بهبود تأخیر و انرژی در بارگیری وظایف در شبکه‌های اینترنت اشیا مبتنی بر مه با استفاده از شبکه‌های نرم‌افزارمحور
محورهای موضوعی : مهندسی برق و کامپیوتررضا خالقی فر 1 , رضا محمدی 2 , محمد نصیری 3 , سکینه سهرابی 4
1 - دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران
2 - دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران
3 - دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران
4 - دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران
کلید واژه: اینترنت اشیا, الگوریتم بهینه‌سازی سوسک‌های بال آتشین, رایانش مه, شبکه‌های مبتنی بر نرم‌افزار.,
چکیده مقاله :
رشد سریع فناوری اینترنت اشیا منجر به ظهور انواع مختلفی از برنامه‌های کاربردی اینترنت اشیای حساس به تأخیر شده است. این برنامه‌ها به منابع محاسباتی قابل توجهی برای پردازش در زمان واقعی نیاز دارند که منجر به مصرف زیاد انرژی در دستگاه‌های اینترنت اشیا می‌شود. برای پرداختن به این مسئله، بارگیری وظایف با استفاده از محاسبات مه به‌عنوان یک راه‌حل جدید ظاهر شده است. بارگیری وظیفه با استفاده از محاسبات مه، باعث کاهش تأخیر و انعطاف‌پذیری دستگاه‌های اینترنت اشیا می‌گردد. در این پژوهش یک مدل ریاضی با هدف کاهش میزان تأخیر انتهابه‌انتها و مصرف انرژی برای بارگیری وظایف در شبکه اینترنت اشیا و مه که مبتنی بر زیرساخت شبکه‌های نرم‌افزارمحور می‌باشد، معرفی شده است. سپس نتایج حاصل از شبیه‌سازی مدل پیشنهادی بر اساس معیارهای تأخیر و انرژی مصرفی با دو الگوریتم فراابتکاری ژنتیک و سوسک‌های بال آتشین و همچنین مقاله پایه مقایسه شده است. پس از پیاده‌سازی سناریو و تجزیه و تحلیل، نتایج حاصل از شبیه‌سازی حاکی از آن است که مدل پیشنهادی با استفاده از الگوریتم‌های فراابتکاری توانسته است که به طور میانگین و تقریبی، تأخیر و انرژی مصرفی را به ترتیب 18 و 19 درصد کاهش دهد.
The rapid growth of IoT technology has led to the emergence of various latency-sensitive IoT applications. These applications require significant computational resources for real-time processing, resulting in high energy consumption in IoT devices. To address this issue, task offloading using fog computing has emerged as a novel solution. Fog-based task offloading reduces latency and enhances the flexibility of IoT devices. This study proposes a mathematical model aimed at minimizing end-to-end delay and energy consumption for task offloading in IoT-fog networks based on software-defined networking (SDN) infrastructure. The simulation results of the proposed model are compared with two metaheuristic algorithms (Genetic Algorithm and Firefly Algorithm) and a baseline paper, focusing on delay and energy consumption metrics. After implementing the scenario and conducting analysis, the simulation results indicate that the proposed model, using metaheuristic algorithms, achieved approximate average reductions of 18% in delay and 19% in energy consumption.