.png){kind=icon}
返回
Priority-Aware Multi-Objective Task Scheduling in Fog Computing Using Simulated Annealing
.png){kind=icon}
OA
AI
DOI：10.3390/s25185744.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网设备的数量正在以快速增长的速度增加，而信息密集型多媒体物联网（IoMT）应用的兴起给计算基础设施带来了严峻挑战，特别是在延迟、能源效率和任务响应性方面。传统的以云为中心的方法无法满足这些要求，因为它存在本地延迟和集中资源分配问题。为了克服这些限制，雾计算提出了一种去中心化模型，通过减少延迟并将计算任务更靠近数据源。然而，在异构且资源受限的雾环境中有效调度任务仍然是一个NP难问题，尤其是在多准则优化和优先级敏感的情况下。本研究提出了一种基于模拟退火（SA）的新型任务调度框架，用于在雾计算环境中进行多目标优化。所提出的模型最小化了完工时间、能源消耗和执行成本，并集成了一个优先级感知的惩罚函数，以提供对高优先级任务的高响应性。SA算法通过在初始迭代中接受潜在的次优配置并在温度降低时进一步改进来搜索调度解空间。在从Google Cloud Job Workloads获取的基准数据集上的实验分析表明，所提出的方法在完工时间、能源消耗、执行成本和可靠性方面，在所有任务量规模上都优于ACO、PSO、I-FASC和M2MPA方法。这些结果证实了所提出的基于SA的调度器是雾使能物联网基础设施中智能任务调度的可扩展且有效的解决方案。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Toward QoS Monitoring in IoT Edge Devices Driven Healthcare-A Systematic Literature Review物联网边缘设备驱动的医疗保健中的QoS监控-系统文献综述.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏A novel multi-objective optimized DAG task scheduling strategy for fog computing based on container migration mechanism一种基于容器迁移机制的雾计算多目标优化DAG任务调度策略
PREAI
分享收藏ReLIEF: A Reinforcement-Learning-Based Real-Time Task Assignment Strategy in Emerging Fault-Tolerant Fog Computing救济: 新兴容错雾计算中基于强化学习的实时任务分配策略
PREAI
分享收藏
查看更多内容