دانلود ترجمه مقاله استفاده از DEVS برای مدل سازی و شبیه سازی محيط محاسباتی مه

1. مقدمه 2. معماری مه 3. پژوهش های مرتبط 4. اجرای شبیه سازی 5. نتایج و بحث و بررسی 6. نتیجه گیری و پژوهش های آتی

چکیده – با افزایش محبوبیت اینترنت اشیا (IoT)، محاسبات فراگیر، خدمات مراقبت از سلامت، شبکه های حسگر و دستگاه های موبایل، در لایه ادراک مقدار زیادی داده، تولید می شود. ابر بهترین راه حل برای ذخیره سازی داده ها، پردازش و مدیریت است. ابر همچنین به ایجاد خدمات بیشتر کمک می کند، که با توجه به زمینه و الزامات، خالص است. با این حال، با در دسترس بودن از طریق اینترنت، ابر برای خدمات چند رسانه ای حساس به تاخیر و دیگر خدمات حساس به زمان، مانند اورژانس و مراقبت های بهداشتی به اندازه کافی کارآمد نیست. مه، ابر گسترده ای که در مجاورت گره های پایه قرار دارد، می تواند مسائلی را که ابر سنتی به طور مستقل نمی تواند حل کند را حل نماید. مه می تواند پاسخ سریع به برنامه های مورد نیاز را فراهم کند. علاوه بر این می تواند داده ها را با توجه به الزامات، پیش پردازش و فیلتر کند. داده های حاصل سپس برای تجزیه و تحلیل بیشتر و ارائه خدمات پیشرفته به ابر ارسال می شود. با این حال، اینکه استفاده از مه در هر سناریوی خاص، به جای یک ابر که مستقلا و بدون مه کار می کند، چقدر بهتر است، پرسشی است که در حال حاضر مطرح است. در این مقاله، ما پاسخی برای این پرسش با تجزیه و تحلیل سناریوهای تنها ابر و سناریوهای ابر- مه در زمینه پردازش تاخیر و مصرف انرژی با توجه به تعداد روزافزون کاربران، بر اساس بار سرور متفاوت ارائه می کنیم. شبیه سازی توسط مشخصات سیستم رویداد گسسته (DEVS) انجام می شود. نتایج شبیه سازی نشان می دهد که با استفاده از شبکه های مه، کاربران، زمان انتظار کمتر و نرخ بهبود یافته داده را تجربه نموده اند.

With the increase in popularity of Internet of Things (IoT), pervasive computing, healthcare services, sensor networks, and mobile devices, a lot of data is being generated at the perception layer. Cloud is the most viable solution for data storage, processing, and management. Cloud also helps in the creation of further services, refined according to the context and requirement. However, being reachable through the Internet, cloud is not efficient enough for latency sensitive multimedia services and other time-sensitive services, like emergency and healthcare. Fog, an extended cloud lying within the proximity of underlying nodes, can mitigate the issues traditional cloud cannot solve being standalone. Fog can provide quick response to the requiring applications. Moreover, it can preprocess and filter data according to the requirements. Trimmed data is then sent to the cloud for further analysis and enhanced service provisioning. However, how much better is it to have a fog in any particular scenario instead of a standalone cloud working without fog is a question right now. In this paper, we provide an answer by analyzing both cloud-only and cloud-fog scenarios in the context of processing delay and power consumption according to increasing number of users, on the basis of varying server load. The simulation is done through Discrete Event System Specification (DEVS). Simulation results demonstrate that by the use of fog networks, users experienced lower waiting times and increased data rates.