دوره 20، شماره 1 - ( 3-1402 )
جلد 20 شماره 1 صفحات 38-25 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Momeni H, Yavari A. ICTF: Imperialist Competitive Algorithm-based Task Scheduling in Fog Computing. JSDP 2023; 20 (1) : 2
URL: http://jsdp.rcisp.ac.ir/article-1-1195-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1195-fa.html
مومنی حسین، یاوری علی. ICTF : زمانبندی وظایف مبتنی بر الگوریتم رقابت استعماری در محیط محاسبات مه. پردازش علائم و داده‌ها. 1402; 20 (1) :25-38
دانشگاه گلستان
چکیده: (1324 مشاهده)
محاسبات مه برای حل چالش های متعدد محیط محاسبات ابری مانند زمان تاخیر بالا، ظرفیت کم و نقص شبکه ارایه گردیده است. در محیط محاسبات مه، دستگاه‌های اینترنت اشیاء بعنوان یک کاشین محاسباتی کوچک با قابلیت پردازش و ارسال و دریافت اطلاعات، زیر ساخت یک مه را تشکیل می‌دهند. در محیط مه، پردازش کارها و وظایف و ذخیره داده‌های اینترنت اشیاء بجای ارسال برای سرورهای دور در مراکز داده ابری به صورت محلی در دستگاه‌های اینترنت اشیاء صورت میپذیرد که این قابلیت منجر به ارایه پاسخ سریع‌تر و با تاخیر کمتر و افزایش کیفیت ارایه خدمات در محیط مه میگردد. بنابراین می‌توان گفت که محاسبات مه بهترین انتخاب برای فعال کردن اینترنت اشیاء در راستای ارایه خدمات کارآمد و امن برای بسیاری از کاربران در لبه شبکه محسوب می‌شود. در محاسبات مه، مدیریت منابع و زمانبندی کار با در نظر گرفتن محدودیت‌های انرژی، زمان، تاخیر چالش بزرگی محسوب می‌شود. در این مقاله راهکار زمانبندی وظایف مبتنی بر الگوریتم رقابت استعماری برای محاسبات مه ارائه شده است. در راهکار پیشنهادی جمعیت اولیه بطور تصادفی شامل وظایف و ماشین ها شکل میگیرد و تابع ارزیابی بر اساس معیارهای انرژی، زمان و هزینه تعریف شده و با به کارگیری دو عملگر جذب و انقلاب، الگوریتم زمانبندی وظایف مبتنی بر رقابت استعماری(ICTF) ارایه میگردد. نتایج شبیه‌سازی نشان میدهد که ICTF در معیارهای Makespan ، بهره‌وری منابع، مصرف انرژی و انرژی باقیمانده نسبت به سایر روش‌های مشابه کارایی بالاتری دارد.
شماره‌ی مقاله: 2
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1399/9/17 | پذیرش: 1400/3/9 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
دریافت: 1399/9/17 | پذیرش: 1400/3/9 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
فهرست منابع
1. [1] D. Tychalas and H. Karatza, "A scheduling algorithm for a fog computing system with bag-of-tasks jobs: Simulation and performance evaluation," Simul. Model. Pract. Theory, vol. 98, no. 101982, p. 101982, 2020. [DOI:10.1016/j.simpat.2019.101982]
2. [2] 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]
3. [3] 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]
4. [4] M. Ghobaei‐Arani, A. Souri, F. Safara, and M. Norouzi, "An efficient task scheduling approach using moth‐flame optimization algorithm for cyber‐physical system applications in fog computing," Trans. emerg. telecommun. technol., vol. 31, no. 2, 2020. [DOI:10.1002/ett.3770]
5. [5] F. Murtaza, A. Akhunzada, S. ul Islam, J. Boudjadar, and R. Buyya, "QoS-aware service provisioning in fog computing," J. Netw. Comput. Appl., vol. 165, no. 102674, p. 102674, 2020. [DOI:10.1016/j.jnca.2020.102674]
6. [6] J. C. Guevara, R. da S. Torres, and N. L. S. da Fonseca, "On the classification of fog computing applications: A machine learning perspective," J. Netw. Comput. Appl., vol. 159, no. 102596, p. 102596, 2020. [DOI:10.1016/j.jnca.2020.102596]
7. [7] A. Bose, T. Biswas, and P. Kuila, "A novel genetic algorithm-based scheduling for multi-core systems," in Smart Innovations in Communication and Computational Sciences, Singapore: Springer Singapore, 2019, pp. 45-54. [DOI:10.1007/978-981-13-2414-7_5]
8. [8] B. Jamil, M. Shojafar, I. Ahmed, A. Ullah, K. Munir, and H. Ijaz, "A job scheduling algorithm for delay and performance optimization in fog computing," Concurr. Comput., vol. 32, no. 7, 2020. [DOI:10.1002/cpe.5581]
9. [9] M. Etemadi, M. Ghobaei-Arani, and A. Shahidinejad, "Resource provisioning for IoT services in the fog computing environment: An autonomic approach," Comput. Commun., vol. 161, pp. 109-131, 2020. [DOI:10.1016/j.comcom.2020.07.028]
10. [10] M. S. Aslanpour, S. S. Gill, and A. N. Toosi, "Performance evaluation metrics for cloud, fog and edge computing: A review, taxonomy, benchmarks and standards for future research," Internet of Things, vol. 12, no. 100273, p. 100273, 2020. [DOI:10.1016/j.iot.2020.100273]
11. [11] P. Kanani and M. Padole, "Exploring and optimizing the fog computing in different dimensions," Procedia Comput. Sci., vol. 171, pp. 2694-2703, 2020. [DOI:10.1016/j.procs.2020.04.292]
12. [12] M. H. Shahid, A. R. Hameed, S. ul Islam, H. A. Khattak, I. U. Din, and J. J. P. C. Rodrigues, "Energy and delay efficient fog computing using caching mechanism," Comput. Commun., vol. 154, pp. 534-541, 2020. [DOI:10.1016/j.comcom.2020.03.001]
13. [13] R. O. Aburukba, M. AliKarrar, T. Landolsi, and K. El-Fakih, "Scheduling Internet of Things requests to minimize latency in hybrid Fog-Cloud computing," Future Gener. Comput. Syst., vol. 111, pp. 539-551, 2020. [DOI:10.1016/j.future.2019.09.039]
14. [14] H. Momeni and A. Yavari, "Complexity evaluation of aspect-oriented software with adaptive neuro-fuzzy inference system," Int J Basic Sci Appl Res, vol. 3, pp. 22-30, 2014.
15. [15] H. Momeni, A. Yavari, F. Goli, and M. A. Chakoli, "Optimality Evaluation of Maintenance Strategy Using LVQ Neural Network".
16. [16] A. Yavari, M. Golbaghi, and H. Momeni, "Assessment of effective risk in software projects based on Wallace's classification using fuzzy logic," Int. j. inf. eng. electron. bus., vol. 5, no. 4, pp. 58-64, 2013. [DOI:10.5815/ijieeb.2013.04.08]
17. [17] A. Yavari, M. Musavi, H. Momeni, and M. Hamzehnia, "Measuring the Failure Rate in Service Oriented Architecture Using Fuzzy Logic," Journal of mathematics and computer Science, vol. 7, no. 3, pp. 160-170, 2013. [DOI:10.22436/jmcs.07.03.02]
18. [18] R. Mahmud, S. N. Srirama, K. Ramamohanarao, and R. Buyya, "Profit-aware application placement for integrated Fog-Cloud computing environments," J. Parallel Distrib. Comput., vol. 135, pp. 177-190, 2020. [DOI:10.1016/j.jpdc.2019.10.001]
19. [19] L. Liu, D. Qi, N. Zhou, and Y. Wu, "A Task Scheduling algorithm based on classification mining in Fog Computing environment," Wirel. Commun. Mob. Comput., vol. 2018, pp. 1-11, 2018. [DOI:10.1155/2018/2102348]
20. [20] S. Bitam, S. Zeadally, and A. Mellouk, "Fog computing job scheduling optimization based on bees swarm," Enterp. Inf. Syst., vol. 12, no. 4, pp. 373-397, 2018. [DOI:10.1080/17517575.2017.1304579]
21. [21] R. Beraldi, C. Canali, R. Lancellotti, and G. P. Mattia, "A random walk based load balancing algorithm for fog computing," in 2020 Fifth International Conference on Fog and Mobile Edge Computing (FMEC), 2020. [DOI:10.1109/FMEC49853.2020.9144962]
22. [22] H. Rafique, M. A. Shah, S. U. Islam, T. Maqsood, S. Khan, and C. Maple, "A novel bio-inspired hybrid algorithm (NBIHA) for efficient resource management in fog computing," IEEE Access, vol. 7, pp. 115760-115773, 2019. [DOI:10.1109/ACCESS.2019.2924958]
23. [23] Y. Li, W. Ma, J. Zhang, J. Wu, J. Ma, and X. Dang, "Efficient fog node resource allocation algorithm based on taboo genetic algorithm," in Advances in Intelligent Systems and Computing, Singapore: Springer Singapore, 2021, pp. 1565-1573. [DOI:10.1007/978-981-15-8462-6_179]
24. [24] S. Javanmardi, M. Shojafar, V. Persico, and A. Pescapè, "FPFTS: A joint fuzzy particle swarm optimization mobility‐aware approach to fog task scheduling algorithm for Internet of Things devices," Softw. Pract. Exp., no. spe.2867, 2020. [DOI:10.1002/spe.2867]
25. [25] Z. Tang, L. Qi, Z. Cheng, K. Li, S. U. Khan, and K. Li, "An energy-efficient task scheduling algorithm in DVFS-enabled cloud environment," J. Grid Comput., vol. 14, no. 1, pp. 55-74, 2016. [DOI:10.1007/s10723-015-9334-y]
26. [26] P. Hosseinioun, M. Kheirabadi, S. R. Kamel Tabbakh, and R. Ghaemi, "A new energy-aware tasks scheduling approach in fog computing using hybrid meta-heuristic algorithm," J. Parallel Distrib. Comput., vol. 143, pp. 88-96, 2020. [DOI:10.1016/j.jpdc.2020.04.008]
27. [27] Q. Huang, S. Su, J. Li, P. Xu, K. Shuang, and X. Huang, "Enhanced energy-efficient scheduling for parallel applications in cloud," in 2012 12th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (ccgrid 2012), 2012. [DOI:10.1109/CCGrid.2012.49]
28. [28] S. A. A. Naqvi, N. Javaid, H. Butt, M. B. Kamal, A. Hamza, and M. Kashif, "Metaheuristic optimization technique for load balancing in cloud-fog environment integrated with smart grid," in Advances in Network-Based Information Systems, Cham: Springer International Publishing, 2019, pp. 700-711. [DOI:10.1007/978-3-319-98530-5_61]
29. [29] S. P. Singh, A. Sharma, and R. Kumar, "Design and exploration of load balancers for fog computing using fuzzy logic," Simul. Model. Pract. Theory, vol. 101, no. 102017, p. 102017, 2020. [DOI:10.1016/j.simpat.2019.102017]
30. [30] A. Chagari, M.R. Feizi Derakhshi, "Automatic Clustering using Improved Imperialist Competitive Algorithm" Journal of Signal and Data Processing" Vol. 14. No. 2, pp. 159-169, 2017. [DOI:10.18869/acadpub.jsdp.14.2.159]
31. [30] آرش چاقری و محمدرضا فیضی درخشی، خوشه‌بندی خودکار داده‌ها با بهره‌گیری از الگوریتم رقابت استعماری، مجلۀ « پردازش علایم و داده‌ها»، دورۀ ۱۴ شماره ۲، صفحه ۱۶۹-۱۵۹، ۱۳۹۷
32. [31] H. Gupta, A. Vahid Dastjerdi, S. K. Ghosh, and R. Buyya, "iFogSim: A toolkit for modeling and simulation of resource management techniques in the Internet of Things, Edge and Fog computing environments: IFogSim: A toolkit for modeling and simulation of internet of things," Softw. Pract. Exp., vol. 47, no. 9, pp. 1275-1296, 2017. [DOI:10.1002/spe.2509]
33. [32] R. Mahmud and R. Buyya, "Modelling and simulation of Fog and edge computing environments using iFogSim toolkit," arXiv [cs.DC], 2018. [DOI:10.1002/9781119525080.ch17]
34. [33] D. Seo et al., "Dynamic iFogSim: A framework for full-stack simulation of dynamic resource management in IoT systems," in 2020 International Conference on Omni-layer Intelligent Systems (COINS), 2020. [DOI:10.1109/COINS49042.2020.9191663]
35. [34] M. I. Bala and M. A. Chishti, "Offloading in cloud and fog hybrid infrastructure using iFogSim," in 2020 10th International Conference on Cloud Computing, Data Science & Engineering (Confluence), 2020. [DOI:10.1109/Confluence47617.2020.9057799]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
