سعدون عزیزی

Cloud computing has fundamentally transformed modern information technology by enabling on-demand access to scalable and virtualized computational resources, including processing power, storage, and software services. Despite its advantages, the dynamic, heterogeneous, and large-scale nature of cloud environments introduces significant challenges in efficient resource management, particularly in job scheduling and load balancing. These challenges become more critical when multiple conflicting objectives such as minimizing execution time, ensuring fair workload distribution, and reducing energy consumption must be addressed simultaneously. Given that cloud job scheduling is an NP-hard problem, conventional heuristic approaches often fail to provide satisfactory performance, while many existing metaheuristic methods suffer from issues such as premature convergence and insufficient balance between exploration and exploitation. In this thesis, the cloud job scheduling problem is formulated as a multi-objective combinatorial optimization problem with three primary objectives: minimizing makespan, minimizing the Degree of Imbalance (DI) as a measure of load distribution fairness, and minimizing total energy consumption. To effectively address this problem, a novel scheduling framework based on the Football Team Training Algorithm (FTTA) is proposed. Furthermore, an improved version of the FTTA algorithm is developed by incorporating a greedy initialization strategy inspired by the Min-Min algorithm, a load-aware local search mechanism to reduce workload imbalance, and a stochastic fine-tuning phase to improve exploration capability and avoid local optima. The proposed approach is specifically adapted to handle discrete task-to-virtual-machine mapping in heterogeneous cloud environments. The performance of the proposed method is evaluated through extensive simulation experiments under different scenarios, including varying workload sizes and varying numbers of virtual machines. The results demonstrate that the improved FTTA algorithm consistently outperforms baseline methods such as Random allocation as well as well-known metaheuristic approaches including Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). Specifically, the proposed method achieves significant improvements in reducing makespan, improving load balance (lower DI), and minimizing energy consumption. Overall, the findings confirm that the proposed framework provides an efficient, scalable, and energy-aware solution for task scheduling in cloud computing environments, offering a robust trade-off among multiple conflicting objectives.

Given the increasing trend of household electrical energy consumption and its direct impact on household costs and grid sustainability, the development of new energy management frameworks for smart homes has become an inevitable necessity. The increasing proliferation of smart home technologies and dynamic electricity pricing also requires attention to optimizing home energy consumption through intelligent scheduling of appliances. Traditional home energy management systems (HEMS) are often ill-equipped to handle the complexities of dynamic electricity pricing and changing user needs. This complexity requires advanced solutions that can intelligently plan device usage to optimize for multiple and often conflicting goals. Advanced reinforcement learning algorithms such as deep Q-networks offer promising solutions by learning optimal policies through interaction with the environment. These systems can dynamically adjust device schedules based on real-time data, such as energy prices and user behavior patterns, without the need for explicit programming for each scenario. In this study, a deep Q-network model for a home energy management system is presented, which aims to optimize the scheduling of home appliances using deep reinforcement learning algorithms and compare their performance with baseline methods. For this purpose, a set of electricity tariff data over a ten-week period is generated and simulated, along with a dataset of user preferences including three selected time slots and, in order, the priority for turning on four scheduleable home appliances, including: dishwasher, vacuum cleaner, iron, and washing machine, are given as input to the simulated environment. Four different algorithms were designed and implemented for appliance scheduling: random slot selection based on user preferences, fixed first-priority selection, greedy algorithm based on lowest-cost slot selection, and a deep reinforcement learning-based method called Cost-Convenience Optimized Deep Q-Network (CCO-DQN) algorithm that enables dynamic and adaptive learning by utilizing neural networks and reward policies. Simulation results show that the proposed algorithm is able to significantly reduce household energy costs while maintaining user comfort levels. Compared to traditional methods and heuristic algorithms, the proposed framework has been able to provide better performance in both reducing the total energy cost and increasing system flexibility. The main contributions of this thesis in relation to the design of the neural network model of the proposed algorithm are the design of a dedicated architecture of a deep Q-neural network that is able to simultaneously model the impact of variable energy tariffs and user preferences. In this architecture, multidimensional input vectors including dynamic tariffs, time priority score, and device performance constraints are considered. The second is the dual-objective reward design (cost-comfort), where through an innovative mechanism, the reward is shaped to simultaneously reduce the electricity cost and maintain user comfort. This function establishes a stable balance between the conflicting objectives with adaptive weighting. The third is the optimization of the state-action representation, where the state space is modeled to include the instantaneous energy prices and the user preference vector, and the action space reflects the flexibility of the device scheduling. This design results in more efficient exploration and faster convergence of the model. By combining multi-objective optimization, network architecture customization, and learning stability enhancement techniques, these contributions propose the CCO-DQN algorithm as a more efficient alternative to stochastic and greedy baseline methods in home energy management.

With the rapid proliferation of Internet of Things (IoT) services, ensuring Quality of Service (QoS) and meeting their stringent requirements have become increasingly critical. In this context, multi-fog and multi-cloud computing has emerged as a novel paradigm that combines the complementary capabilities of fog and cloud computing to provide a flexible and efficient platform for delivering diverse services. On the one hand, this integration leverages the proximity of fog nodes to users, thereby reducing latency; on the other hand, it exploits the abundant and scalable resources of cloud infrastructures. Nevertheless, despite these advantages, such an environment introduces several challenges, among which optimal service placement is of paramount importance. Service placement plays a decisive role in guaranteeing user experience, minimizing the operational costs of service providers, and ensuring efficient utilization of infrastructure resources. However, the multi-objective and heterogeneous nature of the problem makes it highly complex and computationally challenging. In this study, the service placement problem is modeled as a multi-objective optimization task using Mixed Integer Linear Programming (MILP). The model simultaneously addresses three main objectives: minimizing user latency, reducing the costs of service providers, and maximizing the profitability of infrastructure providers. To solve this model, a one-to-one matching-based algorithm grounded in matching theory is proposed. By constructing and utilizing preference lists for both users and providers, the algorithm establishes a stable, fair, and scalable matching. Key strengths of this approach include its ability to incorporate the interests of all stakeholders, ensure the stability of placements, and adapt effectively to dynamic environments. The results obtained from simulations and extensive experiments indicate that the proposed matching-theory-based algorithm outperforms benchmark approaches, including the Random method, MD1, MC1, and MCD1, in terms of reducing average latency, lowering overall costs, and enhancing the system’s overall profitability. Consequently, the proposed approach can serve as an effective and practical solution for managing service placement in multi-fog and multi-cloud environments.

With the rapid growth of Internet of Things (IoT) services, addressing their requirements—such as reducing latency, enhancing service quality, and allocating resources efficiently—has become increasingly important. In this regard, Fog computing has emerged as a novel paradigm that brings computational resources closer to end-users, thereby enabling reduced latency, improved network efficiency, and enhanced quality of IoT services. Despite these advantages, fog environments are inherently challenged by resource constraints, node heterogeneity, and diverse service demands. One of the fundamental challenges in fog computing is the service placement problem. Optimal service placement, which involves assigning services to appropriate computational nodes, plays a crucial role in improving system performance. The primary objectives of this placement are to minimize user-perceived latency, maximize resource utilization, and enhance the overall quality of the network. However, the complexity of this problem—arising from the large number of users and services, the heterogeneity of fog nodes, and the dynamic and volatile nature of network conditions—renders exact solutions using classical approaches impractical, categorizing it as a complex optimization problem. In this study, the service placement problem is formulated as an Integer Linear Programming (ILP) model with the aim of minimizing average communication latency. To solve this model, two hybrid metaheuristic algorithms are proposed, which integrate the strengths of Genetic Algorithms (GA) and Simulated Annealing (SA) into a unified framework. This hybrid approach not only preserves service quality but also achieves faster convergence compared to standalone algorithms. The key distinction between the two proposed versions lies in the application of simulated annealing: in the first version, SA is applied only to the tail of chromosomes, whereas in the second version, it is applied at the population level in each generation. Simulation results demonstrate that the second version outperforms the first, achieving an average latency reduction of 23% across various experiments. Furthermore, comparisons with baseline approaches, including Random, GA, and SA, indicate that the proposed hybrid algorithm delivers superior performance in terms of both latency reduction and convergence stability. These findings suggest that the proposed method can serve as an efficient and effective solution for service placement optimization and resource management in fog computing environments.

The rapid proliferation of Internet of Things (IoT) devices and the increasing computational demands of modern applications in domains such as autonomous vehicles, smart healthcare, industrial automation, and smart cities have revealed fundamental limitations of traditional cloud-centric infrastructures. Although centralized cloud platforms provide substantial processing capacity, the physical distance between cloud data centers and data sources results in high latency, excessive bandwidth consumption, network congestion, and elevated operational costs. Fog computing has emerged as an effective complementary paradigm that extends computational and storage capabilities toward the network edge, enabling localized and real-time processing that significantly improves latency, resource efficiency, and overall Quality of Service (QoS). However, the optimal placement of Virtual Network Functions (VNFs) within Service Function Chains (SFCs) in fog–cloud environments remains a challenging NP-hard optimization problem due to heterogeneous resources, latency constraints, and complex system dynamics. In this thesis, a SUM-OF-SINGLE objective optimization framework based on an enhanced Ant Colony Optimization (ACO) algorithm is proposed to solve the VNF placement problem by aggregating end-to-end delay, deployment cost, and resource utilization into a unified objective function. The proposed ACO method employs a pheromone-guided adaptive search mechanism that enables efficient exploration of the large solution space while ensuring scalability and robustness under dynamic fog–cloud workloads. To comprehensively evaluate the effectiveness of the proposed framework, its performance was compared against five well-established benchmark algorithms, including Integer Linear Programming (ILP) as an exact optimal method, Non-dominated Sorting Genetic Algorithm II (NSGA-II), the Lightweight Greedy Placement Algorithm (LGPA), a Random placement baseline, and a Multi-Objective Genetic Algorithm (MOGA). Extensive simulation results across multiple network configurations demonstrate that the proposed SUM-OF-SINGLE ACO (Multi-objective) algorithm consistently outperforms all benchmark approaches by achieving lower end-to-end latency, reduced deployment costs, and superior resource utilization efficiency. Furthermore, the algorithm exhibits higher stability, faster convergence, and stronger scalability when facing heterogeneous infrastructure conditions and fluctuating service workloads. Overall, the findings confirm that the proposed ACO-based framework provides an effective, scalable, and cost-efficient solution for VNF placement in next-generation fog–cloud computing systems and contributes meaningful insights for both academic research and real-world deployment of intelligent edge-enabled services.

With the rapid growth of the Internet of Things (IoT) and the increasing demand for scalable and flexible computing services, serverless computing has emerged as a transformative paradigm in cloud architectures. By eliminating the need for direct infrastructure management, this model enables developers to easily develop and deploy lightweight functions. However, it also faces challenges such as cold starts, energy consumption, and quality-of-service (QoS) guarantees. Among these challenges, optimal resource allocation plays a key role in improving system performance and enhancing user satisfaction. In this thesis, aiming to provide an efficient solution for resource allocation in serverless environments, a cooperative framework based on game theory is introduced. In this framework, processing instances are modeled as players that competitively yet cooperatively request CPU resources, while considering three QoS classes—hard, real-time, and soft tasks—as well as profit, energy consumption, and execution deadlines. To solve the problem, a data-driven heuristic algorithm was designed, leveraging the XGBoost machine learning model to predict the profit of different configurations and performing greedy and adaptive resource allocation. A set of simulations under diverse workload scenarios was conducted to evaluate the performance of the proposed algorithm. The results demonstrate that the proposed method outperforms state-of-the-art algorithms, including FARM, weighted allocation, and relaxed linear programming. On average, the system’s net profit—defined as the revenue from successfully executed functions minus energy costs and penalties—increased by 8%, while total penalties and energy costs were reduced by 31% and 18%, respectively. The findings of this research highlight that modeling resource allocation as a cooperative game and employing data-driven algorithms can be an effective step toward designing intelligent and scalable solutions for serverless computing. This approach not only enhances efficiency and service quality but also paves the way for future research on adaptive and effective methods in modern computing environments.

The proliferation of Quality of Service-aware applications in edge computing environments has created critical challenges in resource scheduling, particularly regarding energy optimization in resource-constrained infrastructures. As serverless computing paradigms extend to the edge, the integration of Dynamic Voltage and Frequency Scaling capabilities presents opportunities for significant energy savings while maintaining stringent performance requirements. However, existing resource scheduling approaches in serverless edge computing fail to exploit DVFS capabilities effectively, lacking unified frameworks that jointly optimize energy consumption and QoS compliance for deadline-sensitive applications. This thesis presents a novel resource scheduling framework for energy optimization of QoS-aware applications in DVFS-enabled serverless edge computing environments. The proposed approach develops a comprehensive system model encompassing a multi-tier architecture of IoT devices, edge nodes, fog nodes, and data center resources, where each computational tier features DVFS-enabled processors with discrete frequency levels. The resource scheduling problem is formulated as a Mixed Integer Linear Programming optimization that simultaneously addresses function placement and frequency selection decisions to minimize total system energy consumption while ensuring QoS requirements through deadline compliance. The solution employs a Deep Q-Network agent that learns optimal resource scheduling policies by incorporating DVFS decision-making into its action space and utilizing a multi-objective reward function that balances energy efficiency with QoS satisfaction. Comprehensive experimental evaluation using discrete-event simulation demonstrates that the proposed resource scheduling approach achieves substantial improvements across critical performance metrics. The DQN-based scheduler reduces energy consumption by up to approximately 33% compared to baseline algorithms. while maintaining superior QoS compliance through reduced deadline violations and improved response times. The integration of intelligent DVFS control with serverless function placement enables fine-grained energy optimization without compromising application performance requirements. These findings establish the effectiveness of deep reinforcement learning for resource scheduling in DVFS-enabled serverless edge environments, providing a practical framework for sustainable edge computing deployments that meet the demanding requirements of QoS-aware applications.

Modern applications, particularly in domains such as the Internet of Things (IoT) and smart industries, are often modeled as computational workflows. To effectively execute these workflows, which require a combination of rapid responsiveness and high computational power, heterogeneous and multi-layered Fog-Cloud infrastructures are utilized. The primary challenge in such an environment is the optimal scheduling of these workflows, as multiple workflows, each potentially having hard (inflexible) or soft (flexible) deadlines, compete simultaneously for limited computational and energy resources. Consequently, an efficient scheduler must concurrently optimize conflicting objectives, such as satisfying Quality of Service (QoS) and minimizing operational costs, especially the consumption of energy from non-renewable sources. This research presents a profit-maximization optimization model for the multi-workflow scheduling problem, which integrally considers the acceptance rate of hard-deadline workflows, penalties for violating soft deadlines, and fossil fuel energy costs. To solve this model, an innovative two-phase framework has been designed: in the first phase, the Particle Swarm Optimization (PSO) algorithm determines the optimal task execution order; then, in the second phase, three specialized heuristic strategies namely, Time-Aware, Energy-Aware, and a Time-Energy hybrid perform the final mapping of tasks to virtual machines. The effectiveness of the proposed framework has been validated through extensive simulations on both synthetic datasets and real-world scientific workflows. Experimental results demonstrate the decisive superiority of this approach across all test scenarios. By maximizing workflow acceptance rates and minimizing financial penalties, the framework leads to a significant increase in profit, often achieving more than double the profitability of baseline algorithms in complex and realistic scenarios.The analysis of individual algorithms also revealed their specialized strengths: the TPSO algorithm excelled under heavy workload conditions, the EPSO algorithm consistently minimized operational costs, and ultimately, the hybrid TEPSO algorithm emerged as the most robust solution, achieving the highest overall profitability in most cases by dynamically balancing the conflicting objectives of time and energy.

Cloud computing has fundamentally reshaped how individuals and organizations access and manage information, supported by a vast infrastructure of data centers globally. With approximately 500,000 data centers in operation, the energy consumption associated with these facilities has become a critical concern, as data centers are projected to account for up to 4.5% of global energy use by 2025. This growing energy demand has driven the need for more efficient resource management strategies, particularly within the context of cloud computing. One of the most effective techniques for achieving energy efficiency in cloud environments is virtual machine consolidation (VMC). This process involves the dynamic allocation and reallocation of virtual machines (VMs) across physical machines (PMs) to optimize resource utilization. By concentrating VMs onto a minimal number of active PMs, VMC allows idle PMs to be powered off or transitioned into low-power states, thereby reducing overall energy consumption. The dynamic nature of VMC is particularly advantageous in cloud computing, where workloads fluctuate and demand adaptive resource management. This thesis introduces a mixed-integer linear programming (MILP) model designed to address the dynamic virtual machine consolidation challenge. The model is structured to minimize energy consumption while ensuring that the required quality of service (QoS) is maintained. The consolidation process is divided into four key sub-problems: identifying underloaded PMs, detecting overloaded PMs, selecting VMs for migration, and determining the optimal destination PMs for these VMs. The proposed model leverages the flexibility of cloud environments, utilizing live migration techniques to reallocate VMs with minimal performance impact. To validate the model, standard mixed-integer programming solvers such as CPLEX, and SCIP are employed. The results demonstrate the model’s effectiveness in reducing the number of active PMs and, consequently, the overall energy footprint of cloud data centers. By addressing both energy efficiency and service quality, this research contributes to more sustainable and cost-effective cloud computing operations.

Nowadays, the number of Internet of Things (IoT) applications is continuously increasing and finding extensive applications in various fields such as healthcare, transportation, and different industries. As these applications become more complex, their design and management in a monolithic manner are becoming more challenging. For this reason, the use of modern architectures like microservices is expanding as an effective solution. The microservice architecture assists in developing and deploying applications as small, independent units, providing greater scalability and flexibility. On the other hand, with the increasing number of microservices and the complexities of dependencies between them, deploying microservices closer to users as a solution to reduce communication delays and improve response time has gained significant attention. Microservices are deployed in distributed computing environments like fog environments, which leverage advanced technologies such as software-defined networks to provide higher quality services with lower latency. In such an environment, when a request for a service is received, since each service consists of a chain of microservices and each of these microservices includes multiple instances, the task of selecting which instance to use among the available instances for each microservice is known as user request routing. Selecting an instance that optimizes the request path is challenging. Optimal selection of instances, due to their large number, heterogeneity, and the distribution of fog nodes across the network, requires advanced optimization methods. In this research, the problem of request routing has been modeled as an integer linear programming model to provide an optimal solution for reducing user response delays. To achieve this goal, an optimization method for selecting microservice instances and routing requests has been introduced, based on the epsilon-greedy algorithm. The epsilon-greedy algorithm is one of the widely used methods in reinforcement learning and optimization problem solving. This algorithm is developed based on the multi-armed bandit model and uses an adaptive approach to manage the balance between exploration and exploitation. Thus, improving this algorithm for better routing and reduced response time has been considered. The proposed algorithm in this research has been optimized using several approaches to enhance the selection and exploration process and has been able to reduce communication delays, queuing delays, and processing delays in the routing process. To evaluate the performance of the algorithm, various experiments have been conducted and the performance of the proposed algorithm has been compared with several other algorithms in terms of response time and waiting time. The results of these evaluations show that our proposed algorithm outperforms competitors in various scenarios and is optimal in terms of response time.

Serverless computing has transformed cloud-based and event-driven applications by adopting the Function-as-a-Service (FaaS) paradigm, which enhances abstraction from infrastructure, simplifies administration, enables flexible pay-as-you-go billing, and provides automatic scaling and resource optimization. However, the dynamic nature of workloads in serverless environments poses significant challenges for resource provisioning, particularly due to the unpredictability of workload demands. Key issues include managing containers through automatic resource scaling, request scheduling, and determining the idle container window. Addressing these challenges in a distributed environment with limited resources and unpredictable workloads is complex and necessitates intelligent solutions and optimization strategies. Recent research has shown that machine learning-based approaches for automatic resource allocation in dynamic environments often outperform traditional methods. Motivated by this, in this thesis, we propose an effective and efficient container management mechanism for dynamic resource allocation in serverless computing environment. The primary objective of this mechanism is to achieve high Quality of Service (QoS) for users while optimizing resource utilization for providers. The proposed mechanism comprises three components: (1) Utilizing the Gated Recurrent Unit (GRU) deep learning model to analyze historical function invocation patterns and accurately predict workload demands. Based on these predictions and a service quality-aware strategy, such as CPU utilization and the number of rejected requests, the propose mechanism dynamically adjusts the number of container instances required. (2) Utilizing the heuristic algorithm of the warmest instance for scheduling requests among active instances represents a significant advancement in optimizing resource utilization and minimizing latency in serverless computing environments. This algorithm intelligently prioritizes the most active or recently utilized instances that are still within their warm state. (3) Focusing on determining the optimal idle container window for maintaining hot containers after processing requests, with the aim of enhancing the efficiency of serverless computing environments. By precisely selecting the appropriate retention duration, the system can effectively balance the trade-off between minimizing cold start occurrences and conserving computational resources. We evaluate our approach using two real-world datasets provided by Microsoft Azure Functions. Our experiments compared the proposed mechanism against several fixed instance configurations, the default Kubernetes Horizontal Pod Autoscaler (HPA), and the Prediction-Based Autoscaler (PBA) algorithm. The experimental results indicate that the proposed approach significantly outperforms the baseline algorithms. Specifically, it reduces the number of cold starts, enhances CPU utilization, lowers memory usage costs, minimizes rejected requests, reduces energy consumption, and improves response times. These findings underscore the effectiveness of the proposed approach in managing dynamic workloads and improving the efficiency and responsiveness of serverless computing environments, and they demonstrate its potential for application in real-world dynamic settings.

As Internet of Things (IoT) devices continue to proliferate and evolve, the demand for real-time responses and low latency in IoT applications has intensified. These applications, ranging from smart healthcare to autonomous vehicles, often generate computational tasks that require substantial processing power. Traditional IoT devices with limited resources struggle to meet these demands, leading to high response times and increased energy consumption and cost. Volunteer Edge-Cloud Computing (VECC) offers a promising solution by distributing tasks across edge nodes and cloud servers, thus optimizing resource usage and reducing latency. However, the task offloading problem deciding where and how to process these tasks remains a critical challenge. The challenge is compounded by the dynamic nature of the system, where factors such as node costs, add, leave the system, traffic, and system load continuously fluctuate. Additionally, the system handles a diverse range of tasks, including delay-sensitive tasks that require low latency and computation-intensive tasks demanding substantial processing power. These complexities necessitate an efficient task offloading algorithm capable of determining the optimal execution location for each task type. First, we will present a system model and problem formulation for task offloading within VECC environments using the Multi-Armed Bandit (MAB) theory. In this model, the primary objective is to minimize the total cost, which is composed of two parts: violation cost and monetary cost. We adapt and improve the ε-greedy approach to fit our system model to address the challenges and objectives we previously outlined. This adaptation ensures that the algorithm accounts for the quality of service (QoS) requirements of tasks, focusing on minimizing costs. To address this problem efficiently, we propose (An Adaptive Learning-based Algorithm for IoT Task offloading in Volunteer Edge-Cloud Computing). We will implement the task-specific reward schedules to manage task offloading within the framework of our proposed algorithm, which include critical task scheduling, real-time and normal. Each table will store information specific to its respective task type, which leads to a significant improvement in system performance to effectively handle the tasks. Then we conduct extensive simulation tests to validate and evaluate the performance of our proposed approach. We consider four distinct scenarios and compare our algorithm’s performance with existing algorithms, focusing on the key metrics outlined earlier. Extensive experiments demonstrate that our proposed method significantly outperforms existing approaches and offering a comprehensive and innovative solution to the task offloading challenge in VECC environments.

Multi-server systems, where multiple servers collaborate to provide various services, are integral to numerous real-world applications, such as load balancing in cloud computing, packet scheduling in wireless networks, and parallel processing in scientific computing. These systems are crucial for enhancing the efficiency and reliability of communication and computer systems, as they allow for optimized resource allocation and management in dynamic and complex environments. This research addresses the challenging problem of job scheduling in heterogeneous multi-server systems, where different queues correspond to distinct job types, each with unique Quality of Service (QoS) requirements. The complexity of this problem stems from the dynamic nature of the environment, the heterogeneous characteristics of the servers, the varying arrival rates of jobs into different queues, and the need to balance performance and cost. Efficient job scheduling is essential to maximize system performance and minimize operational costs, but the dynamic and multi-queue nature of these systems makes it a highly complex problem to solve. To tackle this issue, in this research, we propose two novel algorithms: Load and Deadline Aware (LDA) and Minimum Percentage of Violations (MinPoV). The LDA algorithm dynamically allocates jobs by integrating load metrics with deadline considerations, ensuring a balanced distribution of jobs. On the other hand, the MinPoV algorithm combines MaxWeight and Earliest Deadline First (EDF) strategies to minimize deadline violations, thus enhancing system efficiency. Extensive experiments were conducted to evaluate the performance of the proposed algorithms against existing benchmarks such as Random, Round Robin, First Come First Serve (FCFS), and MaxWeight. The evaluation metrics included Average Response Time, Average Waiting Time, and Average Percentage of Violations. The results demonstrate that the proposed algorithms significantly outperform the baseline methods across all metrics. Notably, the MinPoV algorithm exhibits superior performance compared to LDA, particularly in minimizing deadline violations. These findings suggest that both LDA and MinPoV are promising solutions for job scheduling in heterogeneous multi-server systems with dynamic and multi-queue environments, offering significant improvements in performance and reliability .

Agriculture is essential for sustaining human life. As the global population is expected to reach 10 billion by the mid-21st century, ensuring food security presents significant challenges. Traditional agricultural practices, which have historically met the dietary needs of the population, may no longer be sufficient to support such a large number of individuals. Modern agriculture enhances productivity by integrating IoT and machine learning technologies. In recent years, Iraq has experienced significant climate changes, reducing the availability of groundwater crucial for irrigation. Despite a long-standing water agreement with Turkey, Iraq continues to face water scarcity issues. This research demonstrates that implementing intelligent irrigation systems can conserve water and enhance agricultural productivity in the region. Although research shows that 61% of farming studies focus on crop management, less than 10% address irrigation strategies. Effective irrigation management, however, significantly influences crop yields. In our approach, we manage the irrigation of various crops, including strawberries, vegetables, and tomatoes, using IoT-enabled devices and sensors such as temperature, humidity, light intensity, and irrigation sensors. Devices such as Arduino Uno and Ethernet Shield collect data and transmit it to an edge server for processing. During our research, we engineered an advanced irrigation system tailored to various crops. This system employs machine learning techniques, specifically multi-class classification algorithms, to create a sophisticated irrigation schedule that optimizes water usage across different types of crops. By integrating these cutting-edge technologies, our study aims to enhance agricultural efficiency and resource management, By using machine learning algorithms such as Random Forest, Support Vector Machines, Logistic Regression, and KNN, we can predict irrigation needs with an accuracy exceeding 95%. This data-driven strategy allows us to create precise irrigation schedules, improving both irrigation management and crop yields. The edge server sends data to a local web server and the ThingSpeak cloud.

رایانش لبه‌ای سیار (MEC) یک الگوی تحول‌آفرین است که موجب بهبود عملکرد خدمات سیار و افزایش کارایی عملیاتی می‌شود. با توجه به تحرک مداوم کاربران، مهاجرت سرویس‌ها برای همسویی مستمر با جابه‌جایی کاربران امری ضروری است. با این حال، تصمیم‌گیری در مورد مهاجرت سرویس نیازمند در نظر گرفتن دقیق عواملی همچون تأخیر، در دسترس بودن منابع و میزان تقاضای کاربران است تا بهترین عملکرد و رضایت کاربری تضمین شود. بر این اساس، در این پایان‌نامه برای مواجهه با پیچیدگی‌های چالش مذکور، یک روش نوآورانه مبتنی بر الگوریتم ابتکاری ارائه شده است. در گام نخست، مسئله مهاجرت سرویس در سیستم‌های MEC به‌صورت یک مسئله بهینه‌سازی فرموله شده که هدف آن کمینه‌سازی مصرف انرژی سیستم و هزینه مهاجرت، با لحاظ کردن تأخیر به‌عنوان قید مدل است. سپس یک روش ابتکاری آگاه از کیفیت خدمات، انرژی‌کارا و مقرون‌به‌صرفه با نام ECQ معرفی می‌شود تا مدل پیشنهادی را به‌طور مؤثر حل کند. به‌منظور بازتاب واقع‌گرایانه‌تر شرایط محیط‌های MEC، ناهمگنی پیکربندی سرورها و عدم وجود سرور در تمامی ایستگاه‌های پایه نیز در نظر گرفته شده است. با لحاظ این جنبه‌ها، روش ECQ به‌عنوان راهکاری نویدبخش برای بهینه‌سازی مهاجرت پویا در محیط‌های واقعی و حساس به زمان MEC مطرح می‌شود. در نهایت، عملکرد ECQ در سناریوهای شبیه‌سازی مختلف از جنبه‌های زمان پاسخ، هزینه مهاجرت، مصرف انرژی و تعداد مهاجرت‌ها ارزیابی شده است. نتایج نشان می‌دهند که الگوریتم پیشنهادی از نظر عملکرد کلی بر سایر روش‌ها برتری دارد؛ به‌ویژه آنکه کیفیت خدمات بالایی را برای کاربران تضمین می‌کند و همزمان مصرف انرژی سیستم را به‌صورت پایدار مدیریت کرده و هزینه مهاجرت را در سطح قابل‌قبولی نگه می‌دارد. به طور خاص، در مقایسه با راهبرد FullMig، روش پیشنهادی کاهش قابل توجهی در هزینه مهاجرت (حدود ۲۵٪) و مصرف انرژی (حدود ۵۰٪) به دست می‌آورد، در حالی که زمان پاسخ متوسط در FullMig تنها حدود ۱۲٪ کمتر از روش پیشنهادی است. علاوه بر این، در مقایسه با روش E-ware، الگوریتم ECQ کاهش چشمگیر حدود ۴۲٪ در زمان پاسخ ارائه می‌دهد و همزمان هزینه مهاجرت و مصرف انرژی را در سطوحی مشابه با روش E-ware حفظ می‌کند.

رایانش لبه بدون سرور یک الگوی رایانشی در حال ظهور است که از ادغام دو فناوری اخیر رایانش لبه و رایانش بدون سرور تشکیل شده است. این مدل رایانشی توسعه و اجرای توابع نرم‌افزاری ماژولار را روی دستگاه‌های لبه با منابع محدود امکان‌پذیر می‌سازد. اما به دلیل محدودیت منابع محاسباتی، طبیعت پویای درخواست‌های کاربران و محدودیت‌های تاخیر توابع بدون سرور، رایانش لبه بدون سرور با چالش‌های متعددی مواجه است. مقیاس‌دهی خودکار منابع و زمان‌بندی درخواست‌ها از کلیدی‌ترین چالش‌های این حوزه به شمار می‌روند. دستیابی به مکانیزم‌های کارآمد برای حل این مسئله-ها در یک محیط توزیع‌شده با منابع محدود و بارهای کاری غیرقابل پیش‌بینی یک امر پیچیده و دشوار است که نیازمند راه‌حل‌های هوشمندانه و استراتژی‌های بهینه می‌باشد. تحقیقات اخیر نشان داده است که رویکردهای مبتنی بر یادگیری ماشین در زمینه تخصیص خودکار منابع در محیط‌های پویا نسبت به روش‌های سنتی عملکرد بهتری داشته‌اند. با این انگیزه، در این تحقیق ما یک مکانیزم‌ مؤثر و کارآمد مبتنی بر یادگیری تقویتی برای تخصیص پویای منابع در محیط رایانش لبه بدون سرور پیشنهاد می‌دهیم که هدف‌ اصلی آن دستیابی همزمان به کیفیت سرویس بالا برای کاربران و افزایش بهره‌وری منابع برای ارائه‌دهندگان است. مکانیزم پیشنهادی شامل دو بخش است. (1) استفاده از الگوریتم Q-learning با تابع پاداش سفارشی به منظور انجام تصمیم‌گیری در مورد مقیاس‌دهی نمونه‌های فعال در هر برش زمانی؛ (2) بکارگیری الگوریتم ابتکاری گرم‌ترین نمونه برای زمانبندی درخواست‌ها بین نمونه‌های فعال. مکانیزم Q-learning پیشنهادی سعی می‌کند با کشف الگوهای فراخوانی توابع در طول زمان تعداد بهینه نمونه‌های فعال را پیدا کند. همچنین، الگوریتم ابتکاری پیشنهادی تلاش می‌کند با انتخاب گرم‌ترین نمونه به ازای هر درخواست به بهبود عملکرد Q-learning کمک کند تا بتوان با کمترین تعداد نمونه درخواست‌های کاربران را پاسخ داد. بنابراین، مکانیزم ارائه شده در این تحقیق یک دستاورد برد-برد خواهد داشت به این معنی که رضایت هر دو طرف کاربران و ارائه‌دهنده را تامین می-کند. به منظور اثربخشی مکانیزم پیشنهادی آزمایش‌های شبیه‌سازی گسترده و متنوعی با در نظر گرفتن سناریوهای مختلف انجام شده است. با بررسی الگوهای ترافیکی مختلف و زمان‌های مختلف برای گرم نگه‌داشتن نمونه‌ها، نتایج حاصل از شبیه‌سازی نشان می‌دهد که مکانیزم پیشنهادی از نظر نرخ موفقیت درخواست‌ها، میانگین تعداد نمونه‌های استفاده شده، تعداد وقوع شروع سرد و بهره‌وری نمونه‌ها در بیشتر سناریوها از الگوریتم‌های پایه بهتر عمل می‌کند. یافته‌های این تحقیق بیانگر آن است که مکانیزم توسعه داده شده برای مسئله مقیاس‌بندی خودکار در محیط رایانش لبه بدون سرور بسیار امیدوارکننده است به گونه‌ای که می‌توان آن را در محیط‌های پویای دنیای واقعی بکار گرفت.

Vehicular Edge Computing (VEC) as a promising technology enables vehicles to perform heavy and delay-sensitive computing tasks by outsourcing computation efficiently and with low latency. However, due to the dynamism and uncertainty of the environment, including the rapid change of network conditions, the workload of edge servers, the cost of edge service providers, and the diversity of computing tasks, outsourcing computing has become a challenging and complex matter. In order to optimize the decision-making process for outsourcing tasks, various techniques and approaches have been presented. Recently, approaches based on reinforcement learning have attracted a lot of attention from researchers due to their ability to discover and adapt to dynamic and uncertain environments. The multi-armed bandit is a simple and effective learning approach in the field of reinforcement learning, which examines the issue of balance between exploration and exploitation, and tries to optimize long rewards by conducting experiments and learning from past experiences. It has a duration. Upper Confidence Bound (UCB) is one of the well-known algorithms based on the multi-armed bandit approach, in which the agent must make a sequence of consecutive decisions in order to achieve the optimal reward. In this research, we present an efficient approach based on the high confidence bound algorithm for the problem of computing outsourcing in the heterogeneous vehicular edge computing environment, where tasks can be executed locally, on one of the edge servers or the cloud server. Considering the diversity and deadlines of the generated tasks, the heterogeneity of edge servers, the different cost of providers and the network delay, we apply the upper confidence bound algorithm in such a way that the deadlines of the delay-sensitive tasks are met while reduce the financial cost for routine tasks. In order to evaluate the efficiency of the proposed method, extensive and diverse simulation experiments have been performed. The obtained results show that the proposed method, compared to competing methods, can well meet the requirements of delay-sensitive and normal tasks in terms of response time, deadline compliance and financial cost. Also, our results show that in the proposed method, the agent embedded inside the vehicle can learn the environment well and quickly adapt to the changes in the environment.

رایانش ابری به عنوان یک مدل محاسباتی مبتنی برابرمی‌باشدکه خدمات متنوع از جمله برنامه‌های کاربردی، محاسبات، شبکه و ذخیره‌سازی را برای کاربران فراهم می‌نماید. برای دستیابی کاربر به امنیت بیشتر داده‌ها، در دسترس بودن، اجتناب از قفل شدگی میزبان و ارائه خدمات مطابق با توافق‌نامه سطح خدمات، استفاده از چند ابر به جای یک ابر به عنوان یک راه‌حل مناسب و البته چالش برانگیز پیشنهاد می‌شود. با رشد و توسعه سریع سرویس‌های ابری، تعادل بار به یکی از چالش‌های کلیدی در محیط‌های چندابری بین محققان و صنعت تبدیل شده است. عدم رعایت تعادل بار منجر به نقض توافق‌نامه‌ سطح خدمات، کاهش نرخ درآمد و هدر رفت منابع می‌شود. بنابراین، ارائه دهندگان خدمات ابری برای استفاده موثر از منابع توزیع شده و کسب رضایت کاربران، به دنبال یک تعادل کارآمد بین منافع مالی خود و رضایت کاربر از طریق تعادل بار مناسب هستند. تاکنون الگوریتم-های زیادی برای مسئله تعادل بار در محیط‌های چندابری ارائه شده است که می‌توان آنها را به دو دسته متمرکز و غیر‌متمرکز تقسیم بندی کرد. الگوریتم‌های متمرکز، تمامی درخواست‌های کاربران توسط یک واحد مرکزی دریافت می‌شود. محدودیت اصلی این رویکرد، معضل نقطه شکست واحد و عدم مقیاس‌پذیری آن است. اما در الگوریتم‌های غیرمتمرکز، چندین واحد مسئولیت توزیع بار را بر عهده دارند. اگرچه الگوریتم‌های غیرمتمرکز مقیاس‌پذیرو تحمل‌پذیر شکست هستند اما با توجه به آنکه هر واحد به طور جداگانه بار دریافتی را توزیع می‌کند، برقراری تعادل بار در آن پیچیده‌تر و چالش ‌برانگیزتر است. ناهمگنی منابع، تنوع در قیمت‌گذاری و رعایت کیفیت سرویس می‌تواند پیچیدگی این مسئله را بیشتر کند. تمرکز این تحقیق روی مسئله زمان‌بندی کارها در محیط‌های چندابری می‌باشد. مشارکت اصلی ما شامل موارد زیر است. ابتدا، یک معماری توزیع شده جهت توزیع کارهای کاربران در محیط‌های چندابری ارائه می‌شود. سپس یک مدل بهینه‌سازی برنامه‌ریزی غیرخطی صحیح مختلط با هدف بهینه‌سازی سود ارائه‌دهندگان ارائه می‌شود. مدل ارائه شده به گونه‌ای است که در آن معیارهای کیفیت سرویس از دیدگاه کاربران و رعایت عدالت در بین ارائه‌دهندگان ابر در نظر گرفته شده است. در ادامه، یک الگوریتم ابتکاری غیرمتمرکز برای حل مسئله پیشنهاد می‌گردد. الگوریتم پیشنهادی شامل دو بخش توزیع بار بین ارائه‌دهندگان و زمان‌بندی کارهای ارسال شده به هر ارائه‌دهنده می‌باشد. در بخش اول به منظور توزیع بار متناسب بین ارائه‌دهنده‌ها، به هر ارائه‌دهنده یک وزن متناسب با میزان منابع در دسترس و هزینه خدمات آنها تخصیص داده می‌شود و بر اساس آن ارائه‌دهنده مناسب انتخاب می‌گردد. دربخش دوم با هدف کسب رضایت کاربران، تخصیص منابع به کارها بر اساس مهلت زمانی کارها انجام می‌شود. در نهایت، برای ارزیابی کارایی الگوریتم پیشنهادی از شبیه‌ساز CloudSimPlus 4.0 استفاده شده است. نتایج حاصل از انجام آزمایش‌های متنوع و گسترده نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با سایر روش‌ها عملکرد به مراتب بهتری از نظر بهره‌وری منابع، رعایت کیفیت سرویس، سود بدست آمده و عدالت بین سود ارائه‌دهندگان برخوردار است.

با رشد و توسعه سریع دستگاه های اینترنت اشیا و تلفن های همراه هوشمند، حجم داده تولید شده در لبه شبکه به شدت افزایش یافته است. محدودیت های محاسباتی، ذخیره سازی و طول عمری باتری این دستگاه ها مانع موثرتر بودن و موفقیت آمیز شدن برنامه های کاربردی مبتنی بر اینترنت اشیا و تلفن های همراه هوشمند شده است. برونسپاری وظیفه های محاسباتی به ابر می تواند راه حلی برای این مانع باشد. اما به دلیل فاصله زیاد ابر از لبه شبکه، این راه حل با چالش های متعددی همچون مصرف زیاد پهنای باند هسته شبکه، تاخیر بالا، حریم خصوصی و مشکلات امنیتی مواجه است. با توسعه ارتباطات همراه به ویژه فناوری های نسل چهارم و پنجم، رایانش لبه همراه ظهور پیدا کرد و توجه چشمگیری از سوی جامعه محققان و صنعت به خود جلب نمود. اگرچه رایانش لبه همراه مزیت های زیادی به همراه دارد اما به دلیل نوظهور بودن با چالش هایی نیز رو به رو است. مسئله های جایابی سرور لبه و تخصیص منابع به وظیفه های محاسباتی برونسپاری شده دو چالش کلیدی این حوزه محسوب می شوند که تاثیر به سزایی روی هزینه مالی ارائه دهندگان و کیفیت سرویس کاربران دارند. در این تحقیق دو مسئله مذکور به طور توام مورد بررسی و مطالعه قرار گرفته است. برای حل مسئله اول یک الگوریتم مبتنی بر بهینه سازی کلونی مورچگان با هدف دستیابی به تعادل بار بین سرورهای لبه پیشنهاد می شود. برای حل مسئله دوم نیز یک الگوریتم توزیع شده آگاه از کیفیت سرویس ارائه می گردد که در آن بارکاری سرورها و مهلت زمانی وظیفه های برونسپاری شده در نظر گرفته می-شود. به منظور ارزیابی کارایی رویکرد پیشنهادی، مجموعه داده واقعی مخابرات شانگهای مورد استفاده قرار گرفت. نتایج آزمایش های انجام شده نشان می دهد رویکرد ما به طور میانگین تعادل بار را 57.6%، متوسط زمان پاسخ را 50.7% و درصد رعایت مهلت زمانی را 35.2% بهبود می دهد.

رایانش ابری با استفاده از فناوری مجازی سازی منابع محاسباتی، ذخیره سازی و شبکه را از طریق اینترنت به سازمان ها و کاربران نهایی به روشی کاملا پویا ارائه می دهد. منابع مجازی ارزان تر، دارای مدیریت آسان تر و انعطاف پذیرتر از مجموعه های فیزیکی هستند. رشد چشمگیر و روزافزون تعداد سرویس ها و برنامه های کاربردی همچون اینترنت اشیا، کلان داده ها، محاسبات علمی، یادگیری ماشین و غیره رایانش ابری را با چند چالش جدی مواجه کرده است. از جمله این چالش ها می توان به افزایش تاخیر ارتباطی، مصرف بی رویه پهنای باند شبکه، امنیت و حریم خصوصی اشاره کرد. در راستای رفع این چالش ها، رایانش مه به عنوان مکملی برای ابر معرفی شده است که در آن سرویس های رایانش ابری در لبه شبکه و نزدیک به کاربران ارائه می گردد. اخیرا رایانش مه-ابر به عنوان یک مدل محاسباتی امیدبخش بین محققان و صنعت مطرح شده است. اما این مدل محاسباتی هنوز به بلوغ نرسیده است و با چالش های متعددی همراه است. زمانبندی جریان کار یکی از مهمترین آنها به شمار می رود که در آن هر درخواست در قالب دنباله ای از وظیفه های وابسته بهم تعریف می شود که باهم تشکیل یک گراف جهت دار بدون دور می دهند. این مسئله شامل دو مرحله است: (1) مشخص کردن ترتیب اجرای وظیفه-ها و (2) نگاشت وظیفه ها به منابع محاسباتی مجازی در دسترس. در این تحقیق ابتدا یک مدل بهینه سازی چند هدفه برای مسئله زمانبندی جریان کار در محیط رایانشی مه-ابر مجازی سازی شده با هدف کمینه-سازی توام زمان خاتمه و مصرف انرژی سیستم ارائه می شود. سپس برای مرحله اول مسئله از الگوریتم فرا-ابتکاری NSGA-II استفاده می شود که در آن به منظور بهبود عملکرد الگوریتم، جمعیت اولیه به صورت نیمه-حریصانه تولید می شود. برای مرحله دوم نیز یک تکنیک ابتکاری کارآمد جهت تخصیص ماشین های مجازی به وظیفه ها پیشنهاد می گردد. به منظور ارزیابی کارایی الگوریتم پیشنهادی، آزمایش های گسترده ای روی مجموعه داده های مصنوعی و مجموعه داده های واقعی شامل گراف های واقعی اپی ژنومیکس، مونتاژ و لایگو صورت گرفته است. الگوریتم پیشنهادی از نظر زمان خاتمه و انرژی مصرفی به ترتیب با HEFT و GHEFT و از نظر معیارهای کارایی فاصله نسلی، فاصله نسلی معکوس و رویکرد برنامه نویسی هدف با الگوریتم چند هدفه MOHEFT مقایسه شده است. نتایج حاصل از شبیه سازی نشان می دهد که روش پیشنهادی زمان خاتمه را حدود 11.3% تا 45.6% و مصرف انرژی را حدود 3.8% تا 20.6% کاهش می دهد. متوسط درصد بهبود برای معیارهای فاصله نسلی، فاصله نسلی معکوس و رویکرد برنامه نویسی هدف به ترتیب حدو 2.3% ، 5.7% و 9.8% گزارش شده است.

باتوجه به رشد وتوسعه روزافزون دستگاه های اینترنت اشیاءدرحوزه های مختلف، امروزه شاهد پیدایش سرویس ها و برنامه های کاربردی متنوعی هستیم . تأمین سرویس برای دستگاه های اینتنرت اشیاء با چالش های متعددی مواجه است. از جمله این چالش ها می توان به الزامات کیفیت خدمات متنوع، ناهمگنی منابع و افزایش تعداد ارائه دهندگان خدمات اشاره کرد. اگرچه طی چند سال گذشته تعداد ارائه دهندگان زیرساخت ابری به طور چشمگیری افزایش یافته است اما ذات متمرکز بودن محیط ابری برای سرویس های حساس به تاخیر و حجم داده های تولید شده توسط دستگاه های توزیع شده اینترنت اشیاء نامناسب است. از این رو، بسیاری از ارائه دهندگان زیرساخت مه اخیرا ظهور کرده اند و تعداد آنها به طور مداوم در حال افزایش است. رایانش مه به دلیل نزدیکی به دستگاه های اینترنت اشیاء توانسته مشکل تاخیر و مصرف پهنای باند شبکه را برطرف کند اما به دلیل محدودیت منابع قادر به میزبانی تمام سرویس های درخواستی نیست. بادرنظرگرفتن نیازمندی های متنوع سرویس ها و مشخصات مختلف محیط های رایانشی، نحوه نگاشت سرویس ها به منابع رایانشی به صورت بهینه امری چالش برانگیز است. مسئله جایابی سرویس ها به این چالش می پردازد و بیانگرچگونگی تخصیص منابع رایانشی به سرویس ها است به طوریکه نیازمندی های سرویس ها و اهداف سرویس دهنده های مه-ابر رعایت شود. برای حل این چالش، دراین پایان نامه دو کار مختلف انجام شده است. در روش اول پلتفرمی تحت عنوان FLEX برای انتخاب مکان سرویس ها در محیط های چندمهی و چندابری پیشنهاد می شود. برای هر سرویس، FLEX نیازمندی های آن سرویس را به مدیر منابع تمامی سرویس دهنده ها ارسال می کند. سپس باتوجه به پاسخی که از سوی سرویس دهنده ها دریافت می کند و همچنین نیازمندی هر سرویس، بهترین سرویس دهنده را انتخاب می کند. پلتفرم پیشنهادی مقیاس پذیر و انعطاف پذیراست به طوریکه به سرویس دهنده ها اجازه می دهد تا از سیاست محلی خودشان برای جایابی هر سرویس استفاده کنند. در این کار، مسئله به صورت برنامه ریزی خطی صحیح مختلط با هدف کمینه سازی تاخیر و هزینه فرموله سازی شده است و یک الگوریتم ابتکاری کارآمد برای انتخاب مناسب ترین سرویس دهنده جهت میزبانی هر سرویس پیشنهاد می گردد. در تحقیق دوم، مسئله جایابی سرویس و توزیع بار در یک سیستم مه-ابر مورد بررسی قرار می گیرد. مسئله اصلی شامل سه زیرمسئله است:[1] تعیین تعداد نمونه ها به ازای هر سرویس؛ [2] جایابی نمونه ها و[3] توزیع بار بین نمونه های جایابی شده. در این کار، ابتدا مسئله با هدف کمینه سازی هزینه مالی و با رعایت قید مربوط به مهلت زمانی هر سرویس با استفاده از برنامه ریزی عدد صحیح مختلط مدل سازی می شود. سپس، یک الگوریتم ابتکاری برای حل مسئله به صورت کارآمد پیشنهاد می گردد. الگوریتم پیشنهادی با توجه به اولویت سرویس ها وحجم بار گره های مه زیرمسئله اول و دوم را حل می کند. پس از جایابی نمونه ها، درخواست های دستگاه های اینترنت اشیاء به نمونه های جایابی شده اختصاص داده می شود. به منظور ارزیابی عملکرد الگوریتم های پیشنهادی، آزمایش های مختلفی انجام شده است. نتایج آزمایشات حاکی از آن است که رویکردهای پیشنهادی عملکرد به مراتب بهتری نسبت به رقیبان از خود نشان می دهند.

محیط رایـانشی مـه-ابر بـه یک بستر ایده آل برای پردازش تعـداد روبـه رشد برنامه های نوظهور اینترنت اشـیا تبدیل شده است. منابع به عنوان مجموعه ای از ماشینهای مجازی در اختیار این برنامـه های کاربردی قرار می گیرند. از آنجایی که ماشین های مجازی از نظر قدرت پردازشی، هزینه پردازشی، تاخیرارتباطات و مصرف انرژی ناهمگن هستند، چگونگی استفاده موثر از آنها برای اجرای وظایف اینترنت اشیا با انواع الزامات مختلف یک چالش اساسی است. مسئله زمانبندی وظایف به این چالش می پردازد و بیانگرتخصیص منابع به وظایف و چگونگی ترتیب قرارگیری وظایف روی منـابع در دسترس اســـت. برای حل کارآمد این مسئلـه، در این پایان نامه دو روش مختلف ارائه می شـود. در روش اول، ابتدا مسئله به صورت برنامه ریزی خطی عدد صحیح مختلط با هدف رعایت مهلت مقرر هروظیفه و کمینه سازی انرژی مصرف شــده سیسـتم فرموله سازی می شود. سپس یک رویکرد مبتنی بر جستجوی تطبیقی تصادفی حریصـانه برای حل مدل پیشنهادی ارائه می شـود. این الگوریتم دارای ویژگی های جذاب و کارآمد از جمله سادگی و سهولت در پیاده سازی، پارامترهای قابل تنظیم کم وقابلیت اجرای موازی است. به عنوان روش دوم، ابتدا یک معماری مدیریت خودکار مجهز بـه حلقه کنترلی برای زمـانبندی وظایف در رایانش مـه-ابر سبز ارائه می گردد جایی که در آن فرض می شود منابع مه به انرژی تجدیدپذیر مجهز هستند. سپس یک مدل بهینه سازی با هدف کاهش هزینه کل سیستم شامل هزینه انرژی مصرفی گره های محاسباتی مه، هزینه پردازش در ابرو هزینه نقض مهلت وظایف ارائه می شود. درنهایت، با ترکیب الگوریتم ژنتیـک و روش یادگیری مبتنی برمخالف یک راه حل کارآمد برای حل مدل سیستم پیشنهادی می گردد. مزیت اصلی روش پیشنهادی دستیابی به تعادل خوب بین اکتشاف و استخراج است. به منظور تایید کارایی الگوریتم ها ی پیشنهادی، آزمایش های جامع و متنوعی صورت گرفته است. نتایج آزمایش های شبیه سازی برتری عملکرد الگوریتم ها ی پیشنهادی را نشان می دهد. به طور ویژه، رویکرد مبتنی برروش جستجوی تطبیقی تصـادفی حریصانه به نرخ رعایت مهلت بیش از 95 %می رسد در حالی که مقدار آن برای الگوریتم ها ی مورد مقایســه کمتراز53% اسـت. همچنین، روش دوم هزینه کل سیستم رایانشی را حدود %28 نسبت به الگوریتم ژنتیک ساده بهبود می بخشد.

اینترنت اشیاء (IoT) یک سیستم جهانی از «دستگاه های هوشمند» است که می تواند اطراف خود را حس کرده و به آن متصل شود و با کاربران و سایر سیستم ها تعامل داشته باشد. جزیره گرمایی و آلودگی هوای جهانی یکی از دغدغه های مهم عصر ماست. سیستم های نظارت موجود دارای دقت پایین، حساسیت کم و نیاز به تجزیه و تحلیل آزمایشگاهی هستند. بنابراین، سیستم های نظارتی بهبود یافته مورد نیاز است. برای غلبه بر مشکلات سیستم های موجود، ما یک سیستم پایش جزیره گرمایی و آلودگی هوا را پیشنهاد می کنیم. یک کیت اینترنت اشیاء با استفاده از حسگرهای دما، رطوبت (SHT10) و آلاینده ها (PMS5003) شامل: (UM0.3، UM0.5، UM1، UM2.5، UM5، UM10) محیط توسعه یکپارچه آردوینو، و یک ماژول Wi-Fi تهیه شد. این کیت را می توان به صورت فیزیکی در شهرهای مختلف و مکان های مختلف برای نظارت بر جزیره ی گرمایی و آلودگی هوا قرار داد. حسگرها داده ها را از هوا جمع آوری می کنند و داده ها را به آردوینو ارسال می کنند. آردوینو داده ها را از طریق ماژول Wi-Fi به ابر منتقل می کند و در اختیار کاربر قرار می دهد. در این پژوهش با هدف ردیابی تغییرات زمانی هسته ی جزیره ی گرمایی و آلودگی شهر سنندج با استفاده از شبکه اینترنت اشیاء در بازه زمانی 8/6/2021 تا 28/9/2021 بررسی شده است و با تلفیق دمای بدست آمده با داده های ایستگاه هواشناسی وضعیت جزیره ی گرمایی شهر سنندج واکاوی شده است. داده های عناصر جوی و آلودگی هوا در چهار ایستگاه دریافت شد. داده های استخراج شده دما و رطوبت و آلاینده ها با فواصل زمانی ده دقیقه یک بار در اکسل مورد تجزیه و تحلیل قرار گرفت و سری زمانی آن ها در محیط متلب ترسیم گردید. برای همانگی و همبستگی میان داده های دما و همچنین داده های رطوبت از نمایه ضریب همبستگی پیرسون R استفاده شد. همچنین برای مشخص شدن میزان خطا برای داده های دما و رطوبت از نمایه شاخص اریبی Bias بهره گرفته شد. نتایج به دست آمده از محاسبه ی میانگین دمای مرکز شهر دارای کاربری شلوغ با حومه آن نشان داد که در تمامی روزها میانگین دما به سمت مرکز شهر (میدان آزادی) افزایش داشته است و میانگین رطوبت ثبت شده در هتل فرهنگیان که دارای کاربری ای با فضای سبز و درختکاری شده است بیشتر از سه ایستگاه مورد واکاوی است. همچنین نتایج بدست آمده از آلاینده ها نشان دهنده آن است که میزان آلاینده UM0.3 و UM0.5 و UM1 دارای بیشترین میزان غلظت در تمام طول دوره پاییش در مرکز شهر و پایانه مسافربری بوده است و UM2.5، UM5 و UM10 به ترتیب روند کاهشی داشته است به طوری که در هتل فرهنگیان صفر ثبت گردیده است.

امروزه دستگاه های اینترنت اشیا در همه جا رایج هستند و تعداد آنها به سرعت در حال افزایش است. این دستگاه ها حجم عظیمی از داده ها را تولید می کنند که باید به طور کارآمد پردازش شوند. از آنجایی که بیشتر دستگاه های اینترنت اشیا قابلیت قدرت محاسباتی و منابع ذخیره سازی محدودی دارند، درخواست های کاربران برای پردازش باید به دستگاه های محاسباتی قویتری منتقل شوند. رایانش مه-ابر یک پلتفرم امیدوارکننده برای پردازش وظایف اینترنت اشیا با نیازهای مختلف تبدیل شده است. با این حال، به دلایل زیادی از جمله مشخصات مختلف درخواست های کاربران، ناهمگونی دستگاه های محاسباتی، فاصله زیاد سرورهای محیط ابر با دستگاه های اینترنت اشیا و ساختار توزیع شده و توپولوژی شبکه لایه مه، نحوه زمانبندی وظایف دستگاه های اینترنت اشیا در این محیط یک مسئله چالش برانگیز است. برای مقابله با این چالش ها، ما دو مسئله مختلف را مورد بررسی قرار داده ایم. در مسئله اول، هر درخواست به صورت مجموعه ای از وظایف مستقل در نظر گرفته شده است. در حالی که در مسئله دوم، هر درخواست دارای یک وظیفه است. سپس هر دو مسئله با استفاده از برنامه ریزی خطی صحیح مختلط با هدف بهینه سازی مصرف انرژی و زمان نقض مهلت فرموله سازی شده اند. برای حل مسئله اول، الگوریتم های فراابتکاری گرگ خاکستری و ملخ پیشنهاد شده اند. اما برای حل مسئله دوم، یک الگوریتم ترکیبی مبتنی بر استراتژی ابتکاری و الگوریتم ژنتیک پیشنهاد گردیده است. به منظور ارزیابی کارایی الگوریتم های پیشنهادی، آزمایش های متعددی در محیط متلب انجام شده است. نتایج پیاده سازی نشان می دهد که الگوریتم های پیشنهادی از نظر مصرف انرژی، زمان خاتمه، تعادل بار و رضایت کاربران به مراتب بهتر از رقیبان خود عمل می کنند. به طور خاص الگوریتم های گرگ خاکستری و ملخ به ترتیب 27.11 ٪ و 29.43 ٪ عملکرد تابع هدف مسئله اول را که از دو معیار زمان نقض مهلت و مصرف انرژی تشکیل شده است در مقایسه با الگوریتم پروانه بهبود می بخشند.

With the rapid development in the area of Internet of Things (IoT), the number of delay-sensitive and power-hungry IoT applications has dramatically increased over the past few years. Mobile edge computing (MEC) has become as an effective computing model for meeting the IoT applications requirements. However, the resource-constraint nature of IoT devices, different characteristics of IoT tasks, and heterogeneity of edge cloud servers (ECSs) makes the task offloading problem as a fundamental challenge in MEC systems. Motivated by this, in this research, we propose a deadline-aware and energy-efficient computation offloading algorithm, named DECO, for scheduling and processing the generated tasks from the IoT devices. The proposed algorithm jointly takes into account the deadline requirement of the tasks and the energy consumption of the IoT devices in the local decision-making process. Also, it considers the priority of the tasks and heterogeneity of ECSs for the task-node mapping process. The extensive simulation results under various performance metrics confirm that the proposed algorithm can improve the deadline satisfaction ratio up to 58% and average response time up to 18% compared to the state-of-the-art, while the amount of increase in the total energy consumption of IoT devices is less than 12%.

Complex networks play an important role in modeling and analyzing complex systems such as the social system, biological system and information system. In real world, some networked systems can be better modeled as a multilayer structure, where there are relationships among nodes in multiple layers. Multilayer networks with similar nodes across layers are also known as multiplex networks. Various approaches have been introduced to predict links in networked structures, which can be generally categorized into two classes: similarity-based and learning-based. Link prediction in multiplex network is used to predict interlayer links between layers. Given the structure of a network, a link prediction algorithm obtains a rank of links and identify those that are likely to be spurious, which are established between two non-adjacent nodes between the layers of the network. Interlayer link prediction is used to predict links in one of the layers, taking into account the structural information of other layers. The proposed Interlayer link prediction method in multiplex network aims at identifying whether the accounts in different OSNs belong to the same person ,which may have different usernames, photographs, and profiles. We develop an algorithm that aims to predict links between nodes in high-order network structure and also to improving the accuracy and performance of interlayer link prediction. The algorithm offers the advantages of power-law degree distribution; they also can effectively associate with accounts belong to same user across different network layers. It also predicts link between nodes across different network layers. Experimental results on both synthetic and real-world networks confirm outperformance of the proposed method in terms of prediction accuracy in comparison with similar methods.

رایانش مه-ابر به یک بستر امیدوار کننده برای اجرای وظایف اینترنت اشیا با نیازهای مختلف تبدیل شده است. اگرچه محیط مه به دلیل مجاورت با دستگاه های اینترنت اشیا، تأخیر کم را ایجاد می کند اما از محدودیت منابع رنج می برد. این وضعیت معکوس محیط ابر است؛ به این معنی که مراکز ابری تقریبا محدودیتی از نظر منابع ندارند اما به دلیل فاصله زیاد با دستگاه های اینترنت اشیا تاخیر زیادی را ایجاد می-کنند؛ بنابراین، استفاده کارآمد از منابع ابر و مه برای اجرای وظایف بارگیری شده از دستگاه ها یک مسئله اساسی است. به منظور کنار آمدن با این مسئله و بهینه کردن توابع چند هدفه، چهار روش شامل سه الگوریتم ابتکاری و یک روش ترکیبی مبتنی بر الگوریتم ژنتیک در محیط رایانشی مه-ابر ارائه کرده ایم. اهدافی که در این تحقیق برای مسئله زمانبندی فرمول سازی شده اند عبارتند از: هزینه های نقض مهلت، محاسبات، ارتباطات و مصرف انرژی. نیازهای مختلف وظایف و ماهیت ناهمگن گره های مه و ابر در این پژوهش در نظر گرفته شده است. کیفیت سرویس که در این پژوهش به عنوان هزینه نقض مهلت مورد بررسی قرار می گیرد مهمترین معیار و هدف تحقیق انجام شده است. در واقع سعی داریم کیفیت سرویس را در کنار معیارهای افزایش کارایی سیستم در توابع هدف مختلف مورد ارزیابی قرار دهیم. یک گره مدیریتی در لایه مه مسئولیت دریافت وظایف از دستگاه ها، نظارت بر منابع مه و ابر و اجرای الگوریتم زمانبندی را برعهده دارد. الگوریتم اول یک روش بی درنگ مبتنی بر روش تصادفی بوده که از حق انتخاب گره برای هر وظیفه برخوردار است. در روش دوم تصمیم گیری برای تخصیص منابع به وظایف براساس مجموع هزینه های محاسبات، ارتباطات و نقض مهلت برای هر وظیفه انجام می شود. روش سوم نیز یک روش ابتکاری مبتنی بر هزینه نقض مهلت می باشد که وظایف را به صورت دسته ای دریافت کرده و زمانبندی را انجام می دهد. در روش چهارم ترکیبی از استراتژی های اولویت بندی، طبقه بندی و الگوریتم ژنتیک می باشد که هدف اصلی آن رعایت مهلت وظایف و مصرف بهینه انرژی است. در نهایت الگوریتم ها در محیط رایانشی مه-ابر از جنبه ها و معیارهای گوناگونی با روش های ابتکاری و فراابتکاری مورد ارزیابی و مقایسه قرار می گیرند.

Recent telecommunication paradigms, such as big data, Internet of Things (IoT), and machine learning, are encountering with a tremendous number of complex applications that requiring different priorities and resource demands. These applications usually consist of a set of Virtual Machines (VMs) with some predefined traffic load between them. The efficiency of a Cloud Data Center (CDC) significantly depends on the efficiency of its VM placement algorithm applied. However, VM placement is an NP-hard problem and thus there exist practically no optimal solution, particularly for large-scale CDCs. In this research, motivated by this, we propose a priority and traffic-aware algorithm for efficiently solving the VM placement problem. Our algorithm aims to jointly minimize power consumption, resource wastage and the consumption of network resources in a large-scale, heterogeneous CDC. To validate the effectiveness of our algorithm, we have conducted extensive experiments and verify that the proposed approach achieves better performance compared to the state-of-the-art.

There are several obstacles against soil cultivation, which encourages indoor farming using techniques such as hydroponics, where the required nutrients are absorbed more efficiently. In the present study, a hydroponic system was designed for a very advantageous plant known as Arugula, which is highly sensitive to light intensity for its nitrate absorption to be controlled properly. The technique utilized for monitoring the growth environment was the Internet of Things, involving data transmission over the Internet with no need for human-computer interaction. The data collected by the sensors on the variables temperature, humidity, and light intensity were sent to a Raspberry Pi board via the Message Queuing Telemetry Transport communication protocol. After the sensed data were received, data analysis techniques were employed for specification of the differences between them and, hence, of the light with positive effects on the plant growth. For that purpose, the system was divided into seven boxes, each containing a number of LEDs of different colors providing artificial light, which were turned on and off twice a day, and there was also a control box only with sunlight. A total of 7878.5 packets, out of the 8,352 possible, were sent, which indicated a reliability of 94.33 percent. The maximum and minimum values reported by the sensors for the entire greenhouse included 32 and 9 for temperature, 95 and 22 for humidity, and 35605 and 0 for light intensity. The obtained data could be viewed on a web page on a daily, monthly, or real-time basis and for specific boxes.

Thanks to the Internet of Things (IoT), fog computing, and cloud computing, the number of IoT-based applications are growing more and more. An IoT-based application can decompose into a number of services where each of them has some specific characteristics such as a predefined deadline, computing resource requirements, and size. Since fog computing devices in a fog-cloud environment have different delay and power consumption profiles, the placement of IoT services in such an environment is a challenging task. Motivated by this, in this research, we propose an efficient policy, called MinRE, for service placement problem in fog-cloud computing systems. To provide both Quality of Service (QoS) for IoT services and energy efficiency for Fog Service Providers (FSPs), we classify applications into two categories: critical applications and normal ones. For critical applications, we propose MinRes, which aims to minimize response time, and for normal applications, we propose MinEng, whose goal is reducing the energy consumption of fog environment. We first run MinRes to host critical applications on fog nodes as far as possible. We conduct extensive simulation experiments to evaluate the performance of the proposed policy. The results show that our policy outperforms others in terms of percentage of deadline satisfied services and energy efficiency.

در طی سالهای اخیر رایانش ابری بیشتر مورد توجه قرار گرفته اند بدین جهت بسیاری از سازمانهای بزرگ مراکز داده را در جهت برآورده ساختن نیازهای خود به کار میگیرند. شبکه های مرکز داده عموماً مسیرهای ارتباطی زیادی بین هر جفت از میزبانها برای دستیابی به پهنای باند دو بخشی بالا برای الگوهای ارتباطی دلخواه دارند؛ با اینحال، پروتکلهای مسیریابی موجود پشتیبانی کمی از مسیریابی تطبیقی بار-حساس میکنند. از اینرو، ما الگوریتم پیشنهادی خود را ارائه می دهیم که یک الگوریتم متمرکز و مبتنی بر جریان است. سیستم ما برای هدایت جریانهای فیلی برنامه ریزی شده و برای جریانهای موشی از مکانیسمECMP استفاده میکند. الگوریتم ما با استفاده از سیستم متمرکز بر ترافیک کل شبکه نظارت کرده و با استفاده از جستجوی دو طرفهای که انجام میدهد میزان بار روی هر مسیر را سنجیده و در آرایه ای نگه میدارد؛ سپس، ترافیک را از مسیرهایی با بار زیاد به مسیرهایی با بار کم انتقال میدهد. این عمل مانع از بروز تنگنا در مسیرهای مرکز داده خواهد شد. آزمایشات گسترده نشان میدهد که در مقایسه با دیگر الگوریتمهای زمانبندی موجود از جملهECMP و Static ،DiFS مکانیسم ارائه شده ما میتواند گذردهی سیستم را بهبود بخشیده و تأخیر کمتری را داشته باشد و در تمامی الگوهای ترافیکی عملکرد بسیار بهتری از خود نشان میدهد.