Intelligent Scheduling in Fog Computing

Abstract

[EN] This research addresses the fog computing paradigm in ways that cloud computing has been addressed before, by simulating fog computing scenarios/applications using a simulator(in this case, ifogsim) and then optimising the energy consumption of the system. This research attempts to do this optimization by focusing on how resources are being used, assigned and allocated in the fog computing architecture, a process called scheduling. There are two possible ways of scheduling. First is tasks/tuple scheduling and second, vm scheduling. This project focuses on the latter. We used the Pittsburgh learning method, a genetic fuzzy rule based approach to generate optimised rule bases for our fuzzy rule base vm allocation algorithm. We ultimately compare our heuristic with already existing exact algorithms such as minmin, maxmin, suffrage, roundrobin and random algorithms. Nomenclatura Internacional de Unesco para la Ciencia y Tecnología[ES] Esta investigación aborda el paradigma de la computación en la niebla de formas en que la computación en la nube se ha abordado anteriormente, simulando escenarios / aplicaciones de computación en la niebla utilizando un simulador (en este caso, ifogsim) y luego optimizando el consumo de energía del sistema. Esta investigación intenta realizar esta optimización centrándose en cómo se utilizan, asignan y asignan los recursos en la arquitectura de computación en la niebla, un proceso llamado programación. Hay dos formas posibles de programar. Primero, la programación de tareas / tuplas y, en segundo lugar, la programación de VM. Este proyecto se centra en este último. Usamos el método de aprendizaje de Pittsburgh, un enfoque genético basado en reglas difusas para generar bases de reglas optimizadas para nuestro algoritmo de asignación de VM de base de reglas difusas. En última instancia, comparamos nuestra heurística con algoritmos exactos ya existentes, como minmin, maxmin, suffrage, roundrobin y algoritmos aleatorios.