边缘雾云:面向物联网计算的分布式云
本文综述了边缘计算、雾计算和云计算生态系统中体系结构、应用和平台抽象的各个维度,从物理和应用移动性、隐私敏感性和新兴运行时环境等方面介绍了边缘和雾层的新颖能力。同时,我们基于各个领域的第一手实践介绍了相关 IoT 应用案例研究,并指出了 Fog computing 的潜力和现实之间的差距,并提出了需要克服的挑战,以使 Fog 计算成为一个可持续的解决方案。此外,本文可以帮助平台和应用程序开发人员填补 Fog 计算尚未成熟的差距。
Feb, 2017
本文介绍了物联网的大量分布式设备及传感器提出的需求,提出了更为接近设备和数据中心的雾计算模式,讨论了其挑战、特点和发展现状,构建了一套分类系统,并对现有研究进行了分析和总结,进一步提出了未来的研究方向。
Nov, 2016
本文主要介绍了物联网 (IoT) 背景下,雾计算 (fog computing) 及其边缘计算 (edge computing) 子范畴如多接入边缘计算 (MEC) 和 cloudlet 等的工作原理和应用研究,总结了相关工作的分类与问题,提出本领域未来研究方向和挑战。
Aug, 2018
研究了在延迟和可靠性限制下,在雾计算网络中分配和主动缓存计算任务的基本问题,提出了一种聚类方法来对空间上的用户设备进行分组,并将它们的任务分发到服务云,通过主动缓存计算结果来最小化计算延迟。模拟结果表明,相比基线方案,该方案可以保证可靠计算,其减少了高达 91%的计算延迟。
Apr, 2017
提出一种名为 HealthFog 的集成深度学习的边缘计算框架,将其部署在自动心脏病分析的实际应用中,将医疗服务提供为雾计算服务,并使用 IoT 设备高效地管理心脏患者的数据。
Nov, 2019
针对雾计算中存在的不确定性,本文提出了一种在混合雾 - 云架构下,考虑到邻近雾节点到达过程的阈值算法来选择邻居节点,并通过任务分配优化减少延迟的在线优化框架,在不同的网络设置下成功地减少了 19.25% 的延迟,有效地解决了雾节点形成和任务分配问题。
Oct, 2017
提出一种软件架构,利用边缘、雾化和云计算等不同层级之间的双向通信来最大限度地利用上下文和情境数据,并通过医院呼吸疾病监测的案例研究证明了该架构在满足物联网场景需求方面有着高效的通信。
Jan, 2024
本文通过云计算和机器学习的方式探讨了如何推动智能物联网监控和控制。通过将物联网和边缘计算相结合,可以降低延迟、提高效率和增强安全性,从而推动智能系统的发展。论文还介绍了物联网监控和控制技术的发展、边缘计算在物联网监控和控制中的应用以及机器学习在数据分析和故障检测中的作用。最后,通过实际案例和实验研究展示了智能物联网监控和控制系统在工业、农业、医疗等领域的应用和效果。
Mar, 2024
本文提出了一种网络感知分布式学习优化方法,使设备在成本和效益之间进行数据传输和处理决策,并通过测试数据集证明算法能够显著提高网络资源利用效率,同时不损害模型学习准确性。
Apr, 2020