Resultados de búsqueda para Fog Computing

Los procesos de optimización de la ubicación de los servicios en infraestructuras Fog son de gran importancia dada la influencia en la calidad de los servicios y el rendimiento de la arquitectura. En estos entornos Fog, el proceso de optimización es de mayor complejidad debido al mayor tamaño y heterogeneidad de la arquitectura. Nos encontramos ante un problema NP-completo y multiobjetivo, que deber+AOE ser solucionado por algún método de optimización. En otros problemas relacionados, se ha puesto de manifiesto que el uso de los algoritmos genéticos es una solución habitual para optimizar estos procesos de asignación y optimización.Este trabajo compara el uso de tres algoritmos genéticos aplicados al problema de ubicación de servicios en nodos Fog. En particular, se estudian los algoritmos weighted sum genetic algorithm (WSGA), non-dominated sorting genetic algorithm II (NSGA-II), y multiobjective evolutionary algorithm based on decomposition (MOEA/D). El problema planteado considera que las aplicaciones están compuestas por un conjunto interrelacionados de módulos o servicios, y que cada uno de ellos puede ubicarse en nodos distintos de la arquitectura. El objetivo es optimizar la utilización de recursos, la dispersión geográfica de los servicios y la latencia de red en la ejecución de una aplicación.NSGA-II obtuvo los mejores resultados de optimización y de diversidad del espacio de soluciones, aunque para ello fue el que mostr+APM unos mayores tiempos de ejecución. Por el contrario, el algoritmo MOEA/D mostr+APM unos tiempos de ejecución más cortos, pero sin conseguir optimizar los tres criterios al mismo nivel que el NSGA-II. El algoritmo WSGA no destac+APM sobre los otros dos en ninguno de los aspectos analizados.

The Internet of Things (IoT) paradigm offers applications the potential of automating real-world processes. Applying IoT to intensive domains comes with strict quality of service (QoS) requirements, such as very short response times. To achieve these goals, the first option is to distribute the computational workload throughout the infrastructure (edge, fog, cloud). In addition, integration of the infrastructure with enablers such as software-defined networks (SDNs) can further improve the QoS experience, thanks to the global network view of the SDN controller and the execution of optimization algorithms. Therefore, the best placement for both the computation elements and the SDN controllers must be identified to achieve the best QoS. While it is possible to optimize the computing and networking dimensions separately, this results in a suboptimal solution. Thus, it is crucial to solve the problem in a single effort. In this work, the influence of both dimensions on the response time is analyzed in fog computing environments powered by SDNs. DADO, a framework to identify the optimal deployment for distributed applications is proposed and implemented through the application of mixed integer linear programming. An evaluation of an IIoT case study shows that our proposed framework achieves scalable deployments over topologies of different sizes and growing user bases. In fact, the achieved response times are up to 37.89% lower than those of alternative solutions and up to 15.42% shorter than those of state-of-the-art benchmarks.

La aparición del Internet de las cosas (IoT) ha atraído el interés de industria y academia para su aplicación en dominios intensivos, como la salud. Esta clase de aplicaciones tienen requisitos estrictos de calidad de servicio (QoS), lo que motiva el uso de paradigmas como edge o fog computing. Las redes definidas por sofware, junto a las arquitecturas de microservicios, permiten el uso de dichos paradigmas proveyendo virtualización, flexibilidad y programabilidad a las aplicaciones IoT distribuidas. Sin embargo, para cumplir los estrictos requisitos de estas aplicaciones, la QoS debe optimizarse considerando la interacción de tres dimensiones: computación, red y aplicación. En este trabajo presentamos el framework Despliegue Óptimo de Aplicaciones Distribuidas, que optimiza la localización de microservicios y recursos de red en términos de tiempo de respuesta y coste del despliegue.