روش تخمین منابع مبتنی بر کیفیت سرویس (QoS) در رایانش مرزی
با توسعه اینترنت اشیا، تعداد تجهیزات شبکه ای در حال افزایش است و بار مراکز داده ابری نیز افزایش می یابد؛ برخی سرویس های حساس به تاخیر نمی توانند به موقع پاسخ دهند که منجر به کاهش کیفیت سرویس دهی (QoS) می شود. ما در این مقاله روشی را برای تخمین منابع مبتنی بر کیفیت سرویس در رایانش مرزی به منظور حل این مشکل پیشنهاد می دهیم. ابتدا منابع مطابق با شباهت فاصله اقلیدسی وزن دهی شده دسته بندی شده و منطبق می شوند. عامل جریمه و ماتریس وقوع Grey برای تصحیح تابع تطبیق شباهت معرفی می شوند. سپس از روش پیش بینی زنجیره رگرسیون- مارکوف برای تحلیل تغییر حالت بار منابع مورد نظر و انتخاب منبع مناسب استفاده می کنیم. در نهایت دقت و فراخوانی روش تطبیق را از طریق شبیه سازی ها مورد تجزیه و تحلیل قرار می دهیم، اثربخشی روش تطبیق را مورد اعتبارسنجی قرار می دهیم و ثابت می کنیم که روش پیش بینی زنجیره رگرسیون- مارکوف می تواند دقت پیش بینی را بهبود دهد.
1. مقدمه
با توسعه اینترنت اشیا (IoT) دستگاه های بیشتر و بیشتری به ویژه دستگاه های سیار (همراه) به اینترنت دسترسی پیدا می کنند. شرکت سیسکو پیش بینی می کند که 50 میلیارد دستگاه تا سال 2020 به شبکه اینترنت متصل خواهد شد [2]. این دستگاه میزان قابل توجهی داده را در انتهای شبکه تولید می کنند که منجر به افزایش بار بر مراکز داده ابری می شود. علاوه بر این، فاصله راه دور بین دستگاه های سیار و مرکز داده ابری سبب افزایش تاخیر ارسال می شود که منجر به این می شود که برخی سرویس های حساس به تاخیر نتوانند به سرعت پاسخ دهند و عملیات پردازش را انجام دهند. خدمات اینترنت اشیا همانند خودروهای متصل و پخش ویدیو نیازمند پهنای باند زیاد و تحویل محتوا با تاخیر کم هستند تا کیفیت سرویس را تضمین کنند. رایانش مرزی [3] نقش مهمی با استفاده از منابع شبکه ای نزدیک به شبکه محلی برای ارائه سرویس های با تاخیر پایین و بهبود کیفیت سرویس ایفا می کند.
6. نتیجه گیری و کار آتی
با رشد سریع اینترنت اشیا و رایانش ابری، کیفیت سرویس خدمات و رضایت کاربران به چالش مهمی تبدیل شده است. رایانش محلی و قابلیت های ذخیره سازی مربوط به رایانش مرزی می تواند تاخیر را کاهش دهد و رضایت کاربر را بهبود بخشد. ما در این مقاله از شباهت فاصله اقلیدسی وزن دهی شده برای دسته بندی منابع با چندین ویژگی کیفیت سرویس استفاده می کنیم. ما منابع مناسب را براساس تطبیق شباهت و روش پیش بینی زنجیره رگرسیون- مارکوف انتخاب می کنیم. از آنجایی که سیستم ویژگی کیفیت سرویس قابل توسعه است و نیازهای کیفیت سرویس کاربران دینامیک است، روش تخمین دارای مقیاس پذیری معینی است. ما براساس کار موجود می توانیم روش منطقی تحمین منبع را برای توازن رضایت بین کاربران و ارائه دهندگان سرویس و بهبود به کارگیری منابع طراحی کنیم.
With the development of Internet of Tings, the number of network devices is increasing, and the cloud data center load increases; some delay-sensitive services cannot be responded to timely, which results in a decreased quality of service (QoS). In this paper, we propose a method of resource estimation based on QoS in edge computing to solve this problem. Firstly, the resources are classifed and matched according to the weighted Euclidean distance similarity. Te penalty factor and Grey incidence matrix are introduced to correct the similarity matching function. Ten, we use regression-Markov chain prediction method to analyze the change of the load state of the candidate resources and select the suitable resource. Finally, we analyze the precision and recall of the matching method through simulation experiment, validate the efectiveness of the matching method, and prove that regression-Markov chain prediction method can improve the prediction accuracy.
1. Introduction
With the development of Internet of Tings (IoT) [1], more and more devices, especially mobile devices, constantly access the Internet. CISCO predicts that 50 billion devices will connect to the Internet by 2020 [2]. Tese devices will generate large amounts of data at the end of the network, which leads to the increment of the burden of cloud data center. Moreover, the remote distance between the mobile devices and cloud data center makes the transmission delay increase, which makes some delay-sensitive services can not get response and processing rapidly. IoT services, such as connected vehicle and video streaming, require high bandwidth and low latency content delivery to guarantee QoS. Edge computing [3] plays an important role by using network resources near the local network to provide a low latency service and improve QoS.
6. Conclusion and Future Work
With the rapid development of Internet of Tings and cloud computing, service QoS and user satisfaction become an important challenge. Local computing and storage capabilities of edge computing can reduce latency and improve user satisfaction. In this paper, we use weighted Euclidean distance similarity to classify multiple QoS attribute resources. We select the appropriate resources by similarity matching and regression-Markov chain prediction method. Since the QoS attributes system is extensible and the user QoS requirements are dynamic, the estimation method has certain scalability. On the basis of the existing work, we can design a reasonable method of resource estimation to balance the satisfaction between users and service providers and improve the utilization of resources.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
1. مقدمه
2. کارهای مرتبط
3. رایانش مرزی
4. روش تخمین دینامیک
4-1 روش تطبیق شباهت
4-2 تخمین پیش بینی زنجیره رگرسیون- مارکوف
5. نتایج تجربی
6. نتیجه گیری و کار آتی
1. Introduction
2. Related Work
3. Edge Computing
4. Dynamic Estimation Method
4.1. Similarity Matching Method
4.2. Regression-Markov Chain Prediction Estimation
5. Experimental Results
6. Conclusion and Future Work
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه