دانلود مقاله بهینه سازی مبتنی بر ژنتیک در محاسبات مه
چکیده
مقدمه
مروری کوتاه بر حوزه تحقیق
روش شناسی
محدوده بهینه سازی
طراحی بهینه سازی ژنتیکی
الگوریتم های ازدحامی برای بهینه سازی زیرساخت های مه
چالش های تحقیق
نتیجه گیری
منابع
Abstract
Introduction
Brief overview of the research domain
Methodology
Scope of the optimization
Design of the genetic optimization
Swarm algorithms for the optimization of fog infrastructures
Research challenges
Conclusions
References
چکیده
محاسبات مه یک الگوی محاسباتی جدید است که از نیاز به کاهش استفاده از شبکه و تأخیر در اینترنت اشیا (IoT) پدید آمده است. Fog را می توان به عنوان یک پیوستار بین لایه ابر و کاربران اینترنت اشیا در نظر گرفت که امکان اجرای برنامه ها یا ذخیره سازی/پردازش داده ها را در دستگاه های زیرساخت شبکه فراهم می کند. ناهمگونی و توزیع گسترده تر دستگاه های مه، تفاوت های کلیدی بین زیرساخت ابر و مه است. بهینه سازی مبتنی بر ژنتیک معمولاً در سیستم های توزیع شده استفاده می شود. با این حال، ویژگی‌های متمایزکننده محاسبات مه نیازمند طراحی‌ها، مطالعات و آزمایش‌های جدید است. تحقیقات رو به رشد در زمینه بهینه‌سازی منابع مه مبتنی بر ژنتیک و فقدان تجزیه و تحلیل قبلی در این زمینه، ما را تشویق کرده است تا مروری جامع، جامع و سیستماتیک از جدیدترین کارهای تحقیقاتی ارائه کنیم. تکنیک‌های بهینه‌سازی منابع در مه، با تأکید ویژه بر راه‌حل‌های مبتنی بر ژنتیک و ویژگی‌های آن‌ها و جایگزین‌های طراحی، مورد بررسی و تجزیه و تحلیل قرار گرفتند. ما یک طبقه‌بندی از دامنه بهینه‌سازی در زیرساخت‌های مه تعریف کردیم و از این طبقه‌بندی بهینه‌سازی برای طبقه‌بندی 70 مقاله در این بررسی استفاده کردیم. پس از آن، مقالات از نظر طراحی بهینه سازی ژنتیکی مورد ارزیابی قرار گرفتند. در نهایت، مزایا و محدودیت های هر کار بررسی شده در این مقاله بیان شده است. بر اساس این تحلیل‌های قبلی ادبیات مربوطه، جهت‌گیری‌های تحقیقاتی آتی شناسایی شدند. ما به این نتیجه رسیدیم که تلاش‌های تحقیقاتی بیشتری برای رسیدگی به چالش‌های فعلی در مدیریت داده، زمان‌بندی گردش کار و قرار دادن خدمات مورد نیاز است. علاوه بر این، هنوز فضا برای طراحی و استقرار بهبود یافته الگوریتم‌های ژنتیک موازی و ترکیبی وجود دارد که از ناهمگنی و ویژگی‌های توزیع شده حوزه‌های مه بهره می‌برند و با آن سازگار می‌شوند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Fog computing is a new computational paradigm that emerged from the need to reduce network usage and latency in the Internet of Things (IoT). Fog can be considered as a continuum between the cloud layer and IoT users that allows the execution of applications or storage/processing of data in network infrastructure devices. The heterogeneity and wider distribution of fog devices are the key differences between cloud and fog infrastructure. Genetic-based optimization is commonly used in distributed systems; however, the differentiating features of fog computing require new designs, studies, and experimentation. The growing research in the field of genetic-based fog resource optimization and the lack of previous analysis in this field have encouraged us to present a comprehensive, exhaustive, and systematic review of the most recent research works. Resource optimization techniques in fog were examined and analyzed, with special emphasis on genetic-based solutions and their characteristics and design alternatives. We defined a taxonomy of the optimization scope in fog infrastructures and used this optimization taxonomy to classify the 70 papers in this survey. Subsequently, the papers were assessed in terms of genetic optimization design. Finally, the benefits and limitations of each surveyed work are outlined in this paper. Based on these previous analyses of the relevant literature, future research directions were identified. We concluded that more research efforts are needed to address the current challenges in data management, workflow scheduling, and service placement. Additionally, there is still room for improved designs and deployments of parallel and hybrid genetic algorithms that leverage, and adapt to, the heterogeneity and distributed features of fog domains.
Introduction
Internet of Things (IoT) technologies emerge thanks to the increase in the number of user devices as well as an increase in distributed processing capabilities. Additionally, the IoT technologies have evolved, resulting in the emergence of new computing paradigms such as fog computing. Fog computing is based on the idea of bringing computing and storage resources closer to the point where they are requested or generated, i.e., closer to users. To achieve this, a computing continuum is defined between the cloud and users, because computing resources are incorporated into the intermediate elements of the infrastructure (fog devices). Thus, data can be stored in nearby devices, and services can be executed in nodes closer to the user, reducing latency and network load, and fog devices provide data in motion capabilities [1].
Conclusions
Fog computing was initially defined by Bonomi in 2011. His work revealed the benefits of fog in environments with IoT devices that require managing a large volume of data and with real-time or low latency requirements [66], [67]. Since then, there has been a growing interest in this new computing paradigm, and in recent years, a large number of research papers related to this new technology have emerged. We have targeted this literature review on the use of GAs for resource optimization in fog architectures.