توصيفگر ها :
رايانش مه , تخصيص وظايف , كيفيت سرويس , محاسبات مه وسايل نقليه
چكيده فارسي :
رايانش مه يك زيرساخت توزيع شده‌است كه محاسبات، ارتباطات و امكانات ذخيره‌سازي را به سوي لبه شبكه گسترش مي‌دهد. در مقايسه با رايانش ابري رايانش مه مي‌تواند با كاهش مصرف انرژي و تراكم ترافيك پايين از درخواست‌هاي خدمات حساس به تاخير پشتيباني كند. به همين دليل الگوي پردازشي رايانش مه به عنوان مكمل رايانش ابري معرفي شد. در رايانش مه، يك لايه بين دستگاه‌هاي انتهايي و لايه ابر در نزديكي كاربر قرار مي‌گيرد و گره‌هاي مه تصميم مي‌گيرند كه سرويس را با استفاده از منابع در دسترس خود پردازش كنند يا به سرويس‌دهنده ابري ارسال كند. رايانش مه به كاربرد كارآمد منابع و عملكرد بالاتر در زمينه تاخير، پهناي باند و مصرف انرژي كمك مي‌كند. با اين حال، يكي از چالش‌هاي مهم در رايانش مه كمبود ظرفيت محاسبات مه با افزايش تقاضاهاي روزانه به ويژه در زمان اوج است و اين مي‌تواند منجر به تخريب حاد عملكرد شود. پس به يك ساز و كار بهينه نياز است تا بتواند كيفيت سرويس مطلوب را ارائه دهد. بنابراين ادغام رايانش مه و شبكه اقتضايي خودرو كه منجر به ايجاد محاسبات مه وسايل نقليه مي‌شود به عنوان يك راه حل اميدواركننده براي كاهش بار اضافه در ايستگاه پايه و كاهش تاخير پردازش در زمان اوج ظاهر شده است. به گونه‌اي كه استفاده از منابع مازاد خودروهاي مجاور به عنوان يك گزينه سازگار با تقاضا و كم‌هزينه پيشنهاد مي‌گردد. از اين‌رو، منابع محاسباتي ارائه شده توسط گروه بزرگي از خودروها مي‌توانند جمع شوند و براي كاهش ازدحام شبكه در زمان اوج مصرف، بدون استفاده از سرورهاي اضافي به كار روند و قابليت افزايش محاسبات در زمان واقعي را فراهم كند. با اين حال، استقرار گسترده شبكه مه وسايل نقليه هنوز با چندين چالش حياتي مانند فقدان مكانيسم‌هاي انگيزشي كارآمد و تعيين تكليف مواجه است. در اين پايا‌ن‌نامه، به چالش‌هاي فوق مي‌پردازيم. در ابتدا راه‌حلي براي به حداقل رساندن تاخير شبكه از منظر يكپارچه‌سازي تطبيق قرارداد ارائه مي‌شود. در مرحله بعد، ما مسئله تخصيص وظايف محاسباتي را به صورت يك مسئله تطبيق دو طرفه بين وسايل نقليه و كاربران تعريف مي‌كنيم و يك الگوريتم تطبيق پايدار مبتني بر كيفيت سرويس را براي حل مسئله معرفي مي‌كنيم و در نهايت، تصميمات بارگذاري وظايف براي به حداقل رساندن تاخير كل شبكه انجام مي‌شود. طرح پيشنهادي مي‌تواند به طور موثر تعادل بارگذاري شبكه را تضمين كند و استفاده از منابع آزاد وسايل نقليه را بهبود بخشد.
چكيده انگليسي :
Fog computing is an emerging paradigm that moves computing, communication, and storage capabilities to the edge of the network. Compared to cloud computing, fog computing can support delay-sensitive service requests with lower energy consumption and lower traffic density.For this reason, fog computing processing model was introduced as a complement to cloud computing. There is an layer located between the cloud and end devices near the user and fog nodes decide whether to process the service using their available resources or transfer it to the cloud server. Therefore, fog computing contributes to the efficient use of resources and higher performance in terms of latency, bandwidth, and energy consumption. However, one of the major challenges in fog computing is the lack of fog computing capacity with increasing daily demands, especially at peak times, and this can lead to severe performance degradation. So an optimal mechanism is needed to provide the desired service quality. Therefore, the integration of fog computing and vehicular network, which leads to the creation of vehicular fog computing(VFC), has emerged as a promising solution to reduce the overload at the base station and reduce the processing delay at the peak time. In such a way that the use of the excess resources of nearby vehicles is suggested as an option compatible with the demand and low cost. The tremendous computation resources provided by a large group of vehicles can be aggregated and utilized to alleviate network congestion during the peak time without deploying additional servers.to Provide increased real-time computing capability.However,the wide area deployment of VFC still confronts several critical challenges,such as the lack of effective incentive mechanism and task assignment mechanisms. In this thesis, we deal with the above challenges and present a solution to minimize network delay from the perspective of contract matching integration. Next, we transform the task assignment problem into a two-sided matching problem between vehicles and user equipments (UEs). The formulated problem is solved by a Qos-based stable matching algorithm. Finally, numerical results demonstrate that significant performance improvement can be achieved by the proposed scheme. Finally, offloading decisions are made to minimize network total delay .The proposed scheme can effectively ensure network load balance and improve the use of free vehicle resources.
