دانلود ترجمه مقاله تامین منابع برای سرویس های اینترنت اشیا در مه

1. مقدمه 2. پژوهش های مرتبط 3. چارچوب محاسبات مه 4. تامین منابع مه 5. ارزیابی 6. نتیجه گیری

چکیده – ظهور اینترنت اشیاء (IoT) منجر به ظهور فضای کسب و کار و فضای خصوصی همه جا حاضر با دستگاه های محاسباتی شبکه شده، می گردد. این دستگاه ها به سادگی به عنوان حسگر عمل نمی کنند، اما قابلیت های محاسباتی، ذخیره سازی و منابع شبکه را دارند. این منابع نزدیک به لبه شبکه هستند و یک رویکرد امیدوار کننده برای بهره برداری از آنها برای اجرای سرویس های IoT است. این مفهوم به عنوان محاسبات مه شناخته می شوند. علیرغم پایه های نظری موجود، اتخاذ محاسبات مه هنوز در نقطه آغازین خود است. به ویژه، فقدان رویکردهایی برای لیزینگ و آزاد کردن منابع وجود دارد. برای حل این کمبود، ما یک چارچوب مفهومی برای تامین منابع مه را ارائه می دهیم. ما یک مسئله بهینه سازی را که قادر به در نظر گرفتن منابع موجود در مناظر مه / IoT است را رسمیت می دهیم. هدف این مسئله بهینه سازی، فراهم آوردن بهره وری حساس به تاخیر منابع محاسباتی موجود بر اساس مه می باشد. ما مدل تامین منابع را برای نشان دادن مزایای مشارکت مان ارزیابی می کنیم. نتایج بررسی ما، کاهش در تاخیر تا 39% در مقایسه با روش پایه، را نشان می دهد، که منجر به makespanها و زمان و رفت و برگشت کوتاه تر می گردد.

The advent of the Internet of Things (IoT) leads to the pervasion of business and private spaces with ubiquitous, networked computing devices. These devices do not simply act as sensors, but feature computational, storage, and networking resources. These resources are close to the edge of the network, and it is a promising approach to exploit them in order to execute IoT services. This concept is known as fog computing. Despite existing theoretical foundations, the adoption of fog computing is still at its very beginning. Especially, there is a lack of approaches for the leasing and releasing of resources. To resolve this shortcoming, we present a conceptual framework for fog resource provisioning. We formalize an optimization problem which is able to take into account existing resources in fog/IoT landscapes. The goal of this optimization problem is to provide delay-sensitive utilization of available fog-based computational resources. We evaluate the resource provisioning model to show the benefits of our contributions. Our results show a decrease in delays of up to 39% compared to a baseline approach, yielding shorter round-trip times and makespans.