تجميع البيانات الهجين الأمثل لأجهزة الحوسبة الضبابية في إنترنت الأشياء
محتوى المقالة الرئيسي
الملخص
في السنوات القليلة الأخيرة، أصبحت التطبيقات التي تستخدم إنترنت الأشياء (IoT) في غاية الأهمية لأنها تسهل التفاعلات المستمرة والسلسة بين البشر والأجهزة من أجل تحسين نوعية الحياة. مع زيادة الأجهزة المستخدمة في التطبيق لإجراء عمليات سلسة وفعالة، أصبحت كمية البيانات التي يتم إنشاؤها عالية. اليوم، ظهرت حوسبة الضباب كنسخة موسعة من البنية التحتية السحابية التي توفر خدمات قابلة للتطوير بدرجة كبيرة وتدرك زمن الاستجابة للأجهزة النهائية الموزعة جغرافيًا. ومن خلال إضافة طبقة الضباب إلى نموذج الحوسبة السحابية، يمكن تحسين جودة الخدمة (QoS) في التطبيقات الحساسة للتأخير وفي التطبيقات الحرجة للوقت. ونظرًا لزيادة نشر شبكات الضباب على نطاق واسع، يمكن أن تصبح كفاءة الطاقة قضية مهمة جدًا في نموذج حوسبة الضباب. وهذا يمكن أن يخفض تكاليف الخدمة ويحمي البيئة بشكل أكبر. لقد تم إجراء الكثير من الأبحاث لتقليل استهلاك الطاقة في شبكة الاستشعار اللاسلكية (WSN) وحوسبة الضباب، مع التركيز في المقام الأول على تقنيات التحسين. وكان هذا لتعزيز الحفاظ على الطاقة. في هذا العمل، تم اقتراح تقنية تحسين هجينة جديدة ومبتكرة تعتمد على خوارزميات بحث TABU (TS)، وتحسين سرب الجسيمات (PSO)، وديناميكيات تكوين النهر (RFD). كان Hybrid RFD-TS، جنبًا إلى جنب مع تقنية RFD-PSO الهجينة، في حل البحث الفضائي المستخدم للحل الأمثل المحلي، وهو ما تم تجنبه. وأظهرت النتائج التجريبية فعالية اللقاء المقترح
Received 28/12/2023
Revised 22/04/2024
Accepted 24/04/2024
Published 25/05/2024
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Vambe W T, Chang C, Sibanda, K. A review of quality of service in fog computing for the Internet of Things. Int J Fog Comput. 2020; 3(1): 22-40. https://doi.org/10.4018/IJFC.2020010102.
Muzammil Hussain Shahid, Ahmad Raza Hameed, Saif ul Islam, Hasan Ali Khattak, Ikram Ud Din, Joel J P C. Rodrigues. Energy and delay efficient fog computing using caching mechanism. Comput Commun. 2020; 154: 534-41. https://doi.org/10.1016/j.comcom.2020.03.001.
Narayana P, Parvataneni P, Keerthi K. A Research on Various Scheduling Strategies in Fog Computing Environment. International Conference on Emerging Trends in Information Technology and Engineering (IC-ETITE). 2020; 1-6. https://doi.org/10.1109/ic-ETITE47903.2020.
Matrouk K, Alatoun K. Scheduling Algorithms in Fog Computing: A Survey. Int J Netw. 2021; 9(1): 59-74. . https://doi.org/10.2991/ijndc.k.210111.001
Rizk, R, Alkady, Y. Two-phase hybrid cryptography algorithm for wireless sensor networks. J electr syst inf technol. 2015; 2(3): 296-313. https://doi.org/10.1016/j.jesit.2015.11.005.
Tropea M, Spina MG, De Rango F, Gentile AF. Security in Wireless Sensor Networks: A Cryptography Performance Analysis at MAC Layer. Future Internet. 2022; 14(5): 145. https://doi.org/10.3390/fi14050145 .
Hung C W, Hsu W T. Power consumption and calculation requirement analysis of AES for WSN IoT. Sensors. 2018; 18(6): 1675. https://doi.org/10.3390/s18061675 .
Prajapati VK., Jain M., Chouhan L. Tabu search algorithm (TSA): A comprehensive survey. 3rd International Conference on Emerging Technologies in Computer Engineering: Machine Learning and Internet of Things (ICETCE). 2020: 1-8. https://doi.org/10.1109/ICETCE48199.2020.9091743
Aburukba RO, AliKarrar M, Landolsi T, et al. Scheduling Internet of Things requests to minimize latency in hybrid Fog–Cloud computing. Future Gener Comput Syst. 2020; 111: 539-51.https://doi.org/10.1016/j.future.2019.09.039.
Dar and Ravindran Daks. Fog Computing Resource Optimization: A Review on Current Scenarios and Resource Management. Baghdad Sci J. 2019; 16(2): 0419. https://doi.org/10.21123/bsj.2019.16.2.0419 .
Tellez, N., Jimeno, M., Salazar, A., Nino-Ruiz, E.D. A tabu search method for load balancing in fog computing. Int J Artif. 2018; 16(2): 78-105.
Mostafa Ghobaei-Arani, Alireza Souri, Fatemeh Safara, Monire Norouzi. An efficient task scheduling approach using moth‐flame optimization algorithm for cyber‐physical system applications in fog computing. Trans Emerg Telecommun Technol. 2020; 31(2): e3770.http://dx.doi.org/10.1002/ett.3770.
Kumar J, Saxena V. Cloud Data Security through BB84 Protocol and Genetic Algorithm. Baghdad Sci. J.2022; 19(6(Suppl.): 1445. https://doi.org/10.21123/bsj.2022.7281.
Ren X, Zhang Z, Arefzadeh SM. An energy‐aware approach for resource managing in the fog‐based Internet of Things using a hybrid algorithm. Int J Commun Syst. 2021; 34(1): e4652. https://doi.org/10.1002/dac.4652.
Yifan Hu, Keyong Hu, Hailin Liu, Xuexiao Wan. energy-balanced head nodes selection scheme for underwater mobile sensor networks. J Wirel Commun Netw. 2022;1.https://doi.org/10.1186/s13638-022-02141-3.
Mengjia Zeng, Xu Huang, Bo Zheng, Xiangxiang Fan. A Heterogeneous Energy Wireless Sensor Network Clustering Protocol. Wirel Commun Mob Comput. 2019; 2019, Article ID 7367281. https://doi.org/10.1155/2019/7367281.
Orojloo H, Haghighat AT. A Tabu search based routing algorithm for wireless sensor networks. Wirel Netw. 2016; 22(5): 1711-24. https://doi.org/10.1007/s11276-015-1060-7.
Jyotika Pruthi, Shaveta Arora, Kavita Khanna.2022. Brain tumor segmentation using river formation dynamics and active contour model in magnetic resonance images. Neural Comput Appl. 2022; 34(14): 11807–11816. https://doi.org/10.1007/s00521-022-07070-2
Vijayalakshmi K, Anandan P. A multi objective Tabu particle swarm optimization for effective cluster head selection in WSN. Clust Comput. 2019; 22(5): 12275-82. https://doi.org/10.1007/s10586-017-1608-7.
Jyotika Pruthi, Shaveta Arora, Kavita Khanna. Brain tumor segmentation using river formation dynamics and active contour model in magnetic resonance images. Neural Comput Appl. 2022; 34(14): 11807–11816. https://doi.org/10.1007/s00521-022-07070-2.
Redlarski G, Dabkowski M, Palkowski A. Generating optimal paths in dynamic environments using River Formation Dynamics algorithm. J Comput. 2017; 20: 8-16. https://doi.org/10.1016/j.jocs.2017.03.002.