امروزه شبکه های مه و اینترنت اشیا به بخش جدا ناپذیری از زندگی ما تبدیل شده است و به جنبه های مختلف جوامع ما نفوذ کرده است. اینترنت اشیا دستگاه‌ها را قادر میسازد تا محیط اطراف را ببینند و درک کنند و تصمیمات مشترکی بگیرند. این دستگاه های توزیع شده، مقدار عظیمی از داده ها را از محیط پیرامون دریافت می کنند. در سالهای اخیر، در مرکز اینترنت اشیا، محاسبات ابری (فاگ کامپیوتینگ) مطرح شده است. محاسبات ابر با توانایی های محاسباتی، ذخیره سازی و کنترلی به عنوان مکانی در نظر گرفته می شود که شرکت ها می توانند داده های جمع آوری شده خود را در مکانی با تقریباً ظرفیت و منابع نامحدود با منابع ابری پردازش و ذخیره کنند. این داده ها به مرکز ابری (که حاوی سرور های مجازی می باشد) برای پردازش ارسال و در نهایت نتایج این پردازش ابر از مرکز داده به کاربران باز خواهند گشت[۱].

جهت انجام عمل واگذاری وظایف (یا همان ارسال داده های جمع آوری شده برای پردازش)، یک سری فناوری‌ها و روش‌هایی ارائه گردیده است. داده های جمع‌آوری‌شده از دستگاه‌های IOT جهت پردازش و ذخیره‌سازی به ابرهای اطراف منتقل می شوند. این واگذاری به رایانش ابرها تا حدودی باعث کاهش ترافیک در هسته شبکه می­گردد. با اختصاص دادن این حجم کار به سرورهای ابری می‌توان تأخیر شبکه و تأخیر محاسباتی در اینترنت اشیا را تا حد زیادی کاهش داد. درواقع برنامه‌های کاربردی باید بخشی از پردازش خود را جهت پردازش به ابر محاسباتی واگذار کنند[۱].

از طرفی وجود فاصله زیاد میان دستگاه‌های اینترنت اشیا و سرورها در رایانش ابری، باعث ایجاد یک سری مشکلات مانند افزایش زمان تکمیل، تحمیل ترافیک اضافه به شبکه و مصرف زیاد انرژی شده است. در اینجا احساس نیاز به روش‌هایی که فاصله میان دستگاه‌های اینترنت اشیا و پردازنده‌های مرکزی را از بین ببرد ایجاد می‌گردد[۲]. 

هرچند که شبکه های مه و ابر برای درخواست های مقاوم در برابر تأخیر[۷]، مناسب می باشند اما به خاطر فاصله زیاد نسبت به کاربران و مدیریت متمرکز مرکز داده ابر، برای درخواست های حساس به تأخیر[۸] و زمان حقیقی[۹] نامناسب هستند. این جریان داده باید از طریق اینترنت به رایانش های ابری و مه منتقل شوند. این نقل و انتقالات برای بسیاری از نرم افزار ها قابل قبول و قابل تحمل نمی باشد. این روند، تاخیر و  هزینه زیادی برای منابع محاسباتی ابر و وظایف دارند[۳].

هرچند که پیش بینی شده است تا سال ۲۰۲۰ ،تقریبا ۹۲درصد از حجم کاری توسط ابر پردازش خواهد شد. در این حین، نیاز به یک لایه کنترل اضافی در بین لایه ابر و در مجاورت دستگاه‌های iot  نیاز خواهد بود. به یک زیرساختار محاسباتی برای حمایت اپلیکیشن های اینترنت اشیا وجود دارد. به خاطر محدودیت منابع در دستگاه های iot نیاز هست که وظایف به یک سیستم محاسباتی با منابع کافی منتقل شوند و از طرفی انتقال بعضی از وظایف به شبکه ابر کارآمد نیست. درنتیجه شبکه مه معرفی شده است که در واقع با استفاده از دستگاه های iot،  منابع شبکه ای، محاسباتی‌ و ذخیره سازی فراهم می آورد که اجازه می‌دهد برنامه های کاربردی iot در لبه شبکه اجرا گردند[۴].

همانطور که ذکر شد شبکه رایانش ابر سنتی دارای چالش‌های اساسی می باشد. با شبکه مه یا FOG ، منابع محاسباتی و ارتباطی  و… به کاربران نزدیک‌ترمی گردند.  سرویس ها با تأخیر کم ارائه داده می شوند. محاسبات مه به عنوان یک تکنولوژی امیدوارکننده برای ساخت یک زیرساخت شبکه مقیاس پذیر در مجاورت کاربران پیشنهاد شده است. رایانش مه به عنوان یک پلتفرم محاسباتی جدید معرفی شده است. این شبکه به عنوان یک توسعه برای فاگ کامپیوتینگ و محاسبات ابر در لبه شبکه در نظر گرفته شده است.  فناوری مه یک پلتفرم مجازی می باشد که منابع محاسباتی، ذخیره سازی و سرویس های شبکه را در فاصله نزدیک به کاربران ارائه می دهد. از متن دیدگاه کاری محاسبات مه یک سناریو که در آن دستگاه های ناهمگن در همه جا و غیر متمرکز با یکدیگر ارتباط برقرار کرده و به طور بالقوه برای انجام کارهای ذخیره سازی و پردازشی بدون دخالت قسمت سومی، با شبکه همکاری می کنند. این وظایف می تواند برای پشتیبانی از عملکردهای اساسی شبکه یا خدمات و برنامه های جدید در یک محیط باشد. کاربرانی که بخشی از دستگاه های خود را برای میزبانی این خدمات اجاره می دهند، انگیزه هایی برای این کار دریافت می کنند.

محاسبات مه به خاطر قرار داشتن در لبه شبکه دارای مزایای متعددی می باشد. این شبکه قادر به حمایت برنامه های کاربردی حساس به تاخیر می باشد. این شبکه می تواند اطلاعات مهمی مانند شرایط شبکه محلی، اطلاعات وضعیت مشتری و آمار ترافیک را ارائه دهد. همچنین می‌تواند بهینه سازی متناسب با محتوا را برای اپلیکیشن های مهم ارائه دهد. خصوصیات جالب دیگری از شبکه مه آگاهی از مکان می باشد. گره های مه که به صورت جغرافیایی پراکنده هستند می توانند موقعیت خود را استخراج کنند و در نتیجه از دستگاه های محرک کاربران پشتیبانی کنند که یک عامل مهم برای خدمات و برنامه های کاربردی مبتنی بر مکان می باشد[۴]. شبکه مه یا FOG تکمیل کننده ای برای شبکه رایانشی ابر است. ادغام این دو تکنولوژی یک زیرساخت امیدوارکننده کامل برای شبکه اینترنت اشیا فراهم می آورد.

 Peng و همکارانش iCloud fog را ارائه داده اند که یک معماری قابل پیکربندی مجدد است. این معماری ادغامی از شبکه مه و پردازش ابر می باشد که اجازه می دهند انواع مختلفی از شبکه‌های مه با خصوصیات متفاوت به صورت سازگار با هم کار کنند . در مطالعات گذشته، چالش های مدیریت نشده ای مانند بعد سازی[۱۰]، پیکربندی و مدیریت منابع کلیدی وجود دارد. مرکز داده ابری زیادی با هدف فراهم کردن منابع ذخیره سازی / محاسباتی به طور گسترده‌ای توسط شرکت‌های پیشروی تکنولوژی اطلاعات مثل مایکروسافت، گوگل، سیسکو و … با نام های زیر معرفی شده اند[۵].

• Iaas [۱۱]
• Paas [۱۲]
• Saas [۱۳]

فناوری مه  و رایانش ابری یک ساختار وابسته و متقابلا سودمند می باشند.  دستگاه های مه و ابر با سازگاری با یکدیگر، قادر به مدیریت انواع نرم افزار های حساس به تاخیر و  وظیفه های پیچیده می باشند.  هر چند این دو فناوری پیشرفت زیادی  به صورت جداگانه در زمینه صنعت و علم به دست آورده اند ولی تحقیقات کمی بر روی ادغام آنها صورت گرفته است.

روشهای سنتی از جستجوی تکراری و همگرایی استفاده می کنند. در ساخت مدل بهینه سازی، بعضی محققان به صف انتظار در کانال و گره مه، بدون توجه هستند. در واقع به خاطر تاثیر فراوانی که صف انتظار در کارایی سیستم دارد با بی توجهی به آن، از یک سناریوی واقعی شبکه محروم می گردند. برای حل این مشکل خان و همکارانش برای حداقل کردن زمان تکمیل یک وظیفه، در شبکه مه  از بررسی صف استفاده کرده اند و  یک صف m /m/1 انتظار در کانال بدون سیم  در نظر گرفته اند. آنها تصمیم واگذاری با در نظر گرفتن ظرفیت محاسباتی محلی و تخصیص محاسباتی به همراه مصرف انرژی در نظر گرفته اند.

با ظهور اینترنت اشیا، دستگاه های پایانی به عنوان حسگر، دروازه ها یا محل های ذخیره سازی محلی و پردازش ابری در نظر گرفته شده اند. به خاطر ظرفیت منابع محدود آنها وجود پروژه های محاسبات ابری یک نیاز می باشد. هرچند که داده های خام جمع آوری شده از طریق دستگاه‌های اینترنت اشیا باید به یک سرور ابری بارگذاری گردند در این صورت  پهنای باند زیادی مورد نیاز می باشد. دستگاه های اینترنت اشیا داده ها را از محیط اطراف خود جمع آوری کرده و  با انجام تجزیه و تحلیل اولیه بر روی آنها یک الگوی فشرده به دست می آورند. هر چند که پروژه محاسبات ابری یک راه حل راحت و قابل استفاده برای اینترنت اشیا می باشد ولی این رویکرد دارای محدودیت‌های حیاتی مثل مصرف مقدار زیادی از پهنای باند شبکه،  ایجاد تأخیر زیادو … می باشند. با افزایش نمایی تعداد دستگاه‌های IoT و مقدار داده های جمع آوری شده توسط آنها، واگذاری  وظایف به مرکز داده ابر هزینه بر و ناکارآمد می باشند. از یک طرف  محاسبات مه، منابع محاسباتی و ذخیره‌سازی را به لبه شبکه نزدیک‌تر می‌کنند.  اما ازطرف دیگر این منابع دارای ظرفیت محدود هستند. بر این اساس  ادغام شبکه مه و پردازش ابری راهکار بهینه ای را برای اینترنت اشیا ارائه می دهد. Sun و همکارانش یک معماریIoT-fog-cloud عمومی پیشنهاد داده اند. در این رویکرد همزمان از مزایای مه و شبکه ابر با هم استفاده کرده اند. آنها انرژی و زمان موثر واگذاری محاسباتی و تخصیص منابع را فرمول سازی کرده اند. همچنین یک الگوریتمETCora برای حل مشکل پیشنهاد داده‌اند که مصرف انرژی و زمان تکمیل را کاهش می دهد[۳]. لازم به ذکر است های پروژه کلیه خدمات سفارش و انجام پروژه اینترنت اشیا را انجام می دهد

در واقع شبکه مه یک توسعه برای زیرساخت کلودهای راینشی می باشد. در میان گره های مه مسائلی مانند زمان تکمیل[۱۴] سرعت پردازش داده و دستیابی منابع مهم هستند. در محیط مه، بهینه‌سازی زمان تکمیل و مصرف انرژی باید به صورت همزمان صورت پذیرد.  با در نظر گرفتن این نکات، این مقاله بر روی واگذاری محاسباتی موثر ، زمان و انرژی تخصیص منابع به طور همزمان کار میکند. هدف آنها کاهش انرژی و زمان تکمیل میباشد. موجودیت های شبکه مانند سوئیچ ها،  دروازه‌ها و مسیریاب ها به عنوان گره در نظر گرفته می‌شوند. این الگوریتم  از مزایای پروژه شبکه مه و ابر همزمان بهره می برد. این چهارچوب پیشنهادی هم مصرف انرژی و هم زمان تکمیل را کاهش می‌دهد[۳].

 جین و همکارانش مشکل شبکه های اد هاک که بر حسب تقاضا[۱۵] می باشد را مورد مطالعه قرار داده اند. در این شبکه گره ها با کارایی بالا، به عنوان گره های اصلی (ستون فقرات)  در مسیرهای انتقال حیاتی برای اتصال به بقیه مسیرها مورد استفاده قرار میگیرند.

در این مقاله جین و همکارانش یک معماری واگذاری محاسباتی پیشنهاد داده‌اند که از دو قسمت اساسی تأمین منابع انعطاف پذیر[۱۶] و ارائه دهنده ساخت شبکه [۱۷]تشکیل شده است. هردو در یک چهارچوب در نظر گرفته شده‌اند یک گره میزبان که به منابع محاسباتی اضافی نیازدارد و می تواند از منابع گره های همسایه استفاده کنند[۶]..

وب سایت های پروژه با چندین سال تجربه در زمینه انجام انواع پروژه های رایانش ابری ، پروژه های محاسبات ابری (Cloud computing) ، انجام پروژه اومنت ، انجام انواع پروژه های شبیه سازی با مینی نت ، متلب و… در خدمت شما دانشجویان عزیز می باشد. جهت سفارش پروژه رایانش و محاسبات ابری با شماره تلفن زیر تماس حاصل فرمایید. دانشجویان عزیز در مقاطع ارشد و دکترا نیز جهت دریافت مشاوره رایگان در زمینه انجام پایان نامه دکتری خود نیز می توانند با شماره تلفن درج شده در سایت تماس گرفته یا از قسمت گوشه پایین سمت راست بر روی ایکون تماس کلیک کرده تا از طرف مشاوران ما با شما تماس گرفته شود.

۰۹۳۰۲۱۱۴۸۹۵

منابع:

 [۱]      X. Wang, Z. Ning, and L. Wang, “Offloading in Internet of vehicles: A fog-enabled real-time traffic management system,” IEEE Transactions on Industrial Informatics, vol. 14, no. 10, pp. 4568-4578, 2018.

[۲] L. Liu, Z. Chang, and X. Guo, “Socially aware dynamic computation offloading scheme for fog computing system with energy harvesting devices,” IEEE Internet of Things Journal, vol. 5, no. 3, pp. 1869-1879, 2018.

[۳]       H. Sun, H. Yu, G. Fan, and L. Chen, “Energy and time efficient task offloading and resource allocation on the generic IoT-fog-cloud architecture,” Peer-to-Peer Networking and Applications, vol. 13, no. 2, pp. 548-563, 2020.

[۴]       L. M. Vaquero and L. Rodero-Merino, “Finding your way in the fog: Towards a comprehensive definition of fog computing,” ACM SIGCOMM Computer Communication Review, vol. 44, no. 5, pp. 27-32, 2014.

[۵]       S. Yi, Z. Qin, and Q. Li, “Security and privacy issues of fog computing: A survey,” in International conference on wireless algorithms, systems, and applications, ۲۰۱۵: Springer, pp. 685-695.

[۶]       Y. Jin and H. Lee, “On-Demand Computation Offloading Architecture in Fog Networks,” Electronics, vol. 8, no. 10, p. 1076, 2019.

[۷] Delay-tolerance applications

[۸] Delay-sesetive applications

[۹] Real time

[۱۰] dimensioning

[۱۱] Infrastructure As A Service

[۱۲] Platform As A Service

[۱۳] Software As A Service

[۱۴] Round Trip Time

[۱۵] On-demand

[۱۶] Flexible resource provisioning

[۱۷] Resource provider network construction