زمان‌بندي ماژول‌ها در محاسبات مه به روش جستجوي هم‌زيستي جانداران مبتني بر كوله‌پشتي

Scheduling of Modules in Fog Computing by Knapsack-Based Symbiotic Organisms Search

شبكه هاي حسگر بي سيم داراي محدوديت هايي از قبيل توان پردازشي، منابع ذخيره سازي و تأخير زماني در انتقال داده ها به ابر مي باشند. محاسبات مه به وسيله توسعه سرويس هاي ابري به لبه شبكه موجب كاهش ترافيك و تأخير زماني مي شود و بنابراين اين نوع شبكه ها در سيستم هاي بسياري مانند مراقبت پزشكي، ابزارهاي پوشيدني، سيستم حمل و نقل و شهرهاي هوشمند كاربرد دارد. تكنيك هاي زمان بندي وظايف در محاسبات مه از جمله مسايل NP-hard محسوب مي شود. برنامه ها جهت اجراشدن به منابع نياز دارند. ابزارهاي لبه شبكه به حسگرها و ابر نزديك بوده و داراي قدرت پردازشي لازم براي اجراي برنامه ها مي باشند. هر ابزار لبه مي تواند براي پياده سازي سياست هاي تخصيص منابع مورد استفاده قرار گيرد. در اين مقاله، ما با ارائه يك روش مبتني بر كوله پشتي بهينه شده با الگوريتم هم زيستي جانداران به تخصيص مناسب منابع به وظايف در شبكه هاي مه مي پردازيم. روش پيشنهادي در شبيه ساز iFogsim به عنوان يك كتابخانه توسعه يافته از كلودسيم جهت پردازش مه پياده سازي شده است. نتايج نشان دهنده بهبود در انرژي مصرفي، مصرف منابع و هزينه اجراي شبكه مي باشد كه روش پيشنهادي بهتر از روش كوله پشتي و الگوريتم پردازش به ترتيب ورود عمل نموده است.

Wireless sensor networks have limitations such as processing power, storage resources, and time delay in data transfer to the cloud. The cloud computing by the development of cloud-based services to the edge of the network reduces traffic and delays, so these types of networks are used in many systems, such as medical care, wearable devices, transportation systems and smart cities. Task scheduling techniques in fog computing are considered to be NP-hard issues. Applications require resources to run. Network fog devices are close to the sensors and the cloud and have the required processing power to run the applications. Each fog device can be used to run resource allocation policies. In this paper, we present an optimized Knapsack-based method optimized by symbiotic organism search to allocate resources appropriately to tasks in fog network. The proposed method is simulated in the iFogsim as a developed library from Cloudsim for fog computing. The results indicate improvement in energy consumption, resource consumption, and execution cost of the network. The proposed method is better than FCFS and Knapsack methods.