Loading...
3 results
Search Results
Now showing 1 - 3 of 3
- Uma proposta de algoritmo de escalonamento de aplicações móveis sensíveis ao contexto para o paradigma fog computingPublication . Barros, Celestino Lopes de; Rocio, Vitor; Sousa, André; Paredes, HugoEscalonamento na arquitetura cloud e no paradigma fog continuam a apresentar alguns desafios aliciantes. Na cloud, segundo o conhecimento dos autores, ela é amplamente estudada e em muitas pesquisas é abordada na perspetiva de provedores de serviço. Na fog, é muito complexo e, existem poucos estudos. Procurando trazer contributos inovadores nas áreas de escalonamento de tarefas, neste artigo, propomos uma solução para o problema de escalonamento de aplicações móveis sensíveis ao contexto para o paradigma fog computing onde diferentes parâmetros de contexto são normalizados através da normalização Min-Max, as prioridades são definidas através da aplicação da técnica da Regressão Linear Múltipla (RLM) e o escalonamento é feito recorrendo a técnica de Otimização de Programação Não Linear Multi-objetivo (MONLP).
- Uma proposta de escalonamento de tarefas sensível ao contexto de aplicações móveis no paradigma fog computingPublication . Barros, Celestino Lopes de; Silva, Hugo Alexandre Paredes Guedes da; Rocio, Vitor; Sousa, André Filipe Esteves deOs pedidos de execução de aplicações na arquitetura cloud e no paradigma fog são geralmente heterogéneos em termos de contextos ao nível dos dispositivos e das aplicações. O escalonamento dos pedidos nessas arquiteturas é um problema de otimização com múltiplas restrições. Apesar dos inúmeros esforços, o escalonamento de tarefas nessas arquiteturas e paradigmas continua a apresentar alguns desafios aliciantes que nos levam a questionar a forma como as tarefas são encaminhadas entre os diferentes dispositivos físicos, nós da fog e cloud. A fog é definida como uma extensão da cloud, que disponibiliza serviços de processamento, armazenamento e rede próximo da edge network, e devido à densidade e heterogeneidade de dispositivos, o escalonamento é muito complexo e, na literatura, encontramos ainda poucos estudos. Contrariamente, o escalonamento na cloud é amplamente estudado. Diversos trabalhos de investigação abordam, no entanto, essa questão na perspetiva de provedores de serviço ou otimizam os níveis da qualidade de serviço (QoS) da aplicação. Ignoram, porém, informações contextuais ao nível do dispositivo e dos utilizadores finais e as suas experiências de utilização (QoE). Procurando trazer contributos inovadores nas áreas de escalonamento de tarefas e computação distribuída, nesta tese, é proposta uma solução para o problema de escalonamento de pedidos sensível ao contexto para o paradigma fog que minimiza os tempos de execução da aplicação e maximiza as suas prioridades. Os diferentes parâmetros de contexto são normalizados através da normalização Min-Max. A prioridade de cada pedido é definida através da aplicação da técnica de análise Multiple Linear Regression (MLR) e o seu escalonamento com vista a otimizar a QoE dos utilizadores, é feito recorrendo a técnica de Otimização Multi-Objective Non-Linear Programming1 (MONLP). Os resultados experimentais, encontrados a partir de simulações no kit de ferramentas iFogSim, demonstram que a nossa proposta de escalonamento apresenta um melhor desempenho em comparação com as propostas não sensível ao contexto (First Come First Served, Shortest Job First e QoS-based), relativamente às métricas: percentagem de execução dos pedidos com sucesso, tempo de espera e QoE dos utilizadores.
- Escalonamento de pedidos no paradigma Fog Computing: proposta de um modelo sensível ao contexto e avaliação do seu desempenhoPublication . Barros, Celestino Lopes de; Rocio, Vitor; Sousa, André; Paredes, HugoOs pedidos de execução de aplicações na arquitetura cloud e no paradigma fog são geralmente heterogéneos e o escalonamento nessas arquiteturas é um problema de otimização com múltiplas restrições. Neste artigo, fizemos um levantamento sobre os trabalhos relacionados com o escalonamento na arquitetura cloud e no paradigma fog, identificamos as suas limitações, explorarmos perspetivas de melhorias e propomos um modelo de escalonamento sensíveis ao contexto para o paradigma fog. A solução proposta utiliza a normalização Min-Max, para resolver a heterogeneidade e normalizar os diferentes parâmetros de contexto. A prioridade dos pedidos é definida através da aplicação da técnica de análise de Regressão Linear Múltipla e o escalonamento é feito utilizando a técnica de Otimização de Programação Não Linear Multiobjetivo. Os resultados obtidos a partir de simulações no kit de ferramentas iFogSim, demonstram que a nossa proposta apresenta um melhor desempenho em comparação com as propostas não sensíveis ao contexto.