论文部分内容阅读
随着物联网逐渐深入人们的生产生活,人们对诸多物联网应用提出了越来越高的要求,诸如时延、带宽等。为了满足物联网实时应用的要求,雾计算网络应运而生,它克服了云计算中心带宽资源受限、延迟长的缺陷,能够快速响应物联网设备的请求,且不会占用大量的网络带宽。目前,雾计算节点间的协同工作算法已成为了业界的研究热点之一。雾计算网络作为一种分布式系统,对协同工作算法具有极高的要求,包括公平性、可伸缩性、稳定性和可靠性。为了满足雾计算节点协同工作算法的要求,本文作出的工作和贡献如下:(1)论文分析了雾计算节点的排队模型,通过对比普遍应用的先到先服务机制(First-Come-First-Serve Mechanism,FCFS)和时分机制(Time-Sharing Mechanism,TS),论证了时分机制的公平性,并提出以时分机制的M/G/1排队系统作为雾计算节点的排队模型。进一步,利用雾计算节点排队模型的公平性,提出了雾计算节点的并行系数,该系数能够客观地衡量多种类任务输入的雾计算节点的工作状态。然后,结合分布式系统的工作窃取机制,提出了基于负载均衡的雾计算节点协同工作算法(Load-Balancing and Work-Stealing Algorithm,LBWS),该算法采用纳什讨价还价解决方案公平地分配概率集,使得每个雾计算节点的并行系数达到帕累托最优状态。多个参数的对比实验表明该算法对于多种类的任务具有公平性、对大小不同的雾计算网络具有伸缩性;(2)论文定义了雾计算节点在证据空间和评价空间的相对信誉坐标,结合任务窃取过程推导出基于不确定概率论的信任度、不信任度和不确定性等值,进而提出了证据融合算法和时间折扣算法。更进一步,论文提出了雾计算节点的信誉模型和雾计算网络的信誉系统。通过结合该信誉模型和负载均衡算法,提出了基于负载均衡和信誉系统的雾计算节点协同工作算法(Load-Balancing and Work-Stealing Combined with Reputation System,LBWSRS),该算法使得雾计算节点能够更加高效地协同工作,并克服节点的性能波动问题。仿真实验表明该算法能够缓解雾计算节点性能波动所造成的影响,提高雾计算网络的可靠性和稳定性。论文在最后提出了针对雾计算的下一步研究工作,并对未来进行了规划与展望。本文共使用图24幅,表12个,参考文献54篇。