- 计算连续中基础设施节点优化的应用部署分布式遗传算法
在本文中，我们提出并评估了三种分布式遗传算法（GA）设计，用于雾计算中的资源优化问题，其设计基于 GA 在雾设备本身中的执行，以应对约束资源和设备广泛地理分布等特定问题。通过利用 NSGA-II 实施了基准案例，在优化雾服务部署问题的特定领 - 完全分布式雾计算负载均衡与多智能体强化学习
提出了一种使用多智能体强化学习的全分布式负载平衡解决方案，通过智能地分布物联网工作负载，在提供公平资源利用的同时优化等待时间，从而最小化等待时间并改善端到端执行延迟。
- 在基于疫情雾云计算架构中革新医疗图像分析
通过使用雾计算和改进的卷积神经网络，本研究论文介绍了一种创新的医疗架构，以应对医疗图像分析的挑战，提高分析效率和准确性，进而革新医疗图像分析和诊断技术，改善患者护理和治疗结果。
- 迁移学习方法下的雾负载平衡的终身学习
对于基于强化学习的雾计算负载均衡，本文提出了一种终身学习框架，使用轻量级推理模型在部署期间最小化动作延迟，并在环境发生显著变化时进行重新训练，以提高性能、减少训练成本并适应这些变化。与现有文献相比，我们还应用了迁移学习来解决终身学习问题，尤 - 智能物联网服务的分布式雾服务器中的图神经网络
介绍了一个名为 Fograph 的分布式实时 GNN 推理框架，利用多个相邻的 IoT 数据源附近的多种多样的动态资源，通过引入健全的异构感知执行规划和特定于 GNN 的压缩技术来适应雾环境，从而显著优于最先进的云服务和雾部署。
- 在边缘计算环境下预测复制运动的时间特征
本文研究 Fog computing 环境中数据本地性的有效管理至关重要，传统的数据复制技术缺乏操作更高级别的技术，因此需要更先进的技术来预测客户何时何地连接，并借助 Holt-Winter 的指数平滑模型来将时间预测结合到现有的空间预测模 - 将人工智能引入边缘计算：一种正式 M&S 规范以部署有效的物联网架构
本研究采用基于离散事件系统规范的 IoT 模型，包括 IoT 设备到边缘数据中心的处理单元的 entire architecture 描述，并考虑用户设备、网络和计算基础设施的定位感知，以优化管理 IoT 数据流分析应用程序的联合资源，提高 - 基于云 / 边缘 / 雾计算的互联车辆架构设计方案
这篇综述论文提供了云 / 边缘 / 雾计算等计算架构的全面研究，特别是与互联汽车相关的计算架构，旨在为实现更安全、舒适的驾驶体验提供指导。
- 基于 A3C 学习和残差循环神经网络的随机边缘云计算环境动态调度
提出了一种基于 A3C 和 R2N2 的边缘云环境实时调度器，允许分散式学习，同时跨多个代理并利用时间模式提供有效的调度决策，实验表明在实际数据集上相比现有算法的能耗、响应时间、服务级别协议和运行成本等方面都有显著改进。
- 面向网络优化的雾计算分布式学习
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。
- 带能量收集的可扩展雾计算系统的动态网络切片
本文研究了雾计算系统，在其中云数据中心可以通过在广泛的地理区域部署大量的雾节点来补充。我们提出了动态网络切片的概念，其中区域编排器协调本地雾节点之间的工作负载分配，为支持具有一定服务质量（QoS）保证的特定类型的服务提供能源和计算资源的划分 - 触觉互联网中能耗高效的雾计算分布式优化
该论文研究了支持低延迟触觉互联应用的能量高效雾计算网络的设计，引入了一种称为 offload forwarding 的新型合作雾计算概念，详细阐述了在集中式和分布式训练解决方案中的设计细节和优化算法。
- HealthFog: 基于集成深度学习的智能医疗系统，用于在集成 IoT 和 Fog 计算环境中自动诊断心脏疾病
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。
- 在网络边缘提取设备上的智能
本文讨论了如何使用雾计算从分散在无线连接设备上的用户产生的私有数据中提炼高质量的设备端机器学习模型。作者提出了一种名为 Fog ML（FML）的通信高效、隐私保护的分布式机器学习框架，通过交换模型参数、模型输出和代理数据来训练设备端机器学习 - MM物联网数据聚合技术
本论文旨在为大规模物联网网络设计高效的数据聚合框架，以支持物联网分析层的正确运行，研究内容包括非凸优化、机器学习、随机矩阵扰动理论和联邦滤波等现代算法框架，以及雾计算和云计算等现代计算基础架构。本研究提出了三种独立的新方法，分别解决了 Io - ElfStore：面向联邦边缘和雾资源的弹性数据存储服务
本文提出了一种基于边缘和雾计算的数据存储服务 Elfstore，它可以在边缘和雾设备上可靠地存储和管理数据，并使用基于 Bloom 过滤器的联合元数据索引，实现数据的可靠发现和访问。
- 使用机器学习进行车联网雾计算中的切换优化
本研究针对未来雾计算系统，提出了一种基于学习的车联网移交优化方案，利用机器学习算法学习车辆与雾节点的互动，运用神经网络预测给定位置和时间的正确雾节点，以及实现了一种双层堆叠的循环神经网络，可以学习处理请求的高延时服务，用于创建智能请求路由机 - 雾计算对物联网的安全影响
本文介绍了 IoT 和传感器的使用，以及由此产生的数据生成、带宽使用和相关现象的迅速增加；调查了雾计算与物联网的融合及其问题，强调了其安全相关问题，发现尽管这种融合似乎并不简单，但它比风险更有益。
- 关于雾计算和相关边缘计算范式的全面调查
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， - 一种在线优化框架 —— 最小化延迟的分布式雾网络形成
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