面向远程工业4.0应用的联邦雾计算

工业4.0基于物联网设备、传感器和执行器运行，改变了不同领域中计算资源与软件解决方案的使用方式。各种工业4.0延迟敏感应用基于机器学习处理传感器数据以实现自动化及其他工业活动。将传感器数据发送至云系统耗时且不利于应用的延迟约束，因此常部署雾计算。在异构雾系统上执行这些应用表现出随机执行时间行为，影响任务完成时间。我们研究并建模了多种工业4.0基于ML的应用的随机执行并进行分析。石油和天然气等行业易发生灾害，需要协调各种延迟敏感活动。因此，灾害期间计算需求激增可能导致雾计算资源过度订阅。我们提出联邦化邻近雾计算系统并形成雾联邦，使远程工业4.0站点能弹性应对计算需求激增。我们提出一种跨雾联邦针对延迟敏感任务的统计资源分配方法。许多现代工业4.0应用基于微服务工作流运行，这些微服务在工业站点内单独使用。因此，工业4.0解决方案需感知应用的架构，尤其是单体式与微服务式。为此，我们提出一种基于概率的资源分配方法，可在雾联邦间划分微服务工作流以满足其延迟约束。工业4.0中另一关注点是联邦雾的数据隐私。为此，我们提出一种基于联邦学习(federated learning)的方案，在跨联邦雾系统训练工业ML应用时不损害数据机密性。