Marcio M，Martins Leonardo L，Madeira Edmundo，Mingozzi Enzo，Rana Omer，Bittencourt Luiz F.Mobfogsim：雾计算的移动性和迁移模拟。Simulat ModelPractTheor2020;101：102062.[5] 迪曼·高拉夫库马尔·维杰斑点鬣狗优化器：一种新的基于生物启发的工程应用元启发式技术。高级工程软件2017;114：48[6] 迪曼·高拉夫库马尔·维杰帝企鹅优化器：工程问题的生物启发算法。 知识库系统2018;159：20-50。[7] 迪曼·高拉夫库马尔·维杰海鸥最佳化演算法：理论及其在大规模工业工程问题上的应用。 知识库系统2019;165：169-96。[8] Rakhra Manik，Singh Ramandeep，Lohani Tarun Kumar，Shabaz Mohammad.基于元启发式和机器学习的农业设备租赁和共享智能引擎。 数学概率工程2021：2021.[9] 库马尔·阿肖克库马尔·拉杰什夏尔马·安居基于两级蚁群优化的云计算能量感知资源分配。 Comput Inf 2018;37（1）：76-108.[10] 库马尔·阿肖克，夏尔马·安朱，库马尔·拉杰什. Servmegh：绿色云的框架。Concurrency Comput PractEX 2017;29（4）：e3903.[11] 库马尔·阿肖克库马尔·拉杰什夏尔马·安居平等：云计算中能量和服务质量感知的资源分配方法。 Comput Inf 2018;37（4）：781-814.[12] 库马尔·阿肖克，夏尔马·安朱，库马尔·拉杰什.基于群体智能的云服务质量感知资源分配。IntJ Ad Hoc Ubiquitous Comput2020;34（3）：129-40.[13] Shabaz Mohammad，Kumar Ashok. Sa排序：一种新的大规模数据排序技术。J.计算机网络通信2019 ;2019.[14] Al-Tarawneh Mutaz AB.使用集成的多标准决策制定在启用Cloudlet的IoT系统中的移动性感知容器迁移。IntJ Adv Comput SciAppl 2020;11（9）.[15] VelasquezKarima，Perez Abreu David，Paquete Luis，Curado Marilia，蒙泰罗·埃德蒙多基于等级的雾中服务安置机制。2020IFIP网络会议（网络）。IEEE; 2020. p. 六十四比七十二[16] BenblidiaMohammed Anis，Brik Bouziane，Merghem-Boulahia Leila，埃塞吉尔·莫兹在雾云环境中为任务调度对雾节点进行排名：模糊逻辑方法。上一篇：2019第15届国际无线通信&移动计算会议（IWCMC）。IEEE; 2019.p. 1451- 7[17] 葛叔X中，程梦，周小波。车载雾计算中的干扰感知服务迁移。 IEEE Access2020;8：84272-81.[18] 王冬雨，刘兆林，王晓祥，蓝彦文。雾计算网络中的移动性感知任务卸载和迁移方案。IEEE Access2019;7：43356[19] 李军，沈晓曼，陈磊，范文勇，欧建南，Wosinska Lena，陈佳佳。雾计算中的服务迁移使蜂窝网络能够支持实时车辆通信。 IEEE Access 2019;7：13704-14.[20] Shekhar Shashank，Chhokra Ajay，Sun Hongyang，GokhaleAniruddha，杜贝·阿比谢克库苏科斯·克塞诺丰Urmila：一个性能和移动性感知的雾/边缘资源管理中间件。2019年IEEE第22届实时分布式计算国际研讨会（ISORC）。IEEE;2019.p. 118比25[21] 赵东城，孙刚，廖丹，许世忠，常胜利。云雾计算中移动感知服务功能链迁移。Future Generat ComputSyst 2019;96：591-604.[22] 班吉·欣德、拉克拉克·赛义德、拉盖·赛义德、布赫诺瓦·巴博拉。迈向智慧城市：雾到云服务的中间件选择。应用科学2018;8（11）：2220。[23] 李高磊，吴军，李建华，王宽，叶天鹏。基于服务流行度的雾计算工业物联网智能资源划分。IEEE Trans.印第安纳告知。2018;14（10）：4702-11。[24] GonçalvesDiogo，Velasquez Karima，Curado Marilia，Bittencourt Luiz，马德拉埃德蒙多。雾环境中的主动虚拟机迁移。2018年IEEE计算机与通信研讨会（ISCC）。IEEE; 2018. 00742- 00745[25] 廖思义董绵雄太田熏吴俊李建华叶天鹏。基于车辆移动性的卫星智能城市雾资源地理迁移。2018年IEEE全球通信会议（GLOBECOM）IEEE;2018.p. 1比6[26] 陈玉贤，蔡怡婷。基于雾计算的智能城市区域网络中使用跟随我云的移动性管理。传感器2018;18（2）：489.[27] 袁小群、严贺、方晴、童小文、杜长来、丁毅。一种改进的基于密度峰值的雾计算系统节点快速查找方法。在：2017年IEEE国际会议物联网（IThings）和IEEE绿色计算和通信（GreenCom）和IEEE网络，物理和社会计算（CPSCom）和IEEE智能数据（SmartData）。IEEE; 2017. p. 635- 42[28] 杜剑波，赵立强，冯杰，楚晓丽。 雾/云混合计算系统中具有最小-最大公平性保证的计算卸载和资源分配。IEEE Trans Commun2017;66（4）：1594-608.[29] 桑托罗·丹尼尔，佐津·丹尼尔，皮佐利·丹尼尔，德·佩莱格里尼·弗朗西斯科，克雷蒂·西尔维奥。Foggy：雾计算中的工作负载编排平台环境2017年IEEE云计算技术与科学国际会议（CloudCom）。IEEE; 2017.p. 231-4[30] Bittencourt Luiz F，Diaz-Montes Javier，Buyya Rajkumar，Rana Omer F，Parashar Manish.雾计算中的移动感知应用调度。IEEE云计算2017;4（2）：26-35。[31] 范宣奎许义男云-雾计算系统中的任务调度研究。2016年第18届亚太网络运营与管理研讨会（APNOMS）IEEE; 2016.p. 一比四[32] Mtibaa Abderrahmen，Harras Khaled A.雾：移动机会网络的公平性。2011年第8届IEEE通信学会年会传感器、网格和自组织通信和网络。 IEEE; 2011年。 p. 260- 8[33] Mir Salim Ul Islam，Kumar Ashok，Hu Yu-Chen.雾计算中的上下文感知调度：综述、分类、挑战和未来方向。180.第180章：你是谁https://doi.org/10.1016/j.jnca.2021.103008网站。十万三千零八[34] Kaur Navjeet Kumar Ashok Kumar Rajesh.一种新的雾计算任务调度模型。在：发明通信和计算技术。Springer; 2021. p. 845- 57[35] Rani Ridhima，Kumar Neeraj，Khurana Meenu，Kumar Ashok，Ahmed Barnawi.雾计算中的存储即服务：系统综述。2021年的JSyst Architect。第102033页。[36] 斯卡皮尼提·米歇尔，巴卡雷利·恩佐，莫曼扎德·阿里雷扎。Virtfogsim：5g移动-雾-云虚拟化平台动态能量延迟性能测试和优化并行工具箱。 应用科学2019;9（6）：1160。[37] 艾萨克·莱拉格雷罗·卡洛斯Juiz Carlos Yafs：雾计算中物联网场景的模拟器。IEEEAccess2019;7：91745-58.[38] Gupta Harshit，Dastjerdi Amir Vahid，Ghosh Soumya K，Buyya Rajkumar.ifogsim：物联网、边缘和雾计算环境中资源管理技术建模和仿真工具包。软件实践E X 2017;47（9）：1275-96。[39] Sonmez Cagatay，Ozgovde Atay，Ersoy Cem. Edgeclossim：边缘计算系统性能评估环境。紧急事务部。电信。 Technol. 2018;29（11）：e3493。
我的内容管理
展开
