دانلود ترجمه مقاله چارچوب تخصیص منابع مبتنی بر محاسبات شناخت لبه برای اینترنت اشیا

1. مقدمه 2. روش پیشنهادی و مدل سیستم 3. ارزیابی 4. نتیجه گیری

چکیده – با توجه به خاصیت ذاتی پردازش درخواست منابع از دستگاه های اکتیو و پسیو موبایل به عنوان بخشی از اینترنت اشیا (IoT)، ظرفیت پردازش و نیز زمان تأخیر به یک معیار بهینه سازی عمده تبدیل شده است. به منظور حصول استفاده بهینه از منابع ابری، داشتن ردیابی پویا، نظارت و نیز چارچوب ارکستراسیون از جمله چالش های کلیدی هستند که باید با آنها مقابله گردد. در همین زمینه، افزایش استفاده از دستگاه های ابری در موقعیت های توزیعی به منظور تسهیل موفقیت IoT پیش بینی شده است؛ سپس موفقیت نسل پنجم (5G) از تکنولوژی های بی سیم بررسی شده است. این موضوع پتانسیل های عظیمی را برای یکپارچه سازی منابع استفاده نشده چنین دستگاه های محاسباتی در تجمعات ابری ایجاد می کند. با این حال، این موضوع نیازمند یک ارکستراسیون، نظارت و ردیابی منابع محاسباتی توزیعی سطح خرد کارآمد می باشد؛ که در آن منابع در موقعیت های ژئو و نیز قابل دسترس در منابع استفاده نشده در نوع زمانی توزیع شده اند. در این مقاله، ما یک راه حل چارچوب مبتنی بر محاسبات شناخت لبه برای این ملزومات و به منظور به دست آوردن استفاده ای کارآمد از این منابع پراکنده ارائه داده ایم. این موضوع امکان بسط نرم دینامیک امکانات محاسباتی تجمع ابری و نیز روش تولید داده ای را در اختیار کاربر نهایی قرار می دهد. نتایج شبیه سازی نشان می دهند که چنین بسطی می تواند به صورت تابعی نمایی از اعداد پلتفرم های پردازش محلی در زمینه اشتراک گذاری منابع شناختی پیشنهادی باشد.

Due to the inherent property of the processing resource request from mobile active or passive devices as part of internet of things (IoT), processing capacity as well as latency become major optimization criteria. To achieve overall optimized uses of cloud resources - having dynamic tracking, monitoring as well as orchestration framework is one of the key challenges to overcome. In the same context, enhanced uses of computing devices at distributed location is predicted to facilitate the success of IoT; subsequently the success of fifth generation (5G) of Wireless technologies. This opens enormous potential to integrate the unused resources of such distributed computed devices within the conventional cloudlet or cloud federation. However, this requires an efficient micro-level distributed computing resource tracking, monitoring and orchestration; where resources are distributed in geo-location as well as the availability of unused resources are time variant in nature. In this paper, we have proposed a cognitive edge-computing based framework solution for these requirements in order to achieve an efficient use of these distributed resources. This provides the end-user with a dynamic soft extension of computing facilities of cloudlet and cloud federation, as well as a revenue generation avenue to enduser. The simulation results show that such extension can be an exponential function of the number of local processing platforms agreed to participate in the proposed cognitive resource sharing.