ارائه روشی برای مدیریت منابع در شبکههای Fog-DSDN با بهرهگیری از معماری میکروسرویس و شبکههای ESN
الموضوعات : electrical and computer engineeringعباس پیامنی 1 , احسان متین فر 2 , الهام مقامی 3 , محمد جانبزرگی 4
1 - دانشکده برق و کامپیوتر، شعبه دورود، دانشگاه ملی مهارت، دورود، ایران
2 - گروه کامپیوتر، دانشکده فنی و مهندسی، واحد دورود، دانشگاه آزاد اسلامی، دورود، ایران
3 - دانشکده مهندسی برق و كامپيوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
4 - دانشکده برق و کامپیوتر، شعبه دورود، دانشگاه ملی مهارت، دورود، ایران
الکلمات المفتاحية: پردازش مه, شبکههای توزیعشده نرمافزار محور, مدیریت منابع, یادگیری عمیق.,
ملخص المقالة :
در شبکههای معماریهای رایانش مه نرمافزار محور(Fog–DSDN) تخصیص بهینهی منابع میانگرههای متعدد با محدودیتهای زمانی، پردازشی و حافظهای، یکی از چالشهای اساسی محسوب میشود. روشهای موجود غالباً فاقد سازوکار تطبیقی در مواجهه با تغییرات سریع با شبکه هستند و در نتیجه، موجب افزایش تأخیر سرویس و افت کارایی منابع میگردند. در این پژوهش، روشی نوآورانه مبتنی بر معماری میکروسرویس و شبکه حالت پژواک (Echo State Network - ESN) برای مدیریت و بهینهسازی تخصیص منابع در محیط Fog–DSDN ارائه شده است. در این روش، هر میکروسرویس بهصورت مستقل وظیفه جمعآوری و پردازش دادههای محلی را بر عهده دارد و خروجی آن در قالب نقشه اطلاعاتی (Information Map) در سطح کنترلرهای مه تجمیع میشود. سپس، مدل ESN با یادگیری الگوهای زمانی ترافیک، بار پردازشی آیندهی گرهها را پیشبینی کرده و تصمیم تخصیص منابع را بهصورت تطبیقی اتخاذ میکند. طراحی دولایهی صفهای ورودی و خروجی در هر سلول اطلاعاتی نیز موجب کاهش تراکم پردازشی و بهبود زمان پاسخ سیستم گردیده است. برای ارزیابی عملکرد روش پیشنهادی، شبیهسازیهایی در بستر ++OMNeT در سناریوهای مختلف ترافیکی انجام شد و نتایج با دو بستر پایه شامل معماری میکروسرویس بدون پیشبینی بار و مدل پایهی غیر سلسلهمراتبی Fog-DSDN و روش مدیریت منابع TFS مقایسه گردید. نتایج تجربی نشان میدهد روش پیشنهادی به طور میانگین نسبت به دو بستر معماری میکروسرویس و معماری پایه Fog-DSDN و روش مدیریت منابع TFS موجب بهبود 57/12٪ در بهرهوری منابع پردازشی، 85/18٪ در استفاده بهینه از حافظه و 13/39٪ در کاهش تأخیر سرویس شده است. این دستاوردها بیانگر آن است که ترکیب ساختار ماژولار میکروسرویسها با پیشبینی هوشمند بار توسط ESN میتواند راهکاری کارا، مقیاسپذیر و سبکوزن برای مدیریت منابع در شبکههای Fog–DSDN فراهم آورد.
[1] L. G. F. da Silva, D. F. H. Sadok, and P. T. Endo, "Resource optimizing federated learning for use with IoT: A systematic review," Journal of Parallel and Distributed Computing, vol. 175, pp. 92-108, May 2023.
[2] C. Li, et al., "Deep reinforcement learning based controller placement and optimal edge selection in SDN-based multi-access edge computing environments," Journal of Parallel and Distributed Computing, vol. 193, Article ID: 104948, Nov. 2024.
[3] X. Zhou, J. Yang, Y. Li, S. Li, and Z. Su, "Deep reinforcement learning-based resource scheduling for energy optimization and load balancing in SDN-driven edge computing," Computer Communications, vol. 226-227, Article ID: 107925, Oct. 2024.
[4] M. Mahmoudi, B. Barekatain, Z. Beheshti, A. A. Quintana, and M. R. Velayati, "A new method for load balancing in DSDN-Based data centers using adaptive clustering and normal cone-based estimation approaches," Expert Systems with Applications, Article ID: 127606, Jun. 2025.
[5] F. Briatore and M. Braggio, "Edge, Fog and Cloud Computing framework for flexible production," Procedia Computer Science, vol. 253, pp. 2206-2218, 2025.
[6] Y. Jin, "An effective method for prospective scheduling of tasks in cloud-fog computing with an energy consumption management approach based on Q-learning," Engineering Applications of Artificial Intelligence, vol. 151, Article ID: 110705, Jul. 2025.
[7] A. M. Rahmani, et al., "Optimizing task offloading with metaheuristic algorithms across cloud, fog, and edge computing networks: A comprehensive survey and state-of-the-art schemes," Sustainable Computing: Informatics and Systems, vol. 45, Article ID: 101080, Jan. 2025.
[8] E. Matinfar, M. Mahmoudi, and B. Barekatain, "ELDM-EDSDN: A novel resource allocation method in edge-DSDN-based networks using improved manifold approach," The Journal of Supercomputing, vol. 81, no. 14, Article ID: 1341, 2025.
[9] M. Kabeer, I. Yusuf, and N. A. Sufi, "Distributed software defined network-based fog to fog collaboration scheme," Parallel Computing, vol. 117, Article ID: 103040, Sept. 2023.
[10] I. Ahammad, M. A. R. Khan, and Z. U. Salehin, "QoS performance enhancement policy through combining fog and SDN," Simulation Modelling Practice and Theory, vol. 109, Article ID: 102292, May 2021.
[11] S. O. Ogundoyin and I. A. Kamil, "Optimization techniques and applications in fog computing: An exhaustive survey," Swarm and Evolutionary Computation, vol. 66, Article ID: 100937, Oct. 2021.
[12] J. Al Muhtadi, R. A. Alamri, F. A. Khan, and K. Saleem, "Subjective logic-based trust model for fog computing," Computer Communications, vol. 178, pp. 221-233, Oct. 2021.
[13] A. J. Kadhim, S. A. H. Seno, J. I. Naser, and J. Hajipour, "DMPFS: Delay-efficient multicasting based on parked vehicles, fog computing and SDN in vehicular networks," Vehicular Communications, vol. 36, Article ID: 100488, Aug. 2022.
[14] K. A. Darabkh, B. Z. Alkhader, A. F. Khalifeh, F. Jubair, and M. Abdel-Majeed, "ICDRP-F-SDVN: An innovative cluster-based dual-phase routing protocol using fog computing and software-defined vehicular network," Vehicular Communications, vol. 34, Article ID: 100453, Apr. 2022.
[15] E. Hosseini, M. Nickray, and S. Ghanbari, "Optimized task scheduling for cost-latency trade-off in mobile fog computing using fuzzy analytical hierarchy process," Computer Networks, vol. 206, Article ID: 108752, Apr. 2022.
[16] S. Azizi, M. Shojafar, J. Abawajy, and R. Buyya, "Deadline-aware and energy-efficient IoT task scheduling in fog computing systems: A semi-greedy approach," Journal of Network and Computer Applications, vol. 201, Article ID: 103333, May 2022.
[17] B. Sarma, R. Kumar, and T. Tuithung, "Machine learning enabled network and task management in SDN based Fog architecture," Computers and Electrical Engineering, vol. 108, Article ID: 108705, May 2023.
[18] M. M. Islam, F. Ramezani, H. Y. Lu, and M. Naderpour, "Optimal placement of applications in the fog environment: A systematic literature review," Journal of Parallel and Distributed Computing, vol. 174, pp. 46-69, Apr. 2023.
[19] Z. H. Ali, N. El-Rashidy, M. A. Elhosseini, and S. M. Ayyad, "SDN-based reliable emergency message routing schema using Digital Twins for adjusting beacon transmission in VANET," Journal of Network and Computer Applications, vol. 230, Article ID: 103944, Oct. 2024.
[20] E. Matinfar, et al., "FABLSTM: Aan optimal resource allocation in SDVN networks with contextual variables integration," The Journal of Supercomputing, vol. 81, no. 15, Article ID: 1454, Oct. 2025.
[21] D. Adanza, et al., "Enabling traffic forecasting with cloud-native SDN controller in transport networks," Computer Networks, vol. 250, Article ID: 110565, Aug. 2024.
