سعدون عزیزی

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.

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.

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.

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 لبه وسایل نقلیه (VEC) به عنوان یک فناوری امیدبخش وسایل نقلیه را قادر می سازد تا وظایف محاسباتی سنگین و حساس به تاخیر را از طریق برونسپاری محاسبات به صورت کارآمد و با تاخیر کم انجام دهند. به دلیل پویایی و عدم قطعیت در محیط شامل تغییر سریع شرایط شبکه، بار کاری سرورهای لبه، هزینه ارائه دهندگان خدمات لبه و تنوع در وظایف محاسباتی، برونسپاری محاسبات به امری چالش برانگیز و پیچیده تبدیل شده است. به منظور بهینه سازی فرآیند تصمیم گیری برای برونسپاری وظایف، تکنیک ها و رویکردهای مختلفی ارائه شده است. اخیرا رویکردهای مبتنی بر یادگیری تقویتی به دلیل توانمندی در کشف و تطبیق با محیط های پویا و نامعین توجه زیادی را از سوی محققان به خود جلب کرده است. راهزن چند دست یک رویکرد یادگیری ساده و موثر در زمینه یادگیری تقویتی است که مسئله تعادل بین کاوش و بهره برداری را مورد بررسی قرار می دهد و با انجام آزمایش ها و یادگیری از تجربیات گذشته سعی در بهینه سازی پاداش‌های طولانی مدت دارد. کران بالای اطمینان (UCB) یکی از الگوریتم‌های شناخته شده مبتنی بر رویکرد راهزن چند دست است که در آن عامل باید دنباله ای از تصمیمات پشت سرهم را به منظور دستیابی به پاداش بهینه بگیرد. در این تحقیق، ما یک رویکرد کارآمد مبتنی بر الگوریتم کران بالای اطمینان برای مسئله برونسپاری محاسبات در محیط رایانش لبه وسایل نقلیه ناهمگن ارائه می دهیم که در آن وظایف می توانند به صورت محلی، روی یکی از سرورهای لبه یا سرور ابری اجرا شوند. با در نظر گرفتن تنوع و مهلت زمانی وظایف تولید شده، ناهمگنی سرورهای لبه، هزینه مختلف ارائه دهندگان و تاخیر شبکه، ما الگوریتم کران بالای اطمینان را به گونه ای بکار می‌گیریم که مهلت زمانی وظایف حساس به تاخیر رعایت شود در حالی که هزینه مالی برای وظایف معمولی کاهش یابد. به منظور ارزیابی کارایی روش پیشنهادی، آزمایش های شبیه‌سازی گسترده و متنوعی انجام شده است. نتایج بدست آمده نشان می دهد که روش پیشنهادی در مقایسه با روش های رقیب به خوبی می تواند نیازمندی وظایف حساس به تاخیر و معمولی را از نظر زمان پاسخ، رعایت مهلت زمانی و هزینه مالی برآورده سازد. همچنین نتایج ما نشان می‌دهد در روش پیشنهادی عامل تعبیه شده در داخل وسیله نقلیه به خوبی می‌تواند محیط را یاد بگیرد و به طور سریع خود را با تغییرات محیط تطبیق دهد.

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 موثر 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.

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.

باتوجه به رشد وتوسعه روزافزون دستگاه های اینترنت اشیاءدرحوزه های مختلف، امروزه شاهد پیدایش سرویس ها و برنامه های کاربردی متنوعی هستیم . تامین 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.

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.

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، تاخیر 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 تاخیر کمتری را داشته باشد و در تمامی الگوهای ترافیکی عملکرد بسیار بهتری از خود نشان میدهد.