دانلود ترجمه مقاله بهینه سازی منابع در به کار گیری IoT مبتنی بر مه

1. مقدمه 2. مدل سیستم موبایل 3. به کارگیری مطالعه موردی رباتیک 4. آزمایشات در ROS 5. نتایج 6. پژوهش های مرتبط 7. نتیجه گیری

چکیده – دستگاه های اینترنت اشیاء، به طور معمول در محیط هایی با منابع محدود (انرژی، ظرفیت محاسباتی) به کار گرفته می شوند. اتصال این دستگاه ها به ابر به علت رفتار متغیر شبکه و همچنین سرریزهای تاخیر بالا عملی نیست. محاسبات مه، اشاره به یک معماری محاسباتی مقیاس پذیر و توزیع شده دارد که وظایف محاسباتی را به دستگاه های لبه یا دروازه های هوشمند نزدیک تر می کند. به عنوان مثالی از سناریوهای موبایل IoT، در استقرار های روباتیک، وظایف فشرده محاسباتی مانند نقشه برداری زمان اجرا ممکن است بر روبات های همکار یا دروازه های هوشمند انجام شود. اکثر این وظایف محاسباتی شامل اجرای الگوریتم های بهینه سازی در داخل گره های محاسبه در زمان اجرا و اتخاذ تصمیمات سریع بر اساس نتایج است. در این مقاله، کتابخانه های بهینه سازی را درون سیستم عامل ربات (ROS) مستقر در سنسورها بکاراندازنده های رباتیک وارد می کنیم. با استفاده از محیط شبیه سازی Gazebo مبتنی بر ROS، ما سناریوهای مورد مطالعه را برای بهینه سازی زمان اجرا نشان می دهیم. با استفاده از محاسبات بهینه و توزیع شده، نشان داده شده تا بهبود قابل توجهی در زمان تأخیر و صرفه جویی در باتری برای بارهای محاسباتی بزرگ فراهم کند. امکان انجام بهینه سازی زمان اجرا طیف گسترده ای از موارد استفاده در توسعه IoT موبایل را باز می کند.

Internet of Things (IoT) devices are typically deployed in resource (energy, computational capacity) constrained environments. Connecting such devices to the cloud is not practical due to variable network behavior as well as high latency overheads. Fog computing refers to a scalable, distributed computing architecture which moves computational tasks closer to Edge devices or smart gateways. As an example of mobile IoT scenarios, in robotic deployments, computationally intensive tasks such as run time mapping may be performed on peer robots or smart gateways. Most of these computational tasks involve running optimization algorithms inside compute nodes at run time and taking rapid decisions based on results. In this paper, we incorporate optimization libraries within the Robot Operating System (ROS) deployed on robotic sensor-actuators. Using the ROS based simulation environment Gazebo, we demonstrate case-study scenarios for runtime optimization. The use of optimized distributed computations are shown to provide significant improvement in latency and battery saving for large computational loads. The possibility to perform run time optimization opens up a wide range of use-cases in mobile IoT deployments.