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 سرویس های پردازشی چابک و همه گیر به دستگاه های اینترنت اشیا و پشتیبانی از برنامه های کاربردی پیچیده، پا به عرصه ظهور گذاشته است. رایانش مهی منابع محاسباتی را به لبه شبکه، به نزدیکی دستگاه های اینترنت اشیا می کشاند و از این طریق سرویس های محاسباتی با تاخیر پایین را به کاربران ارائه می دهد. با برون سپاری وظایف محاسباتی به گره های مه که ظرفیت پردازشی بیشتری دارند، می توان بر چالش ظرفیت محدود باتری دستگاه ها و نیاز محاسباتی بالای وظایف فائق آمد و نیازمندی های کیفیت سرویس مورد درخواست کاربران را برآورده نمود. برون سپاری وظایف به گره های مه، از یک سو باعث صرفه جویی در مصرف انرژی باتری دستگاه های اینترنت اشیا می شود و از سوی دیگر به دلیل تاخیر ناشی از انتقال وظایف به لبه شبکه باعث افزایش زمان تکمیل وظایف می شود. در این مقاله برای برقراری تعادل در مصالحه بین انرژی و زمان تکمیل وظایف، یک شمای برون سپاری وظایف با هدف کیمنه سازی سربار برون سپاری بر حسب جمع وزنی مصرف انرژی و زمان تکمیل وظایف پیشنهاد شده است که سعی در یافتن استراتژی بهینه برون سپاری، مکان بهینه برون سپاری و تخصیص بهینه منابع محاسباتی دارد. برای تعیین موثر ضرایب زمان و انرژی به نحوی که کیفیت سرویس مورد نیاز کاربر تضمین شود، از منطق فازی استفاده شده است. مساله برون سپاری وظایف به گره های مه به عنوان 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 بهینه سازی مطرح شده پیشنهاد شده است. شبیه سازی های مختلف همگرایی الگوریتم پیشنهادی و برتری عملکرد آن را در مقایسه با شماهای برون سپاری معیار نشان می دهد.

کلیدواژه ها:

برون سپاری وظایف ، اینترنت اشیا ، رایانش مه ، تخصیص منابع ، الگوریتم ژنتیک