سعدون عزیزی

با توجه به روند فزاینده مصرف انرژی الکتریکی در بخش خانگی و تاثیر مستقیم آن بر هزینه‌های خانوار و پایداری شبکه برق، توسعه چارچوب‌های نوین مدیریت انرژی در خانه‌های هوشمند به ضرورتی اجتناب‌ناپذیر تبدیل شده است. همچنین گسترش روزافزون فناوری‌های خانه هوشمند و قیمت‌گذاری پویای برق، مستلزم توجه به بهینه‌سازی مصرف انرژی خانگی از طریق زمانبندی هوشمند لوازم می‌باشد. سیستم های مدیریت انرژی خانگی (HEMS)سنتی اغلب برای رسیدگی به پیچیدگی های قیمت گذاری پویا برق و تغییر نیازهای کاربران مجهز نیستند. این پیچیدگی نیازمند راه حل های پیشرفته‌ای است که می توانند به طور هوشمندانه استفاده از دستگاه را برای بهینه سازی برای اهداف متعدد و اغلب متناقض برنامه ریزی کنند. الگوریتم‌های پیشرفته یادگیری تقویتی مانند شبکه Q عمیق با امکان یادگیری سیاست‌های بهینه از طریق تعامل با محیط، راه‌حل‌های امیدوار کننده‌ای ارائه می دهند. این سیستم ها می توانند به صورت پویا برنامه های دستگاه را بر اساس داده های زمان واقعی، مانند قیمت انرژی و الگوهای رفتار کاربر، بدون نیاز به برنامه نویسی صریح برای هر سناریو تنظیم کنند. در این پژوهش، یک مدل شبکه Q عمیق برای سیستم مدیریت انرژی خانگی ارائه گردیده است که هدف آن بهینه‌سازی زمان‌بندی لوازم خانگی با بهره‌گیری از الگوریتم‌های یادگیری تقویتی عمیق و مقایسه کارایی آن‌ها با روش‌های پایه است. بدین منظور، مجموعه‌ای از داده‌های تعرفه برق در بازه ده هفته‌ای، همراه با یک دیتاست از ترجیحات کاربر به عنوان ورودی به محیط شبیه‌سازی شده داده می‌شود. چهار الگوریتم متفاوت برای زمان‌بندی لوازم طراحی و پیاده‌سازی شد: انتخاب تصادفی اسلات از میان اولویت‌های کاربر، انتخاب ثابت نخستین اولویت، الگوریتم حریصانه مبتنی بر انتخاب کم‌هزینه‌ترین اسلات، و یک روش مبتنی بر یادگیری تقویتی عمیق به نام الگوریتم شبکه Q عمیق بهینه‌سازی‌شده بر اساس راحتی–هزینه(CCO-DQN) که با بهره‌گیری از شبکه‌های عصبی و سیاست‌های پاداش، امکان یادگیری پویا و تطبیقی را فراهم می‌سازد. مشارکت‌های اصلی این پایان‌نامه در ارتباط با طراحی مدل شبکه عصبی الگوریتم پیشنهادی عبارت است از طراحی معماری اختصاصی یک شبکه عصبی Q عمیق که قادر است به‌طور همزمان تاثیر تعرفه‌های متغیر انرژی و اولویت‌های کاربر را مدل‌سازی کند. در این معماری، بردارهای ورودی چندبعدی شامل تعرفه‌های پویا، امتیاز اولویت زمانی و محدودیت‌های عملکردی دستگاه‌ها لحاظ شده است. دومین مورد، طراحی پاداش دوهدفه (هزینه–آسایش) است . این تابع با وزن‌دهی تطبیقی، توازن پایداری بین اهداف متضاد برقرار می‌کند. سومین مورد، می‌توان به بهینه‌سازی نمایش حالت–عمل اشاره کرد طوری که فضای حالت به گونه‌ای مدل‌سازی شده که شامل قیمت‌های لحظه‌ای انرژی و بردار ترجیحات کاربر باشد و فضای عمل نیز منعکس‌کننده‌ی انعطاف‌پذیری زمان‌بندی دستگاه‌ها است. این طراحی منجر به کاوش کارآمدتر و همگرایی سریع‌تر مدل شده‌است. این مشارکت‌ها با ترکیب بهینه‌سازی چندهدفه، سفارشی‌سازی معماری شبکه و تکنیک‌های افزایش پایداری یادگیری، الگوریتم CCO-DQN را به عنوان جایگزینی کارآمدتر نسبت به روش‌های پایه‌ای تصادفی و حریصانه در مدیریت انرژی خانگی مطرح می‌کند.

با رشد روز افزون تعداد سرویس‌های اینترنت اشیا، نیاز به پاسخ‌گویی به الزامات این سرویس‌ها، از جمله کاهش تاخیر، بهبود کیفیت سرویس و تخصیص بهینه منابع، بیش از پیش اهمیت یافته است. در این راستا، رایانش مه به‌عنوان یک پارادایم نوظهور با فراهم‌سازی منابع محاسباتی در مجاورت کاربران، امکان کاهش تاخیر، افزایش بهره‌وری شبکه و ارتقای کیفیت سرویس‌های اینترنت اشیا را فراهم می‌سازد. با وجود این مزایا، محیط رایانش مه با چالش‌هایی همچون محدودیت منابع، ناهمگنی گره‌ها و نیازمندی‌های متنوع سرویس‌ها مواجه است. یکی از چالش‌های اصلی در محیط‌ رایانش مه، جایابی سرویس‌ها است. جایابی بهینه سرویس‌ها به منظور تخصیص آن‌ها به گره‌های محاسباتی مناسب، نقش حیاتی در بهبود عملکرد سیستم دارد. هدف اصلی این جایابی کاهش تاخیر کاربران، افزایش بهره‌وری منابع و ارتقای کیفیت کلی شبکه است. با این حال، پیچیدگی این مسئله ناشی از تعداد زیاد کاربران، سرویس‌ها، گره‌های محاسباتی ناهمگن و شرایط پویا و متغیر شبکه، حل دقیق آن را با روش‌های کلاسیک دشوار می‌کند و یک مسئله بهینه‌سازی پیچیده محسوب می‌شود. در این پژوهش، به‌منظور بهینه‌سازی میانگین تاخیر ارتباطی، مسئله جایابی سرویس در محیط مه به‌صورت یک مدل برنامه‌ریزی خطی عدد صحیح مدل‌سازی شده است. برای حل این مدل، دو نسخه الگوریتم فراابتکاری ترکیبی طراحی گردید که نقاط قوت الگوریتم ژنتیک و شبیه‌سازی تبرید را در قالب یک چارچوب مشترک ادغام می‌کنند. این رویکرد ترکیبی ضمن حفظ کیفیت سرویس، از همگرایی مناسبی نسبت به الگوریتم‌های منفرد برخوردار است. تفاوت اصلی میان دو نسخه پیشنهادی در شیوه اعمال شبیه‌سازی تبرید است: در نسخه نخست این الگوریتم تنها بر انتهای کروموزوم‌ها اعمال می‌شود، در حالی‌که در نسخه دوم در سطح جمعیت هر نسل به‌کار گرفته می‌گردد. نتایج آزمایش‌های شبیه‌سازی نشان می‌دهد که نسخه دوم الگوریتم پیشنهادی، به‌طور متوسط حدود ۲۳ درصد کاهش تاخیر بیشتری نسبت به نسخه اول فراهم می‌آورد. همچنین در مقایسه با رویکردهای پایه از جمله Random، GA و SA الگوریتم ترکیبی پیشنهادی، هم از نظر کاهش میانگین تاخیر و هم از نظر همگرایی نتایج، برتری قابل‌توجهی دارد. یافته‌های این پژوهش نشان می‌دهد که رویکرد ارائه‌شده می‌تواند به‌عنوان یک روش کارآمد برای بهینه‌سازی جایابی سرویس و مدیریت منابع محاسباتی در رایانش مه مورد استفاده قرار گیرد.

با رشد روزافزون سرویس‌های اینترنت اشیا، نیاز به تامین کیفیت سرویس و رعایت نیازمندی‌های آن‌ها بیش از پیش اهمیت یافته است. در این راستا، رایانش چند مهی و چند ابری به‌عنوان یک پارادایم نوظهور مطرح شده که با ترکیب قابلیت‌های رایانش مه و رایانش ابری، بستری کارآمد و انعطاف‌پذیر برای ارائه سرویس‌های متنوع فراهم می‌سازد. این ترکیب از یک سو مزایای نزدیکی به کاربر و کاهش تاخیر رایانش مه را به همراه دارد و از سوی دیگر، از منابع گسترده و مقیاس‌پذیر رایانش ابری بهره‌مند است. با این حال، چنین محیطی با چالش‌های متعددی مواجه است که مهم‌ترین آن جایابی بهینه سرویس‌ها است. جایابی سرویس نقش تعیین‌کننده‌ای در تضمین کیفیت تجربه کاربران، کاهش هزینه‌های عملیاتی ارائه‌دهندگان و استفاده بهینه از منابع زیرساختی دارد. با این وجود، ماهیت چندهدفه و ناهمگون این مسئله آن را به یک چالش پیچیده تبدیل می‌کند. در این پژوهش، مسئله جایابی سرویس با هدف بهینه‌سازی همزمان سه معیار اصلی شامل کاهش تاخیر کاربران، کاهش هزینه ارائه‌دهندگان سرویس و افزایش سودآوری ارائه‌دهندگان زیرساخت، در قالب یک مدل برنامه‌ریزی خطی عدد صحیح مختلط مدلسازی گردید. برای حل این مدل، الگوریتمی بر پایه نظریه تطبیق یک‌به‌یک طراحی شد. این الگوریتم با تعریف و بهره‌گیری از لیست ترجیحات کاربران و ارائه‌دهندگان، امکان ایجاد یک تطابق پایدار، منصفانه و مقیاس‌پذیر را فراهم می‌کند. از مزیت‌های کلیدی این رویکرد می‌توان به در نظر گرفتن منافع همزمان تمامی ذی‌نفعان، تضمین پایداری جایابی و قابلیت انطباق با محیط‌های پویا اشاره کرد. نتایج حاصل از شبیه‌سازی و آزمایش‌های متنوع نشان می‌دهد که الگوریتم پیشنهادی مبتنی بر نظریه تطبیق توانسته است، نسبت به الگوریتم‌های مرجع از جمله روش‌ تصادفی، کمینه‌سازی تاخیر، کمینه‌سازی هزینه و ترکیبی هزینه – تاخیر بهتر عمل می‌کند. در معیارهایی چون کاهش میانگین تاخیر، کاهش هزینه کل و افزایش سود کلی سیستم عملکرد برتری ارائه دهد. بدین ترتیب، رویکرد ارائه‌شده می‌تواند به‌عنوان راهکاری موثر و کارآمد برای مدیریت جایابی سرویس‌ها در محیط‌های چند مهی و چند ابری مورد استفاده قرار گیرد.

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.

با گسترش روزافزون اینترنت اشیا و افزایش تقاضا برای خدمات رایانشی مقیاس‌پذیر و انعطاف‌پذیر، رایانش بدون‌سرور به‌عنوان یکی از مدل‌های نوین و تحول‌آفرین در معماری‌های ابری مطرح شده است. این مدل با حذف نیاز به مدیریت مستقیم زیرساخت، امکان توسعه و استقرار آسان توابع سبک‌وزن را برای توسعه‌دهندگان فراهم می‌کند، اما در عین حال با چالش‌هایی نظیر شروع سرد، مصرف انرژی و تضمین کیفیت خدمات مواجه است. از میان این چالش‌ها، تخصیص بهینه منابع نقش اساسی در بهبود عملکرد سیستم و افزایش رضایت کاربران دارد. در این پایان‌نامه، با هدف ارائه‌ی راهکاری کارآمد برای تخصیص منابع در محیط‌های رایانش بدون‌سرور، یک چارچوب همکارانه مبتنی بر نظریه بازی معرفی شده است. در این چارچوب، نمونه‌های پردازشی به‌عنوان بازیکنان بازی مدل‌سازی می‌شوند و منابع پردازنده را به‌صورت رقابتی اما هماهنگ، با در نظر گرفتن سه کلاس کیفیت سرویس شامل وظایف سخت، بلادرنگ و نرم و معیارهای سود، مصرف انرژی و مهلت اجرا درخواست می‌کنند. برای حل مسئله، یک الگوریتم هیوریستیک داده‌محور طراحی شد که از مدل یادگیری ماشین XGBoost برای پیش‌بینی سود پیکربندی‌های مختلف استفاده کرده و فرآیند تخصیص منابع را به‌صورت حریصانه و تطبیقی انجام می‌دهد. برای ارزیابی عملکرد الگوریتم پیشنهادی، مجموعه‌ای از شبیه‌سازی‌ها در سناریوهای متنوع بار کاری اجرا گردید. نتایج نشان می‌دهد که روش پیشنهادی نسبت به الگوریتم‌های پیشرفته موجود، از جمله FARM، تخصیص وزن‌دار و مدل ریلکس‌شده برنامه‌ریزی خطی، عملکرد بهتری دارد. به‌طور میانگین، سود خالص سیستم که به‌عنوان درآمد حاصل از اجرای موفق توابع پس از کسر هزینه‌های انرژی و جرایم تعریف می‌شود 8% افزایش یافته و در عین حال مجموع جریمه‌ها ۳۱% و هزینه انرژی ۱۸% کاهش پیدا کرده است. یافته‌های این پژوهش نشان می‌دهد که مدل‌سازی مسئله تخصیص منابع به‌صورت یک بازی همکارانه و بهره‌گیری از الگوریتم‌های داده‌محور می‌تواند گامی موثر در جهت طراحی راهکارهای هوشمند و مقیاس‌پذیر برای رایانش بدون‌سرور باشد. این رویکرد علاوه بر ارتقای بهره‌وری و کیفیت خدمات، مسیر تحقیقات آینده را در زمینه توسعه روش‌های تطبیقی و کارآمد در محیط‌های رایانشی نوین هموار می‌سازد.

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.

برنامه‌های کاربردی مدرن، به‌ویژه در حوزه‌هایی نظیر اینترنت اشیا و صنایع هوشمند، اغلب به صورت جریان کارهای محاسباتی مدل‌سازی می‌شوند. برای اجرای موثر این جریان کارها که نیازمند ترکیبی از پاسخ‌دهی سریع و قدرت پردازشی بالا هستند، از زیرساخت‌های ناهمگون و چندلایه مه-ابر استفاده می‌شود. چالش اصلی در چنین محیطی، زمان‌بندی بهینه این جریان کارهاست؛ زیرا چندین جریان کار که هر یک می‌توانند دارای مهلت‌های زمانی سخت (غیرقابل انعطاف) یا نرم (انعطاف‌پذیر) باشند، به طور هم‌زمان برای منابع محاسباتی و انرژی محدود با یکدیگر رقابت می‌کنند. از این رو، یک زمان‌بند کارآمد باید اهداف متضاد، نظیر برآورده‌سازی کیفیت خدمات و کمینه‌سازی هزینه‌های عملیاتی، به‌ویژه مصرف انرژی حاصل از منابع تجدیدناپذیر را به طور هم‌زمان بهینه سازد. این پژوهش، یک مدل بهینه‌سازی باهدف حداکثرسازی سود برای مسئله زمان‌بندی جریان کارهای چندگانه ارائه می‌کند که به طور یکپارچه نرخ پذیرش جریان کارهای با مهلت سخت، جریمه‌های نقض مهلت‌های نرم و هزینه‌های انرژی فسیلی را در نظر می‌گیرد. برای حل این مدل، یک چارچوب دوفازی نوآورانه طراحی شده است: در فاز نخست، الگوریتم بهینه‌سازی ازدحام ذرات (PSO) ترتیب بهینه اجرای وظایف را مشخص می‌سازد؛ سپس، در فاز دوم، سه راهکار تخصصی ابتکاری شامل آگاه از زمان، آگاه از انرژی و ترکیب زمان و انرژی نگاشت نهایی وظایف را به ماشین‌های مجازی انجام می‌دهند. اثربخشی چارچوب پیشنهادی از طریق شبیه‌سازی‌های گسترده بر روی مجموعه‌داده‌های مصنوعی و جریان کارهای علمی واقعی اعتبارسنجی شده است. نتایج تجربی، برتری قاطع این رویکرد را در تمامی سناریوهای آزمایشی به اثبات می‌رساند. این چارچوب با حداکثرسازی نرخ پذیرش جریان کارها و به‌حداقل‌رساندن جریمه‌های مالی، به افزایش سود قابل‌توجهی منجر شده است که در سناریوهای پیچیده و واقع‌گرایانه، اغلب به بیش از دو برابر سودآوری الگوریتم‌های پایه می‌رسد. تحلیل الگوریتم‌های منفرد نیز نقاط قوت تخصصی آن‌ها را آشکار ساخت: الگوریتم TPSO در شرایط بار کاری سنگین برتری داشت، الگوریتم EPSO به طور مداوم هزینه‌های عملیاتی را کمینه کرد و در نهایت، الگوریتم ترکیبی TEPSO به‌عنوان استوارترین راهکار ظاهر شد که با ایجاد تعادل پویا میان اهداف متضاد زمان و انرژی، در اکثر موارد به بالاترین سودآوری کلی دست‌یافت.

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.

امروزه تعداد برنامه‌های کاربردی اینترنت اشیاء به‌طور پیوسته در حال افزایش است و در حوزه‌های مختلفی نظیر بهداشت، حمل‌ونقل و صنایع گوناگون کاربردهای گسترده‌ای پیدا کرده‌اند. با پیچیده‌تر شدن این برنامه‌های کاربردی طراحی و مدیریت آن‌ها به‌طور یکپارچه دشوارتر می‌شود. به همین دلیل، استفاده از معماری‌های مدرن مانند میکروسرویس‌ها به عنوان یک راهکار موثر در حال گسترش است. معماری میکروسرویس به توسعه و استقرار برنامه‌های کاربردی به صورت واحدهای کوچک و مستقل کمک می‌کند و قابلیت مقیاس‌پذیری و انعطاف‌پذیری بیشتری را فراهم می‌آورد. از طرفی با افزایش تعداد میکروسرویس‌ها و پیچیدگی‌های وابستگی بین آن‌ها، استقرار میکروسرویس‌ها در نزدیکی کاربران به عنوان یک راهکار برای کاهش تاخیر در ارتباطات و بهبود زمان پاسخگویی، بسیار مورد توجه قرار گرفته است. میکروسرویس‌ها در محیط‌های محاسباتی توزیع‌شده مانند محیط مه مستقر می‌شوند که با بهره‌گیری از فناوری‌های پیشرفته مانند شبکه‌های تعریف شده مبتنی بر نرم‌افزار، امکان ارائه خدمات باکیفیت‌تر و با تاخیر کمتر را فراهم می‌کنند. در این محیط وقتی درخواستی برای یک سرویس دریافت می‌شود، از آنجا که هر سرویس از زنجیره‌ای از میکروسرویس‌ها تشکیل شده است و هر یک از این میکروسرویس‌ها شامل چندین نمونه هستند این‌که از بین نمونه‌های موجود برای هر میکروسرویس، کدام نمونه باید انتخاب شود تحت عنوان مسیریابی درخواست‌های کاربران مطرح است و انتخاب نمونه‌ای که منجر به بهینه‌سازی مسیر درخواست شود، چالش برانگیز است. به‌طوری‌که انتخاب بهینه نمونه‌ها به دلیل تعداد زیاد و ناهمگنی آن‌ها و همچنین توزیع گره‌های مه در شبکه، نیازمند روش‌های بهینه‌سازی پیشرفته است. در این پژوهش، مساله مسیریابی درخواست‌ها به‌صورت یک مدل برنامه‌ریزی خطی عدد صحیح مدل‌سازی شده است تا راهکار بهینه‌ای برای کاهش تاخیر در پاسخ‌دهی به کاربران ارائه گردد. برای دستیابی به این هدف، یک روش بهینه‌سازی برای انتخاب نمونه‌های میکروسرویس‌ها و مسیریابی درخواست‌ها معرفی شده است که بر پایه الگوریتم اپسیلون-حریصانه استوار است. الگوریتم اپسیلون-حریصانه یکی از روش‌های پرکاربرد در یادگیری تقویتی و حل مسائل بهینه‌سازی است. این الگوریتم بر پایه مدل راهزن چند دست توسعه یافته است و از یک رویکرد تطبیقی برای مدیریت تعادل بین اکتشاف و بهره‌برداری استفاده می‌کند. از این رو، بهبود این الگوریتم به‌منظور مسیریابی بهتر و کاهش زمان پاسخ‌دهی مدنظر قرار گرفته است. الگوریتم پیشنهادی در این تحقیق با بهره‌گیری از چندین رویکرد برای بهبود فرآیند انتخاب و اکتشاف بهینه شده است و توانسته است تاخیرهای ارتباطی، تاخیر صف و تاخیر پردازش را در فرایند مسیریابی کاهش دهد. برای ارزیابی کارایی الگوریتم، آزمایش‌های متنوعی انجام داده‌ایم و عملکرد الگوریتم پیشنهادی را در مقایسه با چندین الگوریتم دیگر از نظر زمان پاسخ‌دهی و زمان انتظار بررسی کرده‌ایم. نتایج این ارزیابی‌ها نشان می‌دهد که الگوریتم پیشنهادی ما در سناریوهای مختلف نسبت به رقبا عملکرد بهتری از خود نشان داده و از نظر زمان پاسخ‌دهی بهینه‌ است.

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.

Mobile edge computing (MEC) is a transformative paradigm that enhances mobile services performance and operational efficiency. Given the frequent mobility of users, it is essential to migrate services to continuously align with user movements. However, making service migration decisions requires careful consideration of factors like latency, resource availability, and user demand to ensure optimal performance and user satisfaction. Therefore, in this thesis, to address the intricacies of the above challenge, an innovative heuristic-based method is presented. First, the service migration in MEC systems is formulated as an optimization problem, with the objective of minimizing the system’s energy consumption and migration cost while considering delay as the model's constraint. Next, an energy-efficient, cost-effective, and QoS-aware heuristic-based method, called ECQ, is proposed to effectively solve the model. To reflect a comprehensive understanding of real-world MEC environments, the incorporation of heterogeneous server configurations and the non-universal presence of servers across all base stations is also considered. By accommodating these aspects, ECQ emerges as a promising solution for the dynamic service migration optimization challenges in time-sensitive and realistic MEC contexts. Finally, through various simulation scenarios, the performance of the proposed ECQ is evaluated in terms of response time, migration costs, energy consumption, and the number of migrations. The results demonstrate that the proposed algorithm outperforms other methods in terms of overall performance; specifically, it ensures high QoS for users while sustainably managing the system's energy consumption and keeping migration costs within acceptable levels. In particular, when compared to the FullMig strategy, the proposed method achieves a noteworthy reduction in migration costs and energy consumption by approximately 25% and 50%, respectively. Meanwhile, the average response time in FullMig is only about 12% less than that of our method. Additionally, in comparison to the E-ware method, our ECQ exhibits an impressive response time reduction of approximately 42%, all while maintaining migration costs and energy consumption at levels comparable to the E-ware approach.

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.