این پروپوزال با موضوع “ارائه استراتژی جایابی سرویس کارآمد در اکوسیستم رایانش مه” می باشد. فایل  Word, Pdf پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پروپوزال 8 صفحه با رعایت قالب استاندارد دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

امکانات اصلی این پروپوزال پس از خرید عبارتند از:

• امکان دانلود فایل Word پروپوزال
• امکان دانلود فایل Pdf پروپوزال

توجه : در صورت نیاز به پایان نامه، پروپوزال یا شبیه سازی مشابه با این محصول و همچنین اصلاحات پس از خرید کافی است با تیم پشتیبانی “ماکان تزیز” از طریق پیامک یا واتساپ ارتباط برقرار نمایید.

 اینترنت اشیا حجم غیر قابل تصوری داده تولید میکند. دستگاههای (IoT ) دائما در حال ارسال داده به ابر هستند. در بیشتر مواقع تحلیل داده باید به سرعت صورت پذیرد. در غیر اینصورت داده ارزش خود را از دست میدهد.

اگر داده ها در همان مبدا یا فرستنده نزدیک محل جمع آوری مورد پردازش قرار گیرند به این پردازش رایانش مه گویند. رایانش ابری شامل زیرساخت های متناظر آنها به شکل مراکز داده (DCها)، بدون شک موجب تسهیل توسعه ی سرویس های IoT می شود. که امکان نظارت داده ی مورد نیاز توزیع شده از ادوات IoT به کار رفته در محیط های هوشمند، به آنها را فراهم می سازد.

رایانش مه با برطرف کردن برخی از نیازهای خاص سرویس نظیر تاخیر که با رایانش ابری قابل حل نیستند، درعین حال فرصت های جدیدی را مثلاْ از انتقال بار ترافیکی، مصرف انرژی یا امنیت ایجاد می کند.

چالش

در واقع در رایانش مهی، کاربری که یک سرویس را راه اندازی می کند. از منابع مبدایی بهره مند می شود. که موجب کاهش تقاضا برای منابع ابری دور می گردد. استفاده از منابع موجود واقع در لبه (یعنی نزدیک به کاربر) که به صورت نودهای مه منظم شده اند و مراکز کوچک داده نه تنها تاخیر سرویس را کاهش می دهد، بلکه به کاهش زمان کلی پاسخ سرویس (SRT )، ازدحام شبکه و مصرف انرژی کمک می کند.

از طرفی رایانش مهی به عنوان یک مفهوم، چالش های متعددی را ایجاد می کند. که اگر مرتفع نشوند، مانع کارکرد و استفاده ی واقعی آن شده و کارایی آن را محدود می سازند. این چالش ها در سه دسته ی اصلی جای می گیرند که همگی به مشخصه های ذاتی ادوات لبه مربوط بوده و عبارتند از:

• ظرفیت پردازش محدود
• طول عمر باتری محدود
• اتصال متناوب

دو مورد آخر شدیداْ بر دسترسی پذیری منابع مهی تاثیر می گذارند.

در واقع به نظر می رسد که کل مفهوم رایانش مهی در دستیابی به هدف خود در خصوص سرویس هایی که نیازمند ظرفیت های پردازشی بالا بوده و تنها با زیرساخت ابری قابل تحقق هستند، موفق نبوده است. از طرف دیگر، سرویس های حساس به تاخیر راه دیگری به جز اتکا بر رایانش مهی ندارند.

در ادامه:

به این ترتیب خدمات مهی و ابری به شدت مکمل یکدیگر هستند. در خصوص این مکملیت، اخیراْ روند جدیدی بر اساس تلفیق مهارت های مهی و ابری روی کار آمده است که بیشترین بهره را از هر دو می برد و در عین حال تلفیق آن باعث کاهش ضعف فردی، تغییر به سمت نوعی سناریوی پیوسته ی منبع از لبه تا ابر می شود. دو راهکار مبتکرانه ی فعلی عمدتاْ در این جهت حرکت می کنند.

اولی از کار انجام شده توسط کنسرسیم (ائتلاف) مه باز (Open Fog) تحت نظارت صنعت استفاده کرده و در جهت تعریف یک معماری سطح بالا حرکت می کند که RA مه باز (Open Fog RA) (معماری مرجع) مدیریت ابری و مهی نامیده می شود و دومی که ابر- تا- مه (یا ابر- به- مه) (F2C) نامیده می شود،

و هدف آن داشتن تاثیر قابل توجهی بر استانداردها می-باشد.یک مدل سرویس مه- به- ابر می تواند بسیار مشارکتی باشد که به تبع آن منابع لازم برای اجرای یک سرویس در ابر، در مه و یا در هر دو قرار خواهد داشت.

اهداف تحقیق:

هدف از ارایه این پژوهش، رسیدن به رویکردهای کارآمد برای جایابی سرویس در محیط رایانش مه می باشد. همچنین می توانیم با استفاده از چهارچوب مفهمومی رایانش مه به اهداف زیر دست یابیم.

• استفاده از الگوریتم های تکاملی با هدف کاهش تاخیر ارتباط شبکه.
• جایابی سرویس با هدف کاهش هزینه و زمان پاسخ برنامه های کاربردی(Qos).
• قراردادن خدمات روی منابع مجازی مه به جای ابر.