AdaptiveFog：智能交通系统中雾计算的建模与优化框架
网络与互联网体系结构
2021-06-30 v1
摘要
雾计算已被倡导为智能联网车辆中计算密集型服务的赋能技术。大多数现有工作聚焦于分析雾计算相关的排队与工作负载处理延迟，忽视了无线接入延迟有时主导总体延迟的事实。这促成了本文工作，我们报告了一项为期五个月的、关于联网车辆与由商用可用 LTE 网络支撑的雾/云计算系统间无线接入延迟的测量研究。我们提出 AdaptiveFog，一种用于在不同实现雾/云基础设施的 LTE 网络间自主动态切换的新框架。AdaptiveFog 的主要目标是最大化服务置信水平，定义为某给定服务类型延迟低于某阈值的概率。为量化不同 LTE 网络间的性能差距，我们引入一种称为加权 Kantorovich-Rubinstein（K-R）距离的新统计距离度量。研究了基于有限与无限时域优化短期与长期置信度的两种场景。针对各场景，提出基于加权 K-R 距离的简单阈值策略，并证明可最大化智能车辆的延迟置信度。基于我们的延迟测量进行了广泛分析与仿真。结果显示 AdaptiveFog 分别实现雾与云延迟置信度约 30% 至 50% 的提升。
引用
@article{arxiv.2106.15477,
title = {AdaptiveFog: A Modelling and Optimization Framework for Fog Computing in Intelligent Transportation Systems},
author = {Yong Xiao and Marwan Krunz},
journal= {arXiv preprint arXiv:2106.15477},
year = {2021}
}
备注
accepted at IEEE Transactions on Mobile Computing