Tasks scheduling in distributed fog layer and cloud computing systems using dung beetle optimization algorithm

Subject Areas : information technology

mohsen eghbali ¹ , reza aziz ²

1 - Department of Computer Engineering, Maybod Branch, Islamic Azad University, Maybod, Iran
2 - Associate Professor, Department of Computer Engineering, Maybod Branch, Islamic Azad University, Maybod, Iran

Received: 2024-04-29 Accepted : 2024-05-29 Published : 2024-08-18

Keywords: Cloud layer, Dung beetle optimization algorithm, Fog layer, Task scheduling, Internet of Things,

Abstract :

The Internet of Things has grown significantly in the past few years, and many intelligent objects have been connected to it. Cloud computing is a data processing system in the Internet of Things. However, the servers in the cloud computing paradigm are usually located at a long physical distance from the Internet of Things devices. The high latency caused by long distances cannot effectively implement real-time Internet of Things applications. Edge and fog computing has emerged as a popular computing technology in the field of the Internet of Things. One of the critical challenges of the Internet of Things is the problem of scheduling tasks in the fog and cloud layer. In the proposed method, the LSTM neural network allocates free resources, and the dung beetle optimization algorithm is used to schedule tasks optimally in the cloud and fog layer. Experiments show that in the HPC2N data set, the accuracy, sensitivity, and precision of the proposed method for predicting the state of resources are equal to 94.72%, 93.21%, and 91.64%, respectively. In the NASA data set, the proposed method's accuracy, sensitivity, and precision in resource allocation are 95.68%, 94.61%, and 92.37%, respectively. The proposed method is more accurate in allocating resources for scheduling than the RNN, 1DCNN, and MLP methods. The Makespan index of the proposed method shows a lower and better value in task scheduling than the AO_AVOA, AVOA, PSO, HHO, and FA methods.

References:

[1] A. S. Abohamama, A. El-Ghamry & E. Hamouda, “Real-time task scheduling algorithm for IoT-based applications in the cloud–fog environment,” Journal of Network and Systems Management, vol. 30, no.4,1-35,54, 27 May 2022, doi: 10.1007/s10922-022-09664-6.
[2] D. R. Prapti, A. R. Mohamed Shariff, H. Che Man, N. M. Ramli, T. Perumal, & M. Shariff, “Internet of Things (IoT)‐based aquaculture: An overview of IoT application on water quality monitoring,” Reviews in Aquaculture, vol. 14, no. 2, pp. 979-992, 19 November 2021, doi: 10.1111/raq.12637.
[3] I. Attiya, M. Abd Elaziz, L. Abualigah, T. N. Nguyen, & A. A. Abd El-Latif, “An improved hybrid swarm intelligence for scheduling iot application tasks in the cloud,” IEEE Transactions on Industrial Informatics, vol. 18, no. 9, pp. 6264-6272, 04 February 2022, doi: 10.1109/TII.2022.3148288.
[4] A. Rahimikhanghah, M. Tajkey, B. Rezazadeh, & A. M. Rahmani, “Resource scheduling methods in cloud and fog computing environments: a systematic literature review,” Cluster Computing, vol. 25, pp. 911-945, 1-35. April 2022, doi: 10.1007/s10586-021-03467-1.
[5] M. T. Zhou, T. F. Ren, Z. M. Dai, & X. Y. Feng, “Task scheduling and resource balancing of fog computing in smart factory,” Mobile Networks and Applications, vol. 28, no. 1, pp. 19-30. February 2023, doi: 10.1007/s11036-022-01992-w.
[6] S. Subbaraj, R. Thiyagarajan, & M. Rengaraj, “A smart fog computing based real-time secure resource allocation and scheduling strategy using multi-objective crow search algorithm,” Journal of Ambient Intelligence and Humanized Computing, vol. 14, no. 2, pp. 1003-1015. February 2023, doi: 10.1007/s12652-021-03354-y.
[7] M. R. Raju, & S. K. Mothku, “Delay and energy aware task scheduling mechanism for fog-enabled IoT applications: A reinforcement learning approach,” Computer Networks, vol. 224, 109603, 8 February 2023, doi: 10.1016/j.comnet.
[8] H. Wadhwa, & R. Aron, “Optimized task scheduling and preemption for distributed resource management in fog-assisted IoT environment,” The Journal of Supercomputing, vol. 79, no. 2, pp. 2212-2250, February 2023, doi : 10.1007/s11227-022-04747-2.
[9] T. K. Vashishth, , V. Sharma, K. K. Sharma, B. Kumar, S. Chaudhary, & R. Panwar, (2024). “Intelligent Resource Allocation and Optimization for Industrial Robotics Using AI and Blockchain,” In AI and Blockchain Applications in Industrial Robotics IGI Global, pp. 82-110, December 2023, doi : 10.4018/979-8-3693-0659-8.ch004.
[10] Saifeng, Z. (2024). “AQINM: an adaptive QoS management framework based on intelligent negotiation and monitoring in cloud,” International Journal of Information Technology and Management, vol. 23, no. 1, pp. 33-47, 22 January 2024, doi: 10.1504/IJITM.2024.136183.
[11] E. Khezri, R. O. Yahya, H. Hassanzadeh, M. Mohaidat, S. Ahmadi, & M. Trik, “DLJSF: Data-Locality Aware Job Scheduling IoT tasks in fog-cloud computing environments,” Results in Engineering, vol. 21, 101780. 24 January 2024, doi: 10.1016/j.rineng.2024.101780.
[12] Y. Lin, Y. Xu, J. Zhu, X. Wang, L. Wang, & G. Hu, “MLATSO: A method for task scheduling optimization in multi-load AGVs-based systems,” Robotics and Computer-Integrated Manufacturing, vol. 79, 102397, February 2023, doi: 10.1016/j.rcim.2022.102397.
[13] Y. Shen, & H. Li, “A multi-strategy genetic algorithm for solving multi-point dynamic aggregation problems with priority relationships of tasks,” Electronic Research Archive, vol.32, no. 1, pp. 445-472, 2024, doi: 10.3934/era.2024022.
[14] X. Fu, Y. Sun, H. Wang, & H. Li, “Task scheduling of cloud computing based on hybrid particle swarm algorithm and genetic algorithm,” Cluster Computing, vol. 26, no. 5, pp. 2479-2488, October 2023, doi: 10.1007/s10586-020-03221-z.
[15] S. Mangalampalli, S. K. Swain, G. R. Karri, & S. Mishra, “SLA Aware Task-Scheduling Algorithm in Cloud Computing Using Whale Optimization Algorithm,” Scientific Programming, vol. 2023, 20 Apr 2023, doi: 10.1155/2023/8830895.
[16] S. Mangalampalli, G. R. Karri, S. N. Mohanty, S. Ali, M. I. Khan, D. Abduvalieva, F. A. Awwad & E. A. Ismail, “Fault tolerant trust based task scheduler using Harris Hawks optimization and deep reinforcement learning in multi cloud environment,” Scientific Reports, vol. 13, no. 1, 19179. 06 November 2023, doi.org/10.1038/s41598-023-46284-9.
[17] J. Xue, & B. Shen, “Dung beetle optimizer: A new meta-heuristic algorithm for global optimization,” The Journal of Supercomputing, vol. 79, no. 7, pp. 7305-7336, May 2023, doi.org/10.1007/s11227-022-04959-6.
[18] Z. Yin, F. Xu, Y. Li, C. Fan, F. Zhang, G.Han, & Y. Bi, “A multi-objective task scheduling strategy for intelligent production line based on cloud-fog computing,” Sensors, vo. 22, no. 4, 1555, 15 February 2022, doi: 10.3390/s22041555.
[19] A. A. Mutlag, M. Khanapi Abd Ghani, M. A. Mohammed, M. S. Maashi, O. Mohd, S. A. Mostafa, , k. h. Abdulkareem, G. Marques, & I. de la Torre Díez, (2020). “MAFC: Multi-agent fog computing model for healthcare critical tasks management,” Sensors, vol. 20, no. 7, 1853, 25 March 2020, doi.org: 10.3390/s20071853.
[20] X. Ma, H. Gao, H. Xu, & M. Bian, “An IoT-based task scheduling optimization scheme considering the deadline and cost-aware scientific workflow for cloud computing,” EURASIP Journal on Wireless Communications and Networking, vol. 2019, no, 249, pp. 1-19, 08 November 2019, doi: 10.1186/s13638-019-1557-3.
[21] M. Hosseini Shirvani, “A survey study on task scheduling schemes for workflow executions in cloud computing environment: classification and challenges,” The Journal of Supercomputing, pp. 1-54, 07 December 2023 , doi: 10.1007/s11227-023-05806-y.
[22] M. Hosseinzadeh, E. Azhir, J. Lansky, S. Mildeova, O. H. Ahmed, M. H. Malik, & F. Khan, “Task Scheduling Mechanisms for Fog Computing: A Systematic Survey,” IEEE Access, vol. 11, pp. 50994–51017, 18 May 2023, doi: 10.1109/ACCESS.2023.3277826.
[23] Zhou, M. T., Ren, T. F., Dai, Z. M., & Feng, X. Y. (2023). “Task scheduling and resource balancing of fog computing in smart factory,” Mobile Networks and Applications, vol. 28, no. 1, pp. 19-30, February 2023, doi: 10.1007/s11036-022-01992-w.
[24] Z. A. Khan, I. A. Aziz, & N. A. B. Osman, “A Review on Task Scheduling Techniques in Cloud and Fog Computing: Taxonomy, Tools, Open Issues, Challenges, and Future Directions,” IEEE Access, vol. 11, pp. 143417 – 143445, 18 December 2023, doi: 10.1109/ACCESS.2023.3343877.
[25] T. Salehnia, A. Seyfollahi, , S. Raziani, A. Noori, A. Ghaffari, A. R. Alsoud, & L. Abualigah, “An optimal task scheduling method in IoT-Fog-Cloud network using multi-objective moth-flame algorithm,” Multimedia Tools and Applications, pp. 1-22, 11 September 2023, doi: 10.1007/s11042-023-16971-w.
[26] F. Ramezani Shahidani, A. Ghasemi, A. Toroghi Haghighat, & A. Keshavarzi, “Task scheduling in edge-fog-cloud architecture: a multi-objective load balancing approach using reinforcement learning algorithm,” Computing, vol. 105, no. 6, pp. 1337-1359, June 2023, doi: 10.1007/s00607-022-01147-5.
[27] B. M. Nguyen, T. Nguyen, Q. H. Vu, H. H. Tran, H. Vo, H. T. T. Binh, S. Yu , Z. Wu, “A novel nature-inspired algorithm for optimal task scheduling in fog-cloud blockchain system,” IEEE Internet of Things Journal, vol. 11, 06 July 2023, doi: 10.1109/JIOT.2023.3292872.
[28] J. Z. Ahmadabadi, S. E. Mood, & A. Souri, “Star-quake: A new operator in multi-objective gravitational search algorithm for task scheduling in IoT based cloud-fog computing system,” IEEE Transactions on Consumer Electronics, January 2023, doi: 10.1109/TCE.2023.3321708.
[29] R. Ghafari, & N. Mansouri, “E-AVOA-TS: Enhanced African vultures optimization algorithm-based task scheduling strategy for fog–cloud computing,” Sustainable Computing: Informatics and Systems, vol. 40, 100918, December 2023, doi: 10.1016/j.suscom.2023.100918.
[30] Q. Liu, H. Kosarirad, S. Meisami, K. A. Alnowibet, & A. N. Hoshyar, “An Optimal Scheduling Method in IoT-Fog-Cloud Network Using Combination of Aquila Optimizer and African Vultures Optimization,” Processes, vol. 11, no. 4,1162, 10 April 2023, doi: 10.3390/pr11041162.
[31] Z. Wang, M. Goudarzi, M. Gong, & R. Buyya, “Deep Reinforcement Learning-based scheduling for optimizing system load and response time in edge and fog computing environments,” Future Generation Computer Systems, vol. 152, pp. 55-69, Mtch 2024, doi: /10.1016/j.future.2023.10.012.
[32] M. Osmanpoor, A. Shameli-Sendi, & F. Faraji Daneshgar, “Convergence of the Harris hawks optimization algorithm and fuzzy system for cloud-based task scheduling enhancement,” Cluster Computing, pp. 1-15, 09 January 2024, doi.org/10.1007/s10586-023-04225-1.
[33] D. Sanchez Narvaez, C. Villaseñor, C. Lopez-Franco, & N. Arana-Daniel, “Order-Based Schedule of Dynamic Topology for Recurrent Neural Network,” Algorithms, vol. 16, no. 5, 231. 28 April 2023, doi: 10.3390/a16050231.
[34] B. M. Nguyen, , H. Thi Thanh Binh, T. The Anh, & D. Bao Son, “Evolutionary algorithms to optimize task scheduling problem for the IoT based bag-of-tasks application in cloud–fog computing environment,” Applied Sciences, vol. 9, no. 9, 1730, 26 April 2019, doi: 10.3390/app9091730.
[35] L. Li, L. Liu, Y. Shao, X. Zhang, Y. Chen, C. Guo, & H. Nian, “Enhancing Swarm Intelligence for Obstacle Avoidance with Multi-Strategy and Improved Dung Beetle Optimization Algorithm in Mobile Robot Navigation,” Electronics, vol. 12, no. 21, 4462, 30 October 2023 , doi: 10.3390/electronics12214462.
[36] M. S. Kumar, & G. R. Karri, “Eeoa: cost and energy efficient task scheduling in a cloud-fog framework,” Sensors, vol. 23, no. 5, 2445, 22 February 2023, doi: 10.3390/s23052445.

Full-Text:



                    دانشگاه آزاد اسلامی واحد الکترونیکی

                     مجله فناوری اطلاعات و امنیت شبکه

 

ISSN: 3060-6055             

 

زمانبندی وظایف در سیستم‌های توزیع شده لایه مه و ابر محاسباتی با استفاده از الگوریتم بهینه­سازی سوسک سرگین

 

محسن اقبالي1*، رضا عزيزي2 

1دانشجوی دکتری مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران، [e-mail] 

2استادیار گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران، [e-mail] 

 

 

 

چکيده 

 در چند سال گذشته اینترنت اشیاء رشد قابل توجهی داشته‌است و تعداد زیادی شیء هوشمند به آن متصل شده‌است.  رایانش ابری به عنوان یک سیستم پردازش داده­ها در اینترنت اشیاء است با این حال، سرورها در الگوی محاسبات ابری معمولاً در یک فاصله فیزیکی طولانی از دستگاه‌های اینترنت اشیاء قرار دارند و تأخیر زیاد ناشی از فواصل طولانی نمی‌تواند به طور مؤثر برنامه‌های اینترنت اشیاء بلادرنگ را برآورده کند. به دلیل این مسائل، محاسبات لبه و مه به عنوان فناوری محاسباتی محبوب در زمینه اینترنت اشیا ظاهر شده است. یکی از چالش­های مهم اینترنت اشیا، مسئله زمان‌بندی وظایف در لایه مه و ابر است. در روش پیشنهادی برای تخصیص منابع آزاد از شبکه عصبی LSTM استفاده می­شود و برای زمانبندی بهینه وظایف در لایه ابر و مه از الگوریتم بهینه­سازی سوسک سرگین استفاده می­شود. آزمایشات نشان می­دهد که در مجموعه داده HPC2N دقت، حساسیت و صحت روش پیشنهادی برای پیش‌بینی وضعیت منابع به ترتیب برابر 72/94 درصد، 21/93 درصد و 64/91 درصد است. در مجموعه داده NASA دقت، حساسیت و صحت پیش‌بینی روش پیشنهادی در تخصیص منابع به ترتیب برابر 68/95 درصد، 61/94 درصد و 37/92 درصد است. روش پیشنهادی نسبت به روش‌های RNN، 1DCNN،MLP دقت بیشتری در تخصیص منابع برای زمان‌بندی دارد. شاخص Makespan روش پیشنهادی نسبت به روش‌های AO_AVOA، AVOA، PSO، HHO و FA مقدار کمتری و بهتری را در زمان‌بندی وظایف نشان می­دهد.

كليد واژه- اینترنت اشیاء، الگوریتم بهینه­سازی سوسک سرگین، زمانبندی وظایف، لایه ابر، لایه مه

 

1-مقدمه

با تکامل فناوری‌های دیجیتال، حجم عظیمی از داده­ها از منابع متعدد تولید می­شود. چنین داده­هایی را می­توان با استفاده از راه­حل­های رایانش ابری ذخیره و پردازش کرد. با این حال، رایانش ابری نمی‌تواند تحرک و امنیت اینترنت اشیاء¹ را پشتیبانی کند]1[. اینترنت اشیاء از گره­های توزیع شده عظیمی تشکیل شده است که در آنها هر گره متشکل از حسگرهای مختلفی است. هر حسگر در داخل یک گره متوجه تفاوت‌هایی می‌شود که در ناحیه محصور در پهنای باند مجاز خود رخ داده است. متعاقباً پس از خوشه‌بندی و ارزیابی داده‌های جمع‌آوری‌شده، تصمیمات سنتی و اقدامات ترتیب داده شده اتخاذ می‌شود. اینترنت اشیا سیستمی است که در کاربردهای مختلف مانند تولید، مراقبت‌های بهداشتی، کشاورزی، مناطق شهری و غیره کشف شده‌است]2[.

رایانش ابری² یک مرحله دسترسی به داده­ها برای پشتیبان‌گیری و پردازش داده­ها است زیرا دارای ذخیره­سازی و پردازش بالایی است. داده‌های گسترده تولید شده توسط دستگاه­های اینترنت اشیا برای پردازش(تخلیه کار) به محاسبات ابری ارائه می­شود. با این حال، انتقال مستقیم داده‌ها به ابر ممکن است باعث هزینه‌های شبکه یا به عبارتی سربار پهنای باند شود. ابر معمولا تاخیر پردازش داده­های آپلود شده را به دلیل زمان پاسخ طولانی به تاخیر می­اندازد]3[. در نتیجه، یک جایگزین جدید، یعنی محاسبات مه³، برای رسیدگی به توانایی‌های دستگاه‌های اینترنت اشیا معرفی شد. بنابراین، محاسبات مه توسط سیسکو در سال 2012 برای حل این چالش­ها ارائه شد. محاسبات مه، خدمات ابری را تا لبه شبکه گسترش می­دهد. با انجام عملیات مربوطه با استفاده از منابع محلی که در نزدیکی دستگاه­های لبه اینترنت اشیاء وجود دارد، زمان و حجم انتقال داده را کاهش داد. بنابراین استفاده از منابع محلی باعث کاهش هزینه­ها، کاهش تاخیر، افزایش سطح محرمانگی و امنیت و کاهش بار ترافیک شبکه می­شود. وقتی منابع موثری در محاسبات مه وجود نداشته‌باشد، از منابع ابری با هزینه­های بالاتر استفاده می­شود. محاسبات مه و محاسبات لبه اغلب به جای یکدیگر در مطالعات برای اشاره به همان مفهوم توزیع منابع محاسباتی نزدیک‌تر به کاربران نهایی استفاده می‌شوند]4[.

با اینترنت اشیا، اتصال به اینترنت فراتر از دستگاه‌های هوشمند سنتی مانند گوشی‌های هوشمند و تبلت‌ها به طیف متنوعی از دستگاه‌ها و موارد دیگر(حسگرها، ماشین‌ها، وسایل نقلیه و غیره) گسترش می‌یابد. اینترنت اشیاء حجم عظیمی از داده­ها را تولید می­کند که نیاز به ذخیره، پردازش و تجزیه و تحلیل برای به دست آوردن اطلاعات ارزشمند به‌منظور برآوردن اهداف و نیازهای کاربر دارند. علاوه بر این، تعداد و مقیاس برنامه‌ها و خدمات نیز به سرعت در حال افزایش است بنابراین، نیازمند قابلیت پردازشی است تا آنجا که حتی قدرتمندترین دستگاه‌های هوشمند در حال حاضر نمی‌توانند آن را برآورده کنند]5[. محیط ابری که به عنوان یک مرکز منبع بزرگ شناخته می‌شود و امکان دسترسی همه‌جانبه به اشتراک‌گذاری و ارائه منابع به کاربران را به صورت انعطاف‌پذیر از طریق مکانیزم مجازی‌سازی فراهم می‌کند، می‌تواند یک پلتفرم بالقوه برای پشتیبانی از پیشرفت‌های اینترنت اشیا باشد. محدودیت‌های دستگاه‌های هوشمند موجود(عمر باتری، قدرت پردازش، ظرفیت ذخیره‌سازی و منابع شبکه) را می‌توان با انجام کارهای وقت‌گیر و پرمحصول به یک پلتفرم محاسباتی قدرتمند مانند محاسبات ابری به حداقل رساند و در همان حال وظایف ساده را برای دستگاه‌های هوشمند واگذار کرد]6[. مدل محاسباتی مه- ابر دارای مزایای متعددی از جمله کاهش تأخیر، کاهش ترافیک شبکه و افزایش کارایی انرژی است، با این حال، این مدل جدید با مجموعه‌ای از چالش‌ها نیز همراه است]7[.

 یکی از چالش‌های مطرح در اینترنت اشیا، تخصیص منابع⁴]8[ و زمان بندی وظایف⁵]9[ است. یک سیستم بسیار توزیع شده مانند محاسبات مه-ابر یک پلت فرم ایده آل برای استقرار برنامه­های کاربردی است؛ آن دسته از برنامه­های موازی که وظایف آنها مستقل از یکدیگر است. برنامه­های کاربردی در بسیاری از سناریوها ظاهر می‌شوند، از جمله داده‌کاوی، جست‌وجوهای گسترده (مانند شکستن کلید)، محاسبات فراکتال، زیست‌شناسی محاسباتی، تصویربرداری کامپیوتری، رمزگذاری/رمزگشایی ویدیو و برنامه­های کاربردی مختلف اینترنت اشیاء]9[. چالش اصلی، زمان‌بندی وظایف در مجموعه گره‌های پردازشی از جمله گره‌های ابری (مانند سرورها یا ماشین‌های مجازی) و گره‌های مه است. هدف از زمان‌بندی وظایف در سیستم مه-ابر به نفع کاربران یا ارائه‌دهندگان خدمات است. از طرف کاربران، آنها نگران برخی از معیارهای ساخت، بودجه، مهلت، امنیت و هزینه هستند. از سوی دیگر، هدف ارائه‌دهندگان خدمات، متعادل کردن بار، استفاده از منابع و بهره­وری انرژی است. برای تضمین QoS، زمان پاسخگویی نقش مهمی در زمانی که مستقیماً بر تجربه کاربر تأثیر می‌گذارد، ایفا می‌کند]10[. علاوه بر این، هزینه پیاده­سازی نیز جنبه‌ای است که بسیار مورد علاقه و اقبال کاربران بوده‌است. یک برنامه زمانبندی کار که زمان تکمیل را به حداقل می‌رساند و در هزینه های پولی صرفه‌جویی می­کند، توافق نامه سطح خدمات⁶ امضا شده با کاربران را برآورده می­کند]11[.  مدیریت وظایف⁷ در معماری‌های ابر-مه یک موضوع مهم است. استفاده بهینه از منابع ابر مه برای افزایش پارامترهای کیفی مختلف مانند زمان اجرای کار، هزینه عملیات و مصرف انرژی موضوع مهمی است. زمان‌بندی کار مناسب در محیط مه، هزینه‌ها و تاخیرهای پردازش/ارتباطات را کاهش می‌دهد. یکی از مشکلات محققان، انتخاب یک روش زمانبندی کارآمد است]12[.

مسئله زمانبندی کار، دشواری چند جمله‌ای غیر قطعی⁸ و بهینه­سازی چالش برانگیز است. امروز، الگوریتم فراابتکاری کاربردی می­تواند برای حل مسئله زمانبندی وظایف، مورد استفاده قرار گیرد. از جمله روش‌های فراابتکاری که برای زمانبندی وظایف مورد استفاده قرار گرفته‌است، می­توان به الگوریتم ژنتیک⁹]13[، الگوریتم بهینه­سازی ذرات¹⁰]14[، الگوریتم بهینه­سازی وال¹¹]15[ و الگوریتم بهینه­سازی شاهین¹²]16[ اشاره کرد. هدف از این مقاله، ارایه یک رویکرد جدید برای در نظر گرفتن منابع ابر و مه برای زمانبندی کارها و وظایف در اینترنت اشیا است. ارایه یک تابع هدف جدید در زمانبندی برای کاهش تاخیر اجرای وظایف از دیگر اهداف تحقیق به‌شمار می‌رود. در روش پشنهادی برای زمانبندی وظایف از الگوریتم بهینه­سازی سوسک سرگین استفاده می­شود تا تاخیر اجرای وظایف کاهش داده شود. ارایه یک نسخه گسسته از الگوریتم سوسک سرگین¹³]17[ برای زمانبندی وظایف در لایه مه و ابر، نخستین نوآوری مقاله است. نوآوری دیگر مقاله ارایه یک تابع هدف کارآمد برای زمانبندی وظایف است. به‌کارگیری منابع در لایه مه و ابر برای زمانبندی بهینه، دیگر نوآوری این مقاله به‌شمار می‌رود. پیش‌بینی بار محاسباتی منابع با استفاده از شبکه عصبی LSTM برای اجرای وظایف روی منابع آزاد از نوآوری­های دیگر مقاله است. سهم نویسندگان در ارایه یک الگوریتم زمانبندی کارآمد در اینترنت اشیا در موارد ذیل خلاصه می­شود:

§       پیش بینی منابع آزاد با شبکه عصبی LSTM و زمانبندی وظایف طبق منابع آزاد

§       ارایه یک نسخه گسسته از الگوریتم بهینه­سازی سوسک سرگین برای زمانبندی

§       زمانبندی دو سطحی در لایه مه و ابر

§       تلفیق هوش گروهی و یادگیری عمیق در زمانبندی بهینه

§       ارایه یک تابع هدف جدید برای زمانبندی وظایف در لایه مه و ابر

این مقاله یک روش زمانبندی دو سطحی در لایه مه و ابر و دارای 5 بخش است. در بخش II کارهای مرتبط در زمینه زمانبندی کارها ارایه می­­شود. در بخش III، سیستم زمانبندی دو سطحی بر اساس یادگیری عمیق و الگوریتم بهینه­سازی سوسک سرگین توسعه داده شده است. در بخش IV، روش پیشنهادی پیاده­سازی و با روش‌های مشابه مورد مقایسه قرار می‌گیرد. در بخشV نتایج تحقیق و یافته­های تحقیق به همراه پیشنهاد‌های آتی ارایه می­شود.

2-کارهای مرتبط

رایانش ابری با استفاده از تکنیک­های محاسبات موازی و توزیع شده، منابع رایانه مشترک را از طریق اینترنت در دسترس مشتریان قرار می‌دهد. مدل کسب‌وکار «پرداخت به‌حساب» رایانش ابری را تقریباً دموکراتیک کرده است. ارائه دهندگان ابر، ارائه دهندگان خدمات و کاربران نهایی در این مرحله از استقرار نرم افزار شرکت می­کنند. ارائه دهندگان خدمات ابری قابلیت­های محاسباتی را از طریق رایانه‌های مجازی به مشتریان خود ارائه می­دهند. ارائه‌دهندگان خدمات از این ماشین­های مجازی برای خدمات مشتری در سطح برنامه استفاده می­کنند. ارائه‌دهندگان خدمات، الگوریتم‌های زمان‌بندی کار را برای پخش مشاغل مشتری در سراسر ماشین‌های مجازی، کاهش زمان پاسخگویی، اطمینان از کیفیت بالای خدمات و به حداکثر رساندن منابع پیاده‌سازی می‌کنند. به همین دلیل، الگوریتم زمان‌بندی کار، بخش مهمی از هر معماری ابری است. رایانش ابری نیاز به تنظیماتی برای چندین تکنیک زمانبندی مورد استفاده در محیط­های مختلف رایانه دارد. ممکن است یک روش زمانبندی بهینه شده برای یک خوشه در فضای ابری ضعیف عمل کند. قبل از اینکه الگوریتم بتواند با ساختار محیط ابری مقابله کند، بخش‌های روش باید به فضای مشکل منتقل شوند. هرچه تنوع ماشین‌های مجازی و اندازه بارهای کاری که مدیریت می‌شوند بیشتر باشد، تعداد پیکربندی‌های کار موجود بیشتر است. یافتن کوتاه‌ترین مسیر در میان همه جایگشت‌های بالقوه یکی از چالش برانگیزترین مشکلات در علم کامپیوتر برای زمانبندی است. معماری اینترنت اشیاء به طور معمول مانند شکل1، از سه لایه شامل لایه زیرساخت، لایه محاسبات مه و لایه محاسبات ابری تشکیل شده است]18[:

§       لایه زیرساخت: این لایه از دستگاه­های پایانه با عملکردهای مختلف مانند سنسور(حسگر)های مختلف، دستگاه­های پردازشی و پایانه­های مختلف هوشمند تشکیل شده است. پایانه­های هوشمند، وظایف ساده را به صورت محلی انجام می­دهند اما قادر به انجام کارهای پیچیده در زمان واقعی نیستند.

§       لایه محاسبات مه: این لایه عمدتاً از گره‌های مه تشکیل شده‌است. اینها سرورهایی با قابلیت‌های محاسباتی، ارتباطی و ذخیره‌سازی معین در خطوط تولید هوشمند مانند حسگرهای هوشمند، دستگاه‌های پردازش هوشمند و دستگاه‌های چندرسانه‌ای هوشمند هستند. این لایه می­تواند درخواست­های پایانه­های خط تولید هوشمند را حس کرده و خدمات مختلفی را بلادرنگ ارائه دهد که می­تواند تاخیر پردازش وظایف را تا حد زیادی کاهش دهد و کیفیت سرویس اپلیکیشن‌های بلادرنگ را تضمین کند.

§       لایه محاسبات ابری: لایه رایانش ابری شامل خوشه­هایی با ظرفیت محاسبات و ذخیره سازی عظیم است که خدمات از راه دور را برای خطوط تولید هوشمند به‌منظور انجام وظایف محاسباتی پیچیده ارائه می­دهد.

 

شکل 1: معماری سه لایه اینترنت اشیاء]18[

Figure 1. The three-layer architecture of the Internet of Things[18]

تعادل بار یکی از مهم‌ترین مشکلات برای اجرای وظایف زمان‌بندی چند منبعی در یک محیط محاسباتی ناهمگن است. اگر رویکرد متعادل کننده بار در برنامه کمک شود، می‌تواند بر مصرف انرژی تأثیر بگذارد. استفاده از CPU نیز برای هر دو قرارداد سطح سرویس و مصرف انرژی اجباری است که مستقیماً بر زمان‌بندی وظایف متعادل‌سازی بار تأثیر می‌گذارد. استفاده از CPU بر پردازش کار تأثیر می­گذارد و هر گره CPU خود را برای پردازش وظایف دارد. بنابراین، روش پیشنهادی با هدف افزایش زمان‌بندی کار برای بهبود پردازش کار انجام می‌شود. ایجاد تعادل نگرانی بین منابع و وظایف، پاسخ پردازش وظایف و مدیریت منابع را به طور قابل توجهی بهبود می­بخشد. متعادل­سازی بار یک تکنیک ضروری در مدیریت منابع است که با تعبیه عوامل مدیریت وظیفه می­تواند به یک سیستم قوی تبدیل شود. زمان‌بندی شامل یافتن یک نقشه‌برداری بهینه برای تخصیص n وظیفه به پردازنده‌های متعدد است و علاوه بر این، چندین متغیر حیاتی برای افزایش زمان‌بندی در رایانش ابری وجود دارد]19[. زمان­بندی را می­توان یک نگاشت از اجرای وظایف روی منابع آزاد در لایه مه یا ابر در نظر گرفت. در شکل2، یک فرآیند زمانبندی در لایه ابر و روی ماشین­های مجازی نمایش داده شده است. با توجه به شکل2، وظایف t1 تا t8 را می­توان روی منابع مختلف V1، V2 و V3 اجرا کرد. در حالت اول وظیفه اول و دوم در ماشین مجازی اول و سوم اجرا شده اما در سناریوی دوم وظیفه یک و دوم روی ماشین مجازی اول و دوم اجرا شده است. اجرای ترتیبی کارها و وظایف روی ماشین­های مجازی باعث می­شود که زمانبندی­های مختلفی برای اجرای وظایف در لایه مه و ابر در نظر گرفته شود و از این رو یافتن اجرای وظایف بهینه از اهمیت بالایی برخوردار است]20[. برای انجام زمانبندی، تاکنون روش‌های مختلفی ارایه شده که یک دسته­بندی از آن در شکل3، قابل مشاهده است. با توجه به شکل مورد نظر برای زمانبندی وظایف روش‌های مبتنی بر لیست، اکتشافی، فراابتکاری، یادگیری ماشین و ترکیبی ارایه شده است]21[.

 

شکل 2: اجرای چند وظیفه در منابع اینترنت اشیاء]20[

Figure 2. Multitasking in Internet of Things resources[20]

 

شکل 3: روشهای مختلف زمانبندی در اینترنت اشیاء]21[

Figure 3. Different scheduling methods in the Internet of Things[21]

مکانیسم‌های یادگیری ماشین را می‌توان در زمان‌بندی وظایف مه برای بهبود کارایی و دقت فرآیند زمان‌بندی استفاده کرد. با تجزیه و تحلیل داده­های تاریخی و شناسایی الگوها، الگوریتم­های یادگیری ماشین می­توانند بارهای ترافیکی آینده را پیش‌بینی و بر این اساس تخصیص وظایف را بهینه کنند. این می­تواند منجر به کاهش تاخیر و بهبود عملکرد سیستم و همچنین استفاده بهتر از منابع شود.

علاوه بر این، یادگیری ماشین می­تواند برای شناسایی ناهنجاری­ها یا خرابی­های احتمالی در سیستم و اتخاذ اقدامات پیشگیرانه برای جلوگیری از آنها استفاده شود. به طور کلی، ترکیب مکانیسم‌های یادگیری ماشین در زمان‌بندی وظایف مه می‌تواند اثربخشی فرآیند را افزایش داده و عملکرد کلی سیستم‌های محاسباتی مه را بهبود بخشد]22[. مکانیسم‌های مبتنی بر اکتشاف برای زمان‌بندی وظایف مه روش‌هایی هستند که از قوانین سرانگشتی یا بهترین شیوه‌ها برای تخصیص وظایف به دستگاه‌ها در یک محیط محاسباتی مه استفاده می‌کنند. این مکانیسم‌ها بر تکنیک‌های یادگیری ماشین تکیه نمی‌کنند، بلکه بر قوانین تصمیم‌گیری ساده مبتنی بر تجربه یا شهود هستند. مکانیسم‌های مبتنی بر اکتشاف می‌توانند ساده و آسان برای پیاده‌سازی باشند، اما ممکن است همیشه به تخصیص بهینه کار منجر نشوند. آنها همچنین مانند رویکردهای مبتنی بر یادگیری ماشینی، با شرایط در حال تغییر سازگار نیستند یا از تجربیات گذشته درس نمی آموزند. بخش زیر چندین روش زمان‌بندی مه مبتنی بر اکتشافی را بررسی می‌کند که از عوامل مختلفی برای دستیابی به نتایج زمان‌بندی بهبودیافته استفاده می‌کنند]22[. در الگوریتم­های فراابتکاری، یک فضای حل تصادفی برای زمان‌بندی کار استفاده می­شود. با تغییرات اندکی در الگوریتم­های فراابتکاری، می­توان از آنها برای حل مسائل مختلف بهینه­سازی استفاده کرد. الگوریتم­های فراابتکاری، مستقل از مسئله هستند. به‌کارگیری محاسبات مه با استفاده از الگوریتم‌های فراابتکاری در بهبود استفاده از منابع و کاهش تأخیر در محیط‌های محاسباتی مه توزیع شده امیدوارکننده است]22[. مکانیسم­های قطعی همیشه خروجی یکسانی را برای یک ورودی معین تولید می­کنند. مکانیسم­های قطعی برای زمان­بندی وظایف مه شامل استفاده از مجموعه‌ای از قوانین و الگوریتم­های از پیش تعریف شده برای تخصیص وظایف به گره‌های مه است. جست‌وجوی جامع نمونه­ای از رویکرد قطعی به مسئله زمان‌بندی کار است. الگوریتم­های جامع کل فضای جست‌وجو را برای یافتن طرح بهینه بر اساس مدل هزینه داده شده برمی­شمارند. این مکانیسم­ها شامل هیچ روش تصادفی یا احتمالی نیستند. مکانیسم­های قطعی برای زمان بندی وظایف مه ساده و آسان برای پیاده­سازی هستند. با این حال، ممکن است همیشه منجر به استفاده بهینه از منابع یا کاهش تأخیر نشوند]22[. شکل4، سهم انواع روش‌های زمانبندی و بخصوص الگوریتم­های فراابتکاری و ابتکاری را نشان می­دهد]22[.

 

شکل 4: سهم روش‌های مختلف زمانبندی در اینترنت اشیا]22[

Figure 4. Contribution of different scheduling methods in Internet of Things[22]

 با توجه به نمودار فوق، الگوریتم­های زمانبندی فراابتکاری و ابتکاری در زمانبندی کارها و وظایف دارای سهمی به ترنیب و در حدود 38 درصد و 30 درصد است.

در زمانبندی وظایف شاخص­­های مختلفی به‌کار گرفته می­شود که تعدادی از آنها در شکل5، نمایش داده شده است. با توجه به شکل مورد نظر می­توان گفت که مصرف انرژی، مهلت زمانی در اجرای وظایف، تاخیر اجرا و زمان اجرا از مهمترین شاخص­های ارزیابی در زمانبندی است]22[.

 

شکل 5: شاخص های اصلی در زمانبندی]22[

Figure 5. Main indicators in timing[22]

برای زمانبندی وظایف در لایه مه یا ابر تاکنون چندین مطالعه انجام شده است که بیشتر آنها بر محور روش‌های بهینه­سازی و فراابتکاری است که در ادامه تعدادی از کارهای مرتبط در این زمینه مرور می­شود.

 در]23[، سال 2023، یک روش زمان‌بندی وظایف و متعادل‌سازی منابع محاسبات مه در کارخانه هوشمند ارایه شده‌است. در این پژوهش یک الگوریتم زمان‌بندی ژنتیکی تقسیم بازه‌ای بهبود یافته یا الگوریتم زمان‌بندی تقسیم فاصله زمانی بر اساس الگوریتم ژنتیک برای برنامه‌ریزی و تخصیص وظایف در کارخانه هوشمند پیشنهاد شده‌است. نتایج شبیه‌سازی نشان می‌دهد که در مقایسه با الگوریتم زمان‌بندی پیش‌فرض Kubernetes، IDGSA می‌تواند زمان پردازش داده‌ها را تا ۵۰ درصد کاهش دهد و استفاده از منابع محاسباتی مه را تا ۶۰ درصد بهبود بخشد. در مقایسه با الگوریتم ژنتیک سنتی، با تکرارهای کمتر، روش آنها می­تواند زمان پردازش داده‌ها را تا 7 درصد کاهش دهد و استفاده از منابع محاسباتی مه را تا 9 درصد بهبود بخشد و در مقایسه با روش معمولی Joines&Houck، الگوریتم پیشنهادی می‌تواند بسیار سریع‌تر همگرا شود و نتایج بهینه‌سازی بهتری را ارایه کند. علاوه بر این، شبیه‌سازی نشان می‌دهد که روش آنها در محاسبات مشترک ابری و مه می‌تواند کل تاخیر کار را به ترتیب 18 و 7 درصد در مقایسه با محاسبات فقط ابری و فقط مه کاهش دهد.

در]24[، سال 2023، مروری بر تکنیک‌های زمان‌بندی وظایف در محاسبات ابری و مه انجام شده است. زمان‌بندی کارآمد بر روی ابر برای استفاده بهینه از منابع در مراکز داده حیاتی است. با ظهور برنامه‌های نسل پنجم و اینترنت اشیاء که تعداد زیادی کار با الزامات تأخیر دقیق ایجاد می‌کنند، چالش‌برانگیزتر شده است. این امر محاسبات مه / لبه را به وجود می­آورد که یک لایه مکمل برای ابر محاسباتی است. تأخیر وظایف در محاسبات مه را می­توان کاهش داد زیرا پردازش در شبکه به دستگاه‌های نهایی و کاربران نزدیک تر انجام می­شود، اما به دلیل در دسترس بودن منابع محدود، نمی­توان هر کار را در مه برنامه‌ریزی کرد. الگوریتم­های زمان بندی مرسوم اغلب در بهره‌برداری از منابع ناهمگن شکست می­خورند. بنابراین، الگوریتم‌های زمان‌بندی به‌خوبی طراحی‌شده و به‌خوبی تنظیم شده برای دستیابی به کیفیت بهتر خدمات مورد  نیاز هستند. در این مطالعه، الگوریتم‌های زمان‌بندی کار پیشرفته در محیط‌های ابر و مه در مجموعه‌ای از ابعاد مختلف مورد بررسی قرار می‌گیرند. مطالعات نشان داد 97 درصد از مطالعات بر اهداف چندگانه تمرکز می­کنند و 68 درصد از تکنیک‌ها غیر قطعی هستند. علاوه بر این، در مجموع بیست هدف زمان‌بندی مختلف با زمان ساخت، استفاده از منابع، تاخیر، متعادل‌سازی بار و مصرف انرژی به‌عنوان مهم‌ترین معیارها شناسایی شده‌اند. روش‌های ارزیابی شامل شبیه‌سازی (51 درصد)، آزمایش‌های واقعی (4درصد)، معادلات تحلیلی (2 درصد) و مجموعه داده‌ها (43 درصد) و غیره بررسی می‌شوند. در پایان، مسائل باز، چالش‌ها و جهت‌گیری‌های آتی مورد بحث قرار می‌گیرد.

در]25[، سال 2023، یک روش زمان‌بندی کار بهینه در شبکه مه و ابر با استفاده از الگوریتم پروانه-شعله چندهدفه ارایه دادند. آزمایشات آنها نشان داد روش پیشنهادی از الگوریتم بهینه­سازی ازدحام ذرات، الگوریتم کرم شب تاب، الگوریتم‌های ازدحام سالپ، بهینه ساز شاهین هریس و کلونی زنبورهای مصنوعی در زمانبندی تاخیر کمتری ارایه می­کند. بر اساس آزمایش‌ها، راه‌حل پیشنهادی زمان تکمیل وظایف اینترنت اشیا و زمان خروجی را کاهش داده‌است، بنابراین تأخیر ناشی از پردازش وظایف، مصرف انرژی و انتشار CO2 و افزایش نرخ عملکرد سیستم را کاهش داده است.

در]26[، سال 2023، برای زمان‌بندی کار در معماری لبه-مه-ابر یک رویکرد متعادل کننده بار چند هدفه با استفاده از الگوریتم یادگیری تقویتی ارایه دادند. در این پژوهش، یک الگوریتم زمان‌بندی مه یادگیری تقویتی برای رسیدگی زمانبندی وظایف پیشنهاد شده‌است. نتایج تجربی نشان می‌دهد که الگوریتم پیشنهادی تعادل بار را افزایش داده و زمان پاسخ را در مقایسه با الگوریتم‌های زمان‌بندی موجود کاهش می‌دهد. علاوه بر این، الگوریتم پیشنهادی از نظر تعداد دستگاه‌های مورد استفاده از سایر رویکردها بهتر عمل می‌کند.

در]27[، سال 2023، یک الگوریتم جدید الهام گرفته از طبیعت برای زمان‌بندی وظایف بهینه در سیستم مه-ابر ارایه دادند. در سال های اخیر، به دلیل رشد تصاعدی داده‌های تولید شده توسط دستگاه‌های هوشمند متصل به هم، استفاده از برنامه­های کاربردی اینترنت اشیاء مبتنی بر ابر مه به طور پیوسته در حال افزایش بوده‌است. با این حال، ارائه‌دهندگان ابری که مسئول این برنامه‌های کاربردی اینترنت اشیا هستند با دو مشکل اساسی نحوه محافظت از سیستم در برابر کاربران غیرقابل اعتماد و  نحوه تخصیص واحدهای پردازش برای برآورده کردن خواسته­ها با هزینه‌های قابل قبول روبرو هستند. در این پژوهش، یک نسخه بهبود یافته از الگوریتم بهینه‌سازی مبتنی بر انتخاب زندگی¹⁴ برای حل زمان‌بندی کار ارایه شده‌است. زمان‌بندی وظایف یکی از برجسته‌ترین مشکلات در تخصیص منابع است. الگوریتم پیشنهادی آنها نه تنها سرعت همگرایی را افزایش می‌دهد، بلکه تنوع را بهتر حفظ می‌کند و قدرت، تأخیر و هزینه را بهینه می‌کند. آزمایشات نشان می­دهد الگوریتم بهینه‌سازی مبتنی بر انتخاب زندگی با دستیابی به نتایج بهتر برای تأخیر و مصرف انرژی از روش‌های پیشرفته مشابه بهتر عمل می‌کند.

در]28[، سال 2023، یک الگوریتم جست‌وجوی گرانشی چند هدفه برای زمان‌بندی وظایف در سیستم محاسباتی ابری مبتنی بر اینترنت اشیا ارایه شده است. در این پژوهش، یک تابع چند هدفه جدید برای به حداقل رساندن هزینه ساخت، انرژی و هزینه پولی برای زمان‌بندی کار در سیستم مه-ابر پیشنهاد شده است. در این پژوهش، عملکرد الگوریتم پیشنهادی در دو سناریو مورد ارزیابی قرار گرفته‌است. ابتدا، عملکرد روش پیشنهادی با برخی از روش‌های بهینه‌سازی چندهدفه محبوب در برخی از توابع تست استاندارد مقایسه می‌شود. نتایج نشان می‌دهد که الگوریتم پیشنهادی نسبت به سایر روش­ها عملکرد بهتری دارد. سپس از این الگوریتم برای یافتن راه حل مناسب برای مسئله زمانبندی کار استفاده می­شود. رویکرد پیشنهادی مصرف انرژی را تا 22 درصد و هزینه پردازش را تا 40 درصد بهبود بخشیده است. تجزیه و تحلیل آماری نشان می­دهد که در]29[، سال 2023، یک استراتژی زمان‌بندی کار مبتنی بر الگوریتم بهینه‌سازی کرکس‌های آفریقایی برای محاسبات مه-ابر ارایه دادند. این پژوهش یک استراتژی برنامه‌ریزی وظایف مبتنی بر الگوریتم بهینه‌سازی کرکس‌های آفریقایی پیشرفته برای محاسبات مه-ابر پیشنهاد می‌کند. کمینه‌سازی زمان ساخت، هزینه و مصرف انرژی در الگوریتم پیشنهادی به عنوان تابع هدف در نظر گرفته می­شود. برای اولویت بندی وظایف، بهترین و بدترین روش به‌منظور رسیدگی به حساسیت تاخیرهای کار استفاده می­شود. وظایف حساس به تأخیر، به محیط مه فرستاده می­شوند، در حالی که وظایف تحمل تأخیر به ابر ارسال می­شوند. نتایج شبیه‌سازی نشان می­دهد روش آنها شاخص makepan را تا 53 درصد و  مصرف انرژی را تا 44 درصد بهبود می­دهد.

در]30[، سال 2023، یک روش زمان‌بندی بهینه در شبکه اینترنت اشیا-مه-ابر با استفاده از ترکیب الگوریتم بهینه‌ساز عقاب طلایی و الگوریتم بهینه‌سازی کرکس‌های آفریقایی ارایه دادند. در این پژوهش مشکل زمان‌بندی وظایف در محیط مه-ابر برای اجرای درخواست‌های وظایف اینترنت اشیاء به عنوان یک مشکل بهینه‌سازی با توجه به نیازهای بیشتر QoS در نظر گرفته شده است. ترکیبی از الگوریتم بهینه‌ساز عقاب طلایی و الگوریتم بهینه‌سازی کرکس‌های آفریقایی برای حل مشکل زمان بندی کار در محیط مه-ابر استفاده شده است. روش پیشنهادی آنها در زمانبندی برای بهبود فرآیند اکتشاف الگوریتم کرکس استفاده شد و مرحله اکتشاف الگوریتم عقاب طلایی با فاز بهره برداری کرکس ترکیب شد. کمینه‌سازی تابع زمان انجام برای ارزیابی الگوریتم بهینه‌ساز برای بهینه‌سازی مسئله زمان‌بندی و یافتن بهترین ماشین‌های مجازی در محیط ابر-مه به‌کار گرفته شده است. روش پیشنهادی آنها در زمانبندی برای دو مجموعه داده با استفاده از معیارهای زمان ساخت، مقدار تابع تناسب، PIR و زمان توان اعمال شد. آزمایشات نشان داد روش پیشنهادی آنها در زمانبندی  در مقایسه با الگوریتم‌های HHO، FA، PSO، AVOA و AO از نظر معیارهای ارزیابی مانند تأخیر بهتر عمل می‌کند.

در]31[، سال 2024، یک روش زمانبندی مبتنی بر یادگیری تقویتی عمیق برای بهینه­سازی بار سیستم و زمان پاسخگویی در محیط­های محاسباتی لبه و مه ارایه شده‌است. از آنجایی که تعداد زیادی از برنامه­های اینترنت اشیاء نیاز به اجرا در منابع لبه/مه دارند، ممکن است سرورها بیش از حد بارگذاری شوند. از این رو، ممکن است سرورهای لبه/مه را مختل کند و همچنین بر زمان پاسخگویی برنامه­های اینترنت اشیا تأثیر منفی بگذارد. علاوه بر این، بسیاری از برنامه‌های کاربردی اینترنت اشیا از اجزای وابسته تشکیل شده‌اند که محدودیت‌های اضافی را برای اجرای خود متحمل می‌شوند. علاوه بر این، محیط‌های محاسباتی لبه/مه و برنامه‌های اینترنت اشیا ذاتاً پویا و تصادفی هستند. بنابراین، زمان‌بندی کارآمد و سازگار برنامه‌های اینترنت اشیا در محیط‌های محاسباتی لبه/مه ناهمگن، از اهمیت بالایی برخوردار است. با این حال، منابع محاسباتی محدود در سرورهای لبه/مه بار اضافی را برای اعمال تکنیک‌های بهینه اما محاسباتی نیازمند تحمیل می‌کند. برای غلبه بر این چالش‌ها، آنها یک الگوریتم برنامه‌ریزی و زمانبندی مبتنی بر یادگیری تقویتی را پیشنهاد دادند تا زمان پاسخ‌دهی برنامه‌های ناهمگن اینترنت اشیا را به طور سازگار و کارآمد بهینه کند و بار سرورهای لبه/مه را متعادل کند. نتایج به‌دست‌آمده نشان می‌دهد که روش آنها در مقایسه با الگوریتم‌های فراابتکاری و سایر تقویت‌کننده‌ها، به‌ ترتیب تا ۵۵، ۳۷ درصد و ۵۰ درصد هزینه اجرای برنامه‌های  اینترنت اشیا را از نظر تعادل بار، زمان پاسخ و هزینه وزنی کاهش می‌دهد.

در]32[، سال 2024، رویکرد مبتنی بر الگوریتم بهینه‌سازی هریس هاکس و سیستم فازی برای بهبود زمان‌بندی وظایف مبتنی بر ابر را ارایه دادند. زمان‌بندی وظایف مستلزم تخصیص وظایف مختلف به ماشین‌های مجازی است. در نتیجه، الگوریتم‌های زمان‌بندی برای دستیابی به مجموعه‌ای از اهداف، از جمله کاهش زمان ساخت، به حداقل رساندن مصرف انرژی، افزایش بهره‌وری منابع، دستیابی به متعادل‌سازی بار و بهینه‌سازی هزینه‌ها، با دقت ساخته می‌شوند. با توجه به اهمیت عمیق این اهداف، الگوریتم­هایی که برای چنین سناریوهایی طراحی شده اند، همواره اهداف متعددی را در بر می­گیرند. این پژوهش یک الگوریتم زمان‌بندی کار چندهدفه ابتکاری را برای محاسبات ابری معرفی می‌کند که به طور یکپارچه الگوریتم بهینه‌سازی هریس هاکس را ادغام می‌کند و قدرت منطق فازی را در خود جای می‌دهد. این روش، از الگوریتم شاهین برای کشف فضای راه حل گسترده استفاده می­کند در حالی که راه حل­های تولید شده را از طریق منطق فازی در معرض ارزیابی دقیق قرار می­دهد. آزمایشات نشان داد روش آنها در حدود 73 درصد باعث کاهش در مصرف انرژی و  19 درصد کاهش چشمگیر هزینه می­شود.

3- روش پیشنهادی

روش پیشنهادی در این بخش برای زمانبندی وظایف، ارایه و معرفی می­شود. در روش پیشنهادی در فاز اول با استفاده از شبکه عصبی LSTM میزان بار هر منبع پیش­بینی می­شود و در ادامه هر منبع که دارای بار محاسباتی کمتری باشد برای به‌کارگیری زمانبندی تخصیص داده می‌شود. برای تخصیص وظایف به منابع که می­تواند ماشین­های فیزیکی و مجازی باشد از الگوریتم بهینه­سازی سوسک سرگین استفاده می‌شود. روش پیشنهادی برای تخصیص منابع از الگوریتم LSTM و برای زمانبندی از الگوریتم سوسک سرگین استفاده می­شود. مراحل روش پیشنهادی برای تخصیص منابع و زمانبندی در شکل6، نمایش داده شده است.

 

شکل6: چارچوب سیستم پیشنهادی برای تخصیص منابع و زمانبندی وظایف

Figure 6. A proposed system framework for resource allocation and task scheduling

3-1- پیش بینی منابع در دسترس با LSTM

یکی از چالش‌های مهم انواع روش‌های زمانبندی بی‌توجهی به تخصیص منابع است. در بیشتر مطالعات مرتبط با زمانبندی، فرض بر آن است که همه منابع در دسترس است اما در عمل، برخی از منابع که می­توانند ماشین­های فیزیکی یا مجازی باشند دارای بار محاسباتی زیادی می‌شوند. استفاده از منابعی که مرتبط اشغال می­شوند باعث می­شود تا وظایف به کندی روی آنها اجرا شود. یک رویکرد مناسب آن است که وظایف روی منابعی اجرا شود که بار محاسباتی آنها زیاد نشود. به عبارت بهتر یک مکانیزم پیش­بینی برای اشغال یا آزاد بودن منابع می­تواند به زمانبندی بهینه کمک نماید. برای پیش‌بینی وضعیت منابع در روش پیشنهادی از شبکه عصبی مصنوعی LSTM استفاده می­شود زیرا این شبکه، توانایی بالایی برای پیش‌بینی رویداد­ها دارد. واحدهای LSTM توسعه شبکه‌های تکراری¹⁵هستند که به آن‌ها اجازه می‌دهد تا ورودی‌های خود را برای مدت طولانی‌تری مانند حافظه رایانه به خاطر بسپارند. می­تواند اطلاعات را از سلول خود بخواند، بنویسد و حذف کند، اطلاعات را ذخیره کند و از ناپدید شدن آنها در طول زمان جلوگیری کند. سلول بر اساس درجه اهمیتی که به آن اختصاص داده شده است تصمیم می­گیرد اطلاعاتی را که دریافت می­کند ذخیره یا حذف کند. این اهمیت از طریق وزن اتصالات تعیین می­شود، بنابراین LSTM در طول زمان یاد می­گیرد که تشخیص دهد چه بخشی از اطلاعات مهم است و چه چیزی مهم نیست. اجرای یک حالت داخلی سلول که حافظه بلندمدت ایجاد می‌کند. همانطور که در شکل7، نشان داده شده است، یک نورون LSTM از سه گیت: ورودی، فراموشی و خروجی تشکیل شده است که تعیین می‌کند آیا ورودی جدید مجاز است، کدام اطلاعات حذف می­شود یا اینکه اجازه دارد در زمان فعلی بر خروجی تأثیر بگذارد]33[.

 

شکل 7: ساختار یک نورون عصبی در شبکه LSTM

Figure 6. The structure of a neuron in a network

 

ساختار نورون LSTM (دروازه فراموشی، دروازه ورودی، دروازه خروجی) در شکل فوق نشان داده شده است.  σ مخفف تابع سیگموئید، Xt داده ورودی و ht خروجی شبکه جاری است. اولین دروازه­ای که از چپ به راست در شکل  فوق ظاهر می شود، دروازه فراموشی است که تصمیم می­گیرد چه اطلاعاتی از حالت سلول (Ct) از طریق یک تابع سیگموئید (σ) کنار گذاشته شود و مطابق معادله1، فرموله می­شود:

که در آن (ht-1) خروجی قبلی واحد، (𝑥𝑡) ورودی، (Wf) ماتریس وزن دروازه فراموشی و (bf) بایاس گیت است. خروجی بین مقداری از 0 تا 1 خواهد بود که 0 نشان دهنده حذف کل و 1 کل اطلاعات را حفظ می‌کند. پس از این مرحله، دروازه ورودی ادامه می­یابد که نشان می­دهد چه بخشی از اطلاعات جدید در حالت سلول ذخیره می­شود. این دروازه از دو تابع یکی سیگموئیدی و دیگری مماس هذلولی تشکیل شده است که میزان به‌روز رسانی حالت را تعیین می­کند که در معادلات 2 و 3 فرموله شده­اند.

ماتریس وزن  مطابق معادله4، با حذف اطلاعات غیر ضروری و به روز رسانی آن با اطلاعات جدید به دست آمده، وضعیت جدید واحد به دست می­آید.

در نهایت خروجی واحد را تعیین کنید (ht)، که نسخه­ای از حالت سلولی است که توسط ورودی فعلی و خروجی قبلی فیلتر شده است. جایی که Wo و bo ماتریس وزن و بایاس برای دروازه خروجی هستند که در معادلات 5 و 6 فرموله شده است:

در روش پیشنهادی شبکه عصبی LSTM با اجراهای قبلی از سیستم آموزش داده می­شود. ورودی شبکه LSTM منابع و خروجی آن پیش‌بینی اشغال یا آزاد بودن منبع است و هدف از به‌کارگیری LSTM در روش پیشنهادی، اجرای وظایف در منابع آزاد است.

3-2- تابع هدف زمانبندی

 هنگامی که درخواست‌های لایه حسگر به لایه مه در قالب وظایف ارسال می‌شوند، به وظایف کوچک و مستقل تجزیه می‌شوند تا در زیرساخت محاسباتی مه و ابر  پردازش شوند. هر کار دارای ویژگی­هایی نظیر تعداد دستورالعمل­ها، حافظه مورد نیاز، اندازه فایل­های ورودی و خروجی است]34[.  با فرض اینکه Tk نشان دهنده k امین وظیفه باشد، در هر بار مجموعه­ای از n وظیفه مستقل به صورت معادله7، به سیستم ارسال می­شود:

​زیرساخت محاسباتی مه و ابر، از پردازنده‌ها، یعنی گره‌های ابری و گره‌های مه که ویژگی‌های یکسانی مانند نرخ CPU، هزینه استفاده از CPU، هزینه استفاده از حافظه و هزینه استفاده از پهنای باند را دارند، تشکیل شده است. با این حال، گره­های ابری معمولاً قدرتمندتر از گره‌های مه هستند اما هزینه استفاده از آنها بیشتر است. در روش پیشنهادی فرض می­شود که m پردازنده در گره­های لایه مه و ابر قرار دارد و تعداد گره­های لابه مه و ابر با f و c نمایش داده می­شود (N=Ncloud∪NFog) و به صورت معادله8 بیان می­شود:

که در آن Ni گره پردازش شماره i را نشان می­دهد. هر کار Tk به پردازنده Ni اختصاص داده می­شود  که به صورت Tik نمایش داده می­شود. یک پردازنده را می­توان برای پردازش مجموعه­ای از یک یا چند کار اختصاص داد که در معادله9، ارایه شده است:

مسئله زمانبندی کار در محیط محاسباتی مه و ابر را می­توان به صورت جست‌وجوی مجموعه­ای معادله10، فرموله کرد:

برای مجموعه‌ای از وظایف NiTasks، زمان اجرا (EXT) آن گره نیاز به تکمیل تمام وظایف محول شده به شرح رابطه11 محاسبه می‌شود:

که در آن ExeTime (Tki) زمان اجرای Tk پردازش شده در گره Ni است که به صورت معادله12، محاسبه می­شود:

با length(Tk) طول زمانی اجرای وظیفه  Tkو CPUrate (Ni)، نرخ پردازش در پردازنده گره i ام است. برای تکمیل تمام وظایف، از زمانی که درخواست دریافت می‌شود تا زمانی که آخرین کار تکمیل یا زمانی که آخرین ماشین تمام می­شود، تعریف شده است که با Makespan نمایش داده شده و با فرمول معادله13، تعیین می­شود:

فرض کنید MinMakespan حد پایینی Makespan باشد، یعنی سیستم به کوتاه­ترین زمان نیاز دارد تا تمام آن کار را کامل کند. در حالت ایده‌آل، زمانی که همه گره‌ها همه وظایف محول شده را همزمان به پایان برسانند با MinMakespan نشان داده شده و با معادله14، فرموله می­شود و می­توان آن را مانند معادله15، فرموله کرد:

MinTotalCost کمترین هزینه­ای است که برای انجام مجموعه‌ای از وظایف T در سیستم مه و ابر لازم است و زمانی به‌دست می­آید که هر وظیفه به ارزان ترین گره اختصاص داده شود. با ارائه اطلاعات هر گره، به راحتی می­توان تعیین کرد که کدام گره وظیفه Tk را با کمترین هزینه پردازش می­کند که با MinCost(Tk) نمایش داده می­شود،  بنابراین، MinTotalCost یک مجموعه از وظایف T خاص است و می­تواند به صورت معادله16 تعریف شود:

با توجه به مطالب ارایه شده یک تابع هدف مناسب می­تواند به صورت معادله17، در نظر گرفته شود:

اگر Alpha برابر 5/0 باشد؛ یعنی زمان و هزینه در بهینه‌سازیT اولویت یکسانی دارند. زمانی که Alpha از 5/0 بیشتر باشد نشان دهنده آن است که حداقل رساندن زمان ساخت با اولویت بالاتر از هزینه کل تمرکز می­کند، این مورد، زمانی است که کاربر مایل است پول بیشتری برای دستیابی به عملکرد بهتر بپردازد. برعکس، زمانی که Alpha از 5/0 کمتر است، هزینه بیشتر از زمان، اولویت بندی می­شود یعنی کاربر،  بودجه محدودی دارد. هدف، بهینه سازی زمان اجرا و هزینه پردازش است، یعنی یافتن راه حل به گونه ای که TotalCost حداقل و نزديك به MinTotalCost باشد. 

3-3- زمانبندی با الگوریتم سوسک سرگین

در روش پیشنهادی برای بهینه­سازی نگاشت وظایف به منابع آزاد در لایه مه و ابر از الگوریتم بهینه­سازی سوسک سرگین استفاده می­شود. در روش پیشنهادی هر نگاشت از مجموعه­ای از وظایف روی تعدادی منبع به عنوان یک راه­حل در الگوریتم بهینه­سازی سوسک سرگین در نظر گرفته می­شود. در شکل7، نگاشت مجموعه­ای از وظایف به منابع در لایه مه و ابر نمایش داده شده است که این ماتریس را می­توان یک سوسک سرگین در نظر گرفت. در اینجا فرض می­شود که 10 وظیفه وجود دارد که روی سه منبع آزاد زمانبندی می­شوند. صفر نشان دهنده آن است که وظیفه در منبع اجراء نمی­شود و یک نشان دهنده اجرای وظیفه در منبع است]34[.

 

شکل 7: ساختار یک راه حل در روش پیشنهادی برای زمانبندی وظایف

Figure 7. Structure of a solution in the proposed method for task scheduling

الگوریتم بهینه­سازی سوسک سرگین از رفتار سوس‌کهای سرگین مدلسازی و فرموله شده است. گونه های مختلفی برای سوسک­های سرگین وجود دارد، مانند Copris ochus Motschulsky، Onthophagus gibbulus، Caccobius jessoensis Harold و غیره. معروف است که سوسک سرگین به عنوان یک حشره معمولی در طبیعت از سرگین حیوانات تغذیه می‌کند. سوسک‌های سرگین در اکثر نقاط جهان یافت می‌شوند و به عنوان تجزیه کننده در طبیعت عمل می­کنند، به این معنا که آنها در اکوسیستم، اهمیت حیاتی دارند. تحقیقات نشان داده است که سوسک­های سرگین عادت جالبی دارند؛ سرگین را به شکل توپ در می­آورند سپس آن را حرکت در می­آورند، همانطور که در شکل8، نشان داده شده است. شایان ذکر است هدف سوسک­های سرگین این است که گوی سرگین خود را به سرعت و کارآمدتر حرکت دهند که این کار می‌تواند از تکمیل شدن آنها توسط سایر سوسک­های سرگین جلوگیری کند]17[.

 

شکل 8: حرکت دادن سرگین توسط سوسک سرگین

Figure 8. Dung moving by dung beetles

الگوریتم  بهینه­سازی سوسک سرگین یک الگوریتم جدید بهینه­سازی هوش ازدحامی است که از رفتار اجتماعی جمعیت سوسک‌های سرگین الهام گرفته شده است. این سوسک‌ها سرگین را قبل از اینکه به مکانی امن بغلتانند، به صورت توپ، فشرده می‌کنند. آن‌ها می‌توانند توپ‌های سرگین بسیار بزرگ‌تری را بغلتانند و از نشانه‌های آسمانی برای چرخاندن آن‌ها در یک خط مستقیم در صورت وجود منبع نور استفاده کنند. با این حال، در غیاب منبع نور، مسیرهای آنها منحنی و مستعد اختلالات طبیعی می­شود. بقای سوسک­های سرگین به طور پیچیده­ای با به دست آوردن گلوله­های سرگین مرتبط است، جایی که برخی برای تولید مثل و پرورش فرزندان‌شان استفاده می­شوند در حالی که بقیه به عنوان غذا مورد استفاده قرار می‌گیرند. الگوریتم بهینه­سازی سوسک سرگین پنج رفتار کلیدی را که توسط سوسک‌های سرگین به‌کار گرفته می­شود، شبیه‌سازی می‌کند و این رفتارها توپ غلتاندن، رقصیدن، جستجوی غذا، دزدی و تولید مثل است. جمعیت سوسک‌های سرگین به چهار زیر گروه تقسیم می‌شوند که عبارتند از: غلتک‌ها، بازتولیدکنندگان، خردسالان و دزدها و هر نوع سوسک استراتژی‌های جستجوی متفاوتی برای خود در نظر می­گیرند]17[. در طول فرآیند غلتیدن، سوسک‌های سرگین باید با استفاده از نشانه‌های آسمانی، به‌ویژه خورشید و ماه حرکت کنند تا مسیر حرکت مستقیم توپ سرگین را حفظ کنند. در شکل9، مدل مسیر سوسک سرگین نمایش داده شده است. می­توان مشاهده کرد که سوسک­های سرگین از خورشید برای جهت­یابی استفاده می­کنند، با فلش نشان دهنده، جهت چرخش آنها مشخص شده است.]35[.

 

شکل 9: حرکت دادن سرگین توسط سوسک سرگین

Figure 9. Dung moving by dung beetles

با فرض اینکه شدت منبع نور نیز بر مسیر غلتشی سوسک­های سرگین تأثیر می­گذارد، موقعیت سوسک به روز می­شود و می­توان آن را به صورت معادله18، نشان داد:

در این معادلات  t نشان دهنده تعداد تکرار فعلی است. Xi(t) نشان دهنده اطلاعات موقعیت سوسک i ام در تکرار t است.  پارامتر  k یک عدد ثابت بین 0 و 2/0 است که ضریب انحراف را نشان می دهد. b یک مقدار ثابت متعلق به بازه صفر و یک است. α یک ضریب طبیعی است که به صورت 1 یا 1- اختصاص داده می­شود. Xw نشان دهنده بدترین موقعیت است و xΔ تغییر شدت نور را شبیه‌سازی می‌کند. پارامتر a عوامل طبیعی (مانند باد و زمین ناهموار) را شبیه‌سازی می‌کند که می‌تواند باعث انحراف سوسک سرگین از جهت اصلی خود شود. به طور خاص، a =1 نشان دهنده عدم انحراف است، در حالی که a= −1 نشان‌دهنده انحراف از جهت اصلی است. xΔ بزرگتر به معنی منبع نور ضعیف‌تر است که دو مزیت را به همراه دارد که عبارتند از: کاوش کامل کل فضای مشکل در طول فرآیند بهینه‌سازی و افزایش قابلیت‌های جستجو و کاهش احتمال به دام افتادن در بهینه محلی. عوامل طبیعی مختلف، مانند باد و زمین ناهموار، می­توانند تأثیری قابل توجه بر مسیر حرکت سوسک‌های سرگین داشته باشند. در چنین شرایطی، سوسک‌های سرگین معمولاً به روی گوی سرگین می‌روند و رفتار رقصانی را انجام می‌دهند که شامل یک سری چرخش و مکث است. آنها از طریق این رفتار رقصی، جهت حرکت خود را با تغییر جهت تعیین می­کنند و در نتیجه مسیر جدیدی را به دست می­آورند. برای تقلید از این رفتار رقصیدن، یک تابع مماس برای به دست آوردن جهت چرخش جدید استفاده می­شود. شکل10، مدل تابع مماس و مدل رقص سوسک­های سرگین را نشان می­دهد. توجه به این نکته مهم است که فقط مقادیر تعریف شده در بازه 0 و 1 تابع مماس باید در نظر گرفته شوند]35[:

 

شکل 10: تابع مماس و مدل رقص سوسک های سرگین. (الف) تابع مماس در جهت نور. (ب) مدل رقص سوسک های سرگین.

Figure 10. Tangent function and dance model of dung beetles. (a)Tangent function in light direction. (b) Dance model of dung beetles

هنگامی که جهت صحیح با موفقیت مشخص شد، سوسک غلتکی باید به چرخاندن توپ به جلو ادامه دهد. در این مرحله، به روز­رسانی موقعیت سوسک غلتکی به شرح معادله20، است:

که در آن زاویه انحراف β ∈ [0, π ]  است و در معادله، t تعداد تکرارهای جاری را نشان می­دهد. Xi(t)  اطلاعات موقعیت سوسک غلتکی i در تکرار t را نشان می­دهد. |Xi(t) − Xi(t – 1))| تفاوت مطلق بین موقعیت i ام سوسک در تکرار t و موقعیت آن در تکرار قبلی (t - 1) است.

می­توان مشاهده کرد که به روز رسانی موقعیت سوسک غلتکی ارتباط نزدیکی با اطلاعات موقعیت فعلی و سابق آن دارد. توجه به این نکته ضروری است که اگر زاویه انحراف برابر با 0، π/2 یا π باشد، موقعیت سوسک به روز نمی­شود. برای ایجاد یک محیط امن برای فرزندان خود، انتخاب محل تخمگذاری مناسب برای سوسک­های سرگین بسیار مهم است. با الهام از بحث فوق الذکر، یک استراتژی انتخاب مرز برای شبیه‌سازی منطقه­ای که سوسک­های ماده سرگین تخم می­گذارند پیشنهاد شده است و به صورت زیر معادله21 و 22 فرموله می­شود:

که در آن X*نشان دهنده بهترین موقعیت محلی فعلی است. Lh* و Uh* به ترتیب مرزهای بالایی و پایینی ناحیه تخمگذاری را نشان می‌دهند. R = 1 - t/Tmax، که در آن Tmax حداکثر تعداد تکرار را نشان می­دهد. Lh و Uh به ترتیب کران­های بالایی و پایینی فضای جستجو هستند، همانطور که در شکل 11، نشان داده شده است]35[.

 

شکل 11: مدل مفهومی استراتژی انتخاب مرز

Figure 11.  Conceptual model of boundary selection strategy

شایان ذکر است که هر گلوله سرگین حاوی یک تخم یک سوسک سرگین است. علاوه بر این، نقاط قرمز مرزهای بالایی و پایینی را نشان می‌دهد. در الگوریتم سوسک سرگین  فرض بر این است که هر سوسک سرگین ماده در هر تکرار فقط یک تخم می­گذارد. با توجه به تغییرات دینامیکی در محدوده مرزی در طول تکرار، این به جلوگیری از به دام افتادن الگوریتم در بهینه محلی کمک می‌کند که عمدتاً توسط مقدار وزن اینرسی R تعیین می‌شود. بنابراین، موقعیت توپ‌های تخم‌مرغ نیز در طول فرآیند تکرار پویا است و با معادله 23 می­شود:

که در آن Yi(t) اطلاعات موقعیت i امین توپ تخم مرغ را در تکرار t-امین نشان می­دهد، X* نشان دهنده بهترین موقعیت محلی است و از طرفی Lh* و Uh* نشان دهنده مرزهای بالایی و پایینی ناحیه تخم­گذاری است. از طرفی (𝑌𝑖(𝑡)−𝐿ℎ∗)، (𝑌𝑖(𝑡)- ، b2 یک بردار تصادفی در محدوده 0 و 1 است و D بعد مسئله بهینه سازی را نشان می­دهد. برخی از سوسک‌های سرگین بالغ در جستجوی غذا در زمین فرو می‌روند و این نوع سوسک‌ها به عنوان سوسک‌های سرگین کوچک شناخته می‌شوند. برای شبیه­سازی فرآیند جستجوی علوفه سوسک­های سرگین کوچک، تعیین منطقه بهینه علوفه ضروری است. معادله شبیه­سازی برای این ناحیه به صورت زیر معادله24 و 25 مشخص می­شود:

به گونه­ای که Xh نشان دهنده بهترین موقعیت سراسری است. Lm و Um به ترتیب مرزهای پایین و بالایی منطقه جستجوی بهینه هستند. Lh و Uh مرزهای پایین و بالایی فضای جستجو هستند. بنابراین، به روز رسانی موقعیت برای سوسک­های سرگین کوچک به شرح 26، است:

که در آن Xi (t)  نشان دهنده موقعیت i-امین سوسک سرگین در تکرار t-ام است. (𝑡)− C1 عددی است که به طور تصادفی به دنبال توزیع نرمال ایجاد می­شود و C2 یک بردار تصادفی در محدوده 0 و 1 است. با توجه به اینکه برخی از سوسک‌های سرگین که به آنها دزد می‌گویند، توپ‌های سرگین را از سایر سوسک‌ها می‌دزدند، اطلاعات موقعیت سارق در طول فرآیند تکرار به‌صورت زیر به‌روزرسانی می‌شود. بر اساس رابطه 26، می توان مشاهده کرد که Xh منبع غذایی بهینه را نشان می­دهد. با فرض اینکه منطقه اطراف Xh نشان دهنده مکان اصلی برای غذای رقابتی است، به روز رسانی موقعیت برای دزد مطابق معادله(27)، ارائه می شود:

که در آن Xi(t) اطلاعات موقعیت i-امین سارق را در تکرار t-امین نشان می­دهد، Xh نشان دهنده بهترین موقعیت سراسری، X* نشان دهنده بهترین موقعیت محلی فعلی، |Xi(t) − X*| و |Xi(t) - Xh| به ترتیب نشان دهنده تفاوت­های مطلق بین موقعیت فعلی و بهترین موقعیت‌های محلی و جهانی است. g یک بردار تصادفی با اندازه 1 در D و یک دنباله توزیع نرمال است و W یک ثابت است. اگرچه الگوریتم سوسک سرگین دارای قابلیت‌های بهینه‌سازی قوی و سرعت هم‌گرایی سریع است، اما از عدم تعادل بین اکتشاف جهانی و توانایی‌های بهره‌برداری محلی رنج می‌برد و آن را مستعد گیر کردن در بهینه محلی و نشان دادن قابلیت‌های ضعیف اکتشاف جهانی می‌کند. در شکل11، فلوچارت روش پیشنهادی برای تخصیص منابع و زمانبندی وظایف و کارها ارایه شده است. در روش پیشنهادی دو فاز اصلی ذیل وجود دارد:

§       پیش­بینی منابع آزاد با استفاده از شبکه عصبی LSTM

§       زمانبندی بهینه وظایف با استفاده از الگوریتم بهینه­سازی سوسک سرگین

در روش پیشنهادی هر نگاشت وظایف به منابع به عنوان یک راه­حل یا یک سوسک سرگین در نظر گرفته می­شود و توسط این الگوریتم تلاش می­شود تا بهینه­ترین سوسک یا زمانبندی وظایف محاسبه شود.

 

شکل 12: فلوچارت پیشنهادی برای زمانبندی وظایف

Figure 12.  Suggested flowchart for task scheduling

4-نتایج تجربی

در این بخش روش پیشنهادی برای زمانبندی کارها و وظایف مورد ارزیابی قرار گرفته می­شود. در بخش اول شاخص­های ارزیابی برای پیش‌بینی وضعیت اشغال یا آزاد بودن منابع معرفی شده و سپس شاخص­های ارزیابی برای زمانبندی نیز ارایه می­شود سپس پارامترهای به‌کار رفته برای پیاده­سازی­ها نیز معرفی می­شود. در ادامه نیز با آزمایشات روش پیشنهادی در Malab پیاده‌سازی و با روشهای مشابه مقایسه می‌شود.

4-1-شاخص‌های ارزیابی

برای ارزیابی روش پیشنهادی در فاز پیش‌بینی وضعیت منابع از شاخص­های دقت، حساسیت و صحت استفاده می­شود که ضابطه آنها به ترتیب در رابطه28، 29 و 30 فرموله شده است.

مفهوم هر کدام از شاخص­های ارزیابی از جمله TP، TN، FP و FN  برای زمانبندی به شرح ذیل است:

§       نمونه­های صحیح مثبتTP)): منبع به‌کار رفته دارای بار عملیاتی زیادی است و روش پیشنهادی نیز به درستی پیش‌بینی کرده این منبع دارای بار عملیاتی زیاد است.

§       نمونه­های غلط مثبتFP)): منبع به‌کار رفته دارای بار عملیاتی کم است و روش پیشنهادی نیز به اشتباه پیش‌بینی کرده این منبع دارای بار زیاد است.

§       نمونه­های صحیح منفیTN)): منبع به‌کار رفته دارای بار عملیاتی اندک است و روش پیشنهادی نیز به درستی پیش‌بینی کرده این منبع دارای بار عملیاتی اندک است.

§       نمونه­های غلط منفیFN)): منبع به‌کار رفته دارای بار عملیاتی زیادی است و روش پیشنهادی نیز به اشتباه پیش‌بینی کرده این منبع دارای بار عملیاتی اندک است.

علاوه بر این شاخص­ها، برای زمانبندی وظایف می توان به شاخص­های مانند تأخیر زمانبندی و makespan اشاره کرد. کمینه نودن تین مقادیر نشان دهنده آن است که الگوریتم زمانبندی به‌کار رفته دارای کارایی بالایی برای زمانبندی وظایف در لایه مه و ابر محاسباتی است.

4-2-پارامترها

در جدول(1)، مجموعه­ای از پارامترهای به‌کار رفته برای شبیه­سازی و پیاده­سازی در نرم­افزار Matlab نشان داده شده است. در این جدول، اطلاعات مرتبط با ماشین­های فیزیکی و مجازی به عنوان منابع به‌کار رفته نمایش داده شده است.

جدول 1: پارامترهای مرتبط با پیاده­سازی مرتبط با منابع

Table 1. Implementation-related parameters related to resources

	Specification	Amount
Client	Clients Count	[60, 120]
Physical Machine	Hosts Count	6
	CPU capacity	[100, 5000]
	Storage	1 TB
	Network Bandwidth	10 Gb/s
	RAM size	6 GB
Virtual Machine	VMs count	25
	CPU capacity	[100, 5000]
	Storage	20 GB
	RAM size	1 GB
	Network Bandwidth	1 Gb/s
	Processor	Xen
	Processors’ count	1

علاوه بر این پارامترها، برخی از پارامترها نیز مرتبط با الگوریتم بهینه­سازی سوسک سرگین است و به عنوان مثال اندازه جمعیت اولیه برابر 15 و تعداد تکرار الگوریتم برابر50 و هر آزمایش 25 مرتبه تکرار می­شود تا متوسط شاخص­ها محاسبه شود.

4-3-مجموعه داده

برای پیاده­سازی­ها دو مجموعه داده مختلف، HPC2N و NASA  استفاده شده است که هر کدام دارای 500، 1000، 1500 و 2000 وظیفه هستند. مجموعه داده iPSC ناسا مربوط به 257 کاربر است، به 240 پردازنده یا CPU نیاز است. میانگین تعداد وظایف در این مجموعه داده 871/202 است. در مجموع 128 پردازنده یا CPU برای مجموعه داده HPC2N مورد نیاز است که مربوط به 69 کاربر است. میانگین تعداد وظایف در این مجموعه داده 239/18 است]30[.

4-4-پیش بینی در تخصیص منابع

 در این بخش شبکه عصبی LSTM روی مجموعه­ای از ویژگی­ها مرتبط با مجموعه داده HPC2N وNASA  آموزش داده می­شود. در نمودار شکل13 و 14 به ترتیب شاخص دقت، حساسیت و صحت روش پیشنهادی در این دو مجموعه داده با شبکه عصبی RNN، 1DCNN، MLP مورد مقایسه قرار گرفته است.

 

شکل 13: مقایسه دقت، حساسیت و صحت در پیش بینی وضعیت منابع در مجموعه داده HPC2N

Figure 13.  Comparison of accuracy, sensitivity and accuracy in predicting resource status in HPC2N dataset

 

شکل 14: مقایسه دقت، حساسیت و صحت در پیش بینی وضعیت منابع در مجموعه داده NASA  

Figure 14.  Comparison of accuracy, sensitivity and accuracy in predicting resource status in NASA dataset

آزمایشات در مجموعه داده HPC2N نشان می­دهد که دقت، حساسیت و صحت روش پیشنهادی برای پیش بینی وضعیت منابع (آزاد یا مشغول) به ترتیب برابر 72/94 درصد، 21/93 درصد و 64/91 درصد است. روش پیشنهادی در مجموعه داده HPC2N نسبت به روش‌های RNN،1DCNN ، MLP دقت بیشتری در پیش بینی وضعیت منابع برای زمانبندی دارد. در مجموعه داده NASA دقت، حساسیت و صحت پیش بینی روش پیشنهادی به ترتیب برابر 68/95 درصد، 61/94 درصد و 37/92 درصد است. با توجه به آزمایشات در مجموعه داده NASA دقت روش­ پیشنهادی و سایر روش­ها نسبت به مجموعه داده HPC2N بیشتر است که دلیل آن می­تواند دقت گردآوری در مجموعه داده NASA باشد. در هر دو مجموعه داده روش پیشنهادی نسبت به سه روش پیش­بینی کننده دیگر موفق­تر بوده است و بدترین عملکرد در پیش‌بینی منابع و تخصیص آنها مرتبط با RNN است. برای فاز زمانبندی روش پیشنهادی در دو مجموعه داده HPC2N و NASA  در شاخصی نظیر Makespanبا روش‌های فراابتکاری مقایسه شده است و برای مقایسه از نتایج به‌دست آمده در پژوهش]30[، در سال 2023 استفاده می­شود که در نمودار شکل15 و 16 مقایسه شده است.

 

شکل 15: مقایسه شاخص Makespan در مجموعه داده NASA به ازای 1000، 1500 و 2000 وظیفه

Figure 15.  Comparison of Makespan index in NASA dataset for 1000, 1500 and 2000 tasks

 

شکل 16: مقایسه شاخص Makespan در مجموعه داده HPC2N به ازای 1000، 1500 و 2000 وظیفه

Figure 16.  Comparison of Makespan index in HPC2N dataset for 1000, 1500 and 2000 tasks

 آزمایشات نشان می­دهد در دو مجموعه HPC2N و NASA  شاخص Makespan روش پیشنهادی نسبت به روش‌های AO_AVOA، AVOA، PSO، HHO و FA دارای مقادیر کمتری است و تین موضوع نشان می­دهد روش پیشنهادی نسبت به این روش‌ها سریع­تر وظایف را در لایه مه و ابر اجرا می­کند. در نمودار شکل17، تاخیر و زمان اجرای الگوریتم پیشنهادی در دو مجموعه داده CEA-CURIE و HPC2N با روش‌های h-DEWOA، CSDEO، CSPSO، BLEMO و EOA مطابق پژوهش]36[، که در سال 2023 انجام شده است، نمایش داده می­شود. 

 

شکل 17: مقایسه تاخیر در اجرای زمانبندی وظایف

Figure 17.  Comparison of delays in the implementation of task scheduling

آزمایشات نشان داد تاخیر روش پیشنهادی در دو مجموعه داده CEA-CURIE و HPC2N  به ترتیب برابر 82/6 و 57/9 ثانیه است و نسبت به روش‌های h-DEWOA، CSDEO، CSPSO، BLEMO و EOA دارای تاخیر کمتری در زمانبندی وظایف در لایه مه و ابر است.

5-نتیجه گیری

پتانسیل برجسته پلتفرم‌های ابری، پردازش و ذخیره‌سازی کلان داده‌های جمع‌آوری شده از تجهیزات اینترنت اشیا را تسریع می‌کند. طرح‌های پردازش مبتنی بر مه می‌توانند کیفیت خدمات را برای برنامه‌های اینترنت اشیا بهبود بخشند و تاخیرهای بیش از حد و چالش‌های امنیتی را کاهش دهند. همچنین، از آنجایی که مصرف انرژی می‌تواند مستقیماً باعث انتشار CO2 از مه و گره‌های ابری شود، یک روش زمان‌بندی کار کارآمد، مصرف انرژی را کاهش می‌دهد. در این راستا، نیاز روزافزون به یک مکانیسم زمان‌بندی وظایف کارآمد با در نظر گرفتن مدیریت بهینه منابع اینترنت اشیا به طور فزاینده‌ای احساس می‌شود. زمان‌بندی وظایف اینترنت اشیا بر اساس محاسبات مه-ابر نقش مهمی در پاسخ به درخواست‌های کاربران دارد. برنامه­ریزی بهینه وظایف می­تواند عملکرد سیستم را بهبود بخشد. بنابراین، این مطالعه از یک روش زمان‌بندی درخواست وظایف اینترنت اشیا بر روی منابع توسط الگوریتم بهینه‌سازی سوسک سرگین استفاده می‌کند. کیفیت خدمات اینترنت اشیا مبتنی بر محاسبات مه-ابر را افزایش می‌دهد تا زمان تکمیل درخواست‌های کار و زمان عملیات سیستم و مصرف انرژی را کاهش دهد. اگر مصرف انرژی کاهش یابد، درصد انتشار CO2 نیز کاسته می‌شود. سپس روش زمان‌بندی پیشنهادی برای حل مسئله زمان‌بندی کار با استفاده از مجموعه داده‌ها ارزیابی می‌شود. در این مقاله یک نسخه زمانبندی برای وظایف در لایه مه و ابر ارایه شده است. در روش پیشنهادی با استفاده از شبکه عصبی LSTM منابع آزاد پیش بینی و تخصیص داده می­شود و سپس با استفاده از الگوریتم بهینه­سازی سوسک سرگین تلاش می‌شود تا زمانبندی بهینه برای وظایف و کارها محاسبه شود. آزمایشات نشان داد دقت تخصیص منابع در لایه مه و ابر در روش پیشنهادی بیشتر از شبکه عصبی RNN،1DCNN ،MLP است. آزمایشات نشان داد شاخص Makespan روش پیشنهادی در زمان­بندی کارها در لایه مه و ابر نسبت به روش‌های AO_AVOA، AVOA، PSO، HHO و FA کمتر است. در کارهای آتی تلاش می­شود برای پیش‌بینی منابع زمانبندی در لایه مه و لایه ابر از ترکیب شبکه CNN-LSTM استفاده ­شود. یکی از پیشنهادهای آتی ما بهبود الگوریتم بهینه‌سازی سوسک سرگین با توابع آشوبناک در زمانبندی وظایف در لایه مه و ابر است.

مراجع

[1]         A. S. Abohamama, A. El-Ghamry & E. Hamouda, “Real-time task scheduling algorithm for IoT-based applications in the cloud–fog environment,” Journal of Network and Systems Management, vol. 30, no.4,1-35,54, 27 May 2022, doi: 10.1007/s10922-022-09664-6.

[2]         D. R. Prapti, A. R. Mohamed Shariff, H. Che Man, N. M. Ramli, T. Perumal, & M. Shariff, “Internet of Things (IoT)‐based aquaculture: An overview of IoT application on water quality monitoring,” Reviews in Aquaculture, vol. 14, no. 2, pp. 979-992, 19 November 2021, doi: 10.1111/raq.12637.

[3]         I. Attiya, M. Abd Elaziz, L. Abualigah, T. N. Nguyen, & A. A. Abd El-Latif, “An improved hybrid swarm intelligence for scheduling iot application tasks in the cloud,” IEEE Transactions on Industrial Informatics, vol. 18, no. 9, pp. 6264-6272, 04 February 2022, doi: 10.1109/TII.2022.3148288

[4]         A. Rahimikhanghah, M. Tajkey, B. Rezazadeh, & A. M. Rahmani, “Resource scheduling methods in cloud and fog computing environments: a systematic literature review,” Cluster Computing, vol. 25, pp. 911-945, 1-35. April 2022, doi: 10.1007/s10586-021-03467-1.

[5]         M. T. Zhou, T. F. Ren, Z. M. Dai, & X. Y. Feng, “Task scheduling and resource balancing of fog computing in smart factory,” Mobile Networks and Applications, vol. 28, no. 1, pp. 19-30. February 2023, doi: 10.1007/s11036-022-01992-w.

[6]         S. Subbaraj, R. Thiyagarajan, & M. Rengaraj, “A smart fog computing based real-time secure resource allocation and scheduling strategy using multi-objective crow search algorithm,” Journal of Ambient Intelligence and Humanized Computing, vol. 14, no. 2, pp. 1003-1015. February 2023, doi: 10.1007/s12652-021-03354-y.

[7]         M. R. Raju, & S. K. Mothku, “Delay and energy aware task scheduling mechanism for fog-enabled IoT applications: A reinforcement learning approach,” Computer Networks, vol. 224, 109603, 8 February 2023, doi: 10.1016/j.comnet.

[8]         H. Wadhwa, & R. Aron, “Optimized task scheduling and preemption for distributed resource management in fog-assisted IoT environment,” The Journal of Supercomputing, vol. 79, no. 2, pp. 2212-2250, February 2023, doi : 10.1007/s11227-022-04747-2.

[9]         T. K. Vashishth, , V. Sharma, K. K. Sharma, B. Kumar, S. Chaudhary, & R. Panwar, (2024). “Intelligent Resource Allocation and Optimization for Industrial Robotics Using AI and Blockchain,” In AI and Blockchain Applications in Industrial Robotics IGI Global, pp. 82-110, December 2023, doi : 10.4018/979-8-3693-0659-8.ch004.

[10]         Saifeng, Z. (2024). “AQINM: an adaptive QoS management framework based on intelligent negotiation and monitoring in cloud,” International Journal of Information Technology and Management, vol. 23, no. 1, pp. 33-47, 22 January 2024, doi: 10.1504/IJITM.2024.136183.

[11]         E. Khezri, R. O. Yahya, H. Hassanzadeh, M. Mohaidat, S. Ahmadi, & M. Trik, “DLJSF: Data-Locality Aware Job Scheduling IoT tasks in fog-cloud computing environments,” Results in Engineering, vol. 21, 101780. 24 January 2024, doi: 10.1016/j.rineng.2024.101780.

[12]         Y. Lin, Y. Xu, J. Zhu, X. Wang, L. Wang, & G. Hu, “MLATSO: A method for task scheduling optimization in multi-load AGVs-based systems,” Robotics and Computer-Integrated Manufacturing, vol. 79, 102397, February 2023, doi: 10.1016/j.rcim.2022.102397.

[13]         Y. Shen, & H. Li, “A multi-strategy genetic algorithm for solving multi-point dynamic aggregation problems with priority relationships of tasks,” Electronic Research Archive, vol.32, no. 1, pp. 445-472, 2024, doi: 10.3934/era.2024022.

[14]         X. Fu, Y. Sun, H. Wang, & H. Li, “Task scheduling of cloud computing based on hybrid particle swarm algorithm and genetic algorithm,” Cluster Computing, vol. 26, no. 5, pp. 2479-2488, October 2023, doi: 10.1007/s10586-020-03221-z.

[15]         S. Mangalampalli, S. K. Swain, G. R. Karri, & S. Mishra, “SLA Aware Task-Scheduling Algorithm in Cloud Computing Using Whale Optimization Algorithm,” Scientific Programming, vol. 2023, 20 Apr 2023, doi: 10.1155/2023/8830895.

[16]         S. Mangalampalli, G. R. Karri, S. N. Mohanty, S. Ali, M. I. Khan, D. Abduvalieva, F. A. Awwad  & E. A. Ismail, “Fault tolerant trust based task scheduler using Harris Hawks optimization and deep reinforcement learning in multi cloud environment,” Scientific Reports, vol. 13, no. 1, 19179. 06 November 2023, doi.org/10.1038/s41598-023-46284-9.

[17]         J. Xue, & B. Shen, “Dung beetle optimizer: A new meta-heuristic algorithm for global optimization,” The Journal of Supercomputing, vol. 79, no. 7, pp. 7305-7336, May 2023, doi.org/10.1007/s11227-022-04959-6.

[18]         Z. Yin, F. Xu, Y. Li, C. Fan, F. Zhang, G.Han, & Y. Bi, “A multi-objective task scheduling strategy for intelligent production line based on cloud-fog computing,” Sensors, vo. 22, no. 4, 1555, 15 February 2022, doi: 10.3390/s22041555.

[19]         A. A. Mutlag, M. Khanapi Abd Ghani, M. A. Mohammed, M. S. Maashi, O. Mohd, S. A. Mostafa, , k. h. Abdulkareem, G. Marques,  & I. de la Torre Díez, (2020). “MAFC: Multi-agent fog computing model for healthcare critical tasks management,” Sensors, vol. 20, no. 7, 1853, 25 March 2020, doi.org: 10.3390/s20071853.

[20]         X. Ma, H. Gao, H. Xu, & M. Bian, “An IoT-based task scheduling optimization scheme considering the deadline and cost-aware scientific workflow for cloud computing,” EURASIP Journal on Wireless Communications and Networking, vol. 2019, no, 249, pp. 1-19, 08 November 2019, doi: 10.1186/s13638-019-1557-3.

[21]         M. Hosseini Shirvani, “A survey study on task scheduling schemes for workflow executions in cloud computing environment: classification and challenges,” The Journal of Supercomputing, pp. 1-54, 07 December 2023 , doi: 10.1007/s11227-023-05806-y.

[22]         M. Hosseinzadeh, E. Azhir, J. Lansky, S. Mildeova, O. H. Ahmed, M. H. Malik, & F. Khan, “Task Scheduling Mechanisms for Fog Computing: A Systematic Survey,” IEEE Access, vol. 11, pp. 50994–51017, 18 May 2023, doi: 10.1109/ACCESS.2023.3277826.

[23]         Zhou, M. T., Ren, T. F., Dai, Z. M., & Feng, X. Y. (2023). “Task scheduling and resource balancing of fog computing in smart factory,” Mobile Networks and Applications, vol. 28, no. 1, pp. 19-30, February 2023, doi: 10.1007/s11036-022-01992-w.

[24]         Z. A. Khan, I. A. Aziz, & N. A. B. Osman, “A Review on Task Scheduling Techniques in Cloud and Fog Computing: Taxonomy, Tools, Open Issues, Challenges, and Future Directions,” IEEE Access, vol. 11, pp. 143417 – 143445, 18 December 2023, doi: 10.1109/ACCESS.2023.3343877.

[25]         T. Salehnia, A. Seyfollahi, , S. Raziani, A. Noori, A. Ghaffari, A. R. Alsoud, & L. Abualigah, “An optimal task scheduling method in IoT-Fog-Cloud network using multi-objective moth-flame algorithm,” Multimedia Tools and Applications, pp. 1-22, 11 September 2023, doi: 10.1007/s11042-023-16971-w

[26]         F. Ramezani Shahidani, A. Ghasemi, A. Toroghi Haghighat, & A. Keshavarzi, “Task scheduling in edge-fog-cloud architecture: a multi-objective load balancing approach using reinforcement learning algorithm,” Computing, vol. 105, no. 6, pp. 1337-1359, June 2023, doi: 10.1007/s00607-022-01147-5.

[27]         B. M. Nguyen, T. Nguyen, Q. H. Vu, H. H. Tran, H. Vo, H. T. T. Binh,
S. Yu , Z. Wu, “A novel nature-inspired algorithm for optimal task scheduling in fog-cloud blockchain system,” IEEE Internet of Things Journal, vol. 11, 06 July 2023, doi: 10.1109/JIOT.2023.3292872.

[28]         J. Z. Ahmadabadi, S. E. Mood, & A. Souri, “Star-quake: A new operator in multi-objective gravitational search algorithm for task scheduling in IoT based cloud-fog computing system,” IEEE Transactions on Consumer Electronics, January 2023, doi: 10.1109/TCE.2023.3321708.

[29]         R. Ghafari, & N. Mansouri, “E-AVOA-TS: Enhanced African vultures optimization algorithm-based task scheduling strategy for fog–cloud computing,” Sustainable Computing: Informatics and Systems, vol. 40, 100918, December  2023, doi: 10.1016/j.suscom.2023.100918.

[30]         Q. Liu, H. Kosarirad, S. Meisami, K. A. Alnowibet, & A. N. Hoshyar, “An Optimal Scheduling Method in IoT-Fog-Cloud Network Using Combination of Aquila Optimizer and African Vultures Optimization,” Processes, vol. 11, no. 4,1162, 10 April 2023, doi: 10.3390/pr11041162.

[31]         Z. Wang, M. Goudarzi, M. Gong, & R. Buyya, “Deep Reinforcement Learning-based scheduling for optimizing system load and response time in edge and fog computing environments,” Future Generation Computer Systems, vol. 152, pp. 55-69, Mtch 2024, doi: /10.1016/j.future.2023.10.012

[32]         M. Osmanpoor, A. Shameli-Sendi, & F. Faraji Daneshgar, “Convergence of the Harris hawks optimization algorithm and fuzzy system for cloud-based task scheduling enhancement,” Cluster Computing, pp. 1-15, 09 January 2024, doi.org/10.1007/s10586-023-04225-1.

[33]         D. Sanchez Narvaez, C. Villaseñor, C. Lopez-Franco, & N. Arana-Daniel, “Order-Based Schedule of Dynamic Topology for Recurrent Neural Network,” Algorithms, vol. 16, no. 5, 231. 28 April 2023, doi: 10.3390/a16050231.

[34]         B. M. Nguyen, , H. Thi Thanh Binh, T. The Anh, & D. Bao Son, “Evolutionary algorithms to optimize task scheduling problem for the IoT based bag-of-tasks application in cloud–fog computing environment,” Applied Sciences, vol. 9, no. 9, 1730, 26 April 2019, doi: 10.3390/app9091730.

[35]         L. Li, L. Liu, Y. Shao, X. Zhang, Y. Chen, C. Guo, & H. Nian, “Enhancing Swarm Intelligence for Obstacle Avoidance with Multi-Strategy and Improved Dung Beetle Optimization Algorithm in Mobile Robot Navigation,” Electronics, vol. 12, no. 21, 4462, 30 October 2023 , doi: 10.3390/electronics12214462.

[36]         M. S. Kumar, & G. R. Karri, “Eeoa: cost and energy efficient task scheduling in a cloud-fog framework,” Sensors, vol. 23, no. 5, 2445, 22 February 2023, doi: 10.3390/s23052445.

 

Tasks scheduling in distributed fog layer and cloud computing systems using dung beetle optimization algorithm

Reza Aziz, Assistant Professor 1,Mohsen Eghbali, PhD Student 2 

 

Abstract

The Internet of Things has grown significantly in the past few years, and many intelligent objects have been connected to it. Cloud computing is a data processing system in the Internet of Things. However, the servers in the cloud computing paradigm are usually located at a long physical distance from the Internet of Things devices. The high latency caused by long distances cannot effectively implement real-time Internet of Things applications. Edge and fog computing has emerged as a popular computing technology in the field of the Internet of Things. One of the critical challenges of the Internet of Things is the problem of scheduling tasks in the fog and cloud layer. In the proposed method, the LSTM neural network allocates free resources, and the dung beetle optimization algorithm is used to schedule tasks optimally in the cloud and fog layer. Experiments show that in the HPC2N data set, the accuracy, sensitivity, and precision of the proposed method for predicting the state of resources are equal to 94.72%, 93.21%, and 91.64%, respectively. In the NASA data set, the proposed method's accuracy, sensitivity, and precision in resource allocation are 95.68%, 94.61%, and 92.37%, respectively. The proposed method is more accurate in allocating resources for scheduling than the RNN, 1DCNN, and MLP methods. The Makespan index of the proposed method shows a lower and better value in task scheduling than the AO_AVOA, AVOA, PSO, HHO, and FA methods.

 

Keywords: Cloud layer, Dung beetle optimization algorithm, Fog layer, Task scheduling, Internet of Things.

---

[1] Internet of Things (IoT) 

[2] Cloud computing(CC) 

[3]  Fog Computing (FC)

[4]  Resource allocation

[5]  Tasks scheduling 

[6]  Service Level Agreement (SLA)

[7]  Task management

[8]  NP-hard

[9]  Genetic algorithms(GA)

[10] Particle swarm optimization (PSO) algorithm

[11]  Whale optimization algorithm(WOA)

[12]  Harris hawks optimization(HHO) algorithm

[13]  Dung beetle optimizer

[14]  Life-choice-based optimization algorithm (ILCO)

[15]  Recurrent networks