| Resumo: | Os pedidos de execução de aplicações na arquitetura cloud e no paradigma fog são geralmente heterogéneos em termos de contextos ao nível dos dispositivos e das aplicações. O escalonamento dos pedidos nessas arquiteturas é um problema de otimização com múltiplas restrições. Apesar dos inúmeros esforços, o escalonamento de tarefas nessas arquiteturas e paradigmas continua a apresentar alguns desafios aliciantes que nos levam a questionar a forma como as tarefas são encaminhadas entre os diferentes dispositivos físicos, nós da fog e cloud. A fog é definida como uma extensão da cloud, que disponibiliza serviços de processamento, armazenamento e rede próximo da edge network, e devido à densidade e heterogeneidade de dispositivos, o escalonamento é muito complexo e, na literatura, encontramos ainda poucos estudos. Contrariamente, o escalonamento na cloud é amplamente estudado. Diversos trabalhos de investigação abordam, no entanto, essa questão na perspetiva de provedores de serviço ou otimizam os níveis da qualidade de serviço (QoS) da aplicação. Ignoram, porém, informações contextuais ao nível do dispositivo e dos utilizadores finais e as suas experiências de utilização (QoE). Procurando trazer contributos inovadores nas áreas de escalonamento de tarefas e computação distribuída, nesta tese, é proposta uma solução para o problema de escalonamento de pedidos sensível ao contexto para o paradigma fog que minimiza os tempos de execução da aplicação e maximiza as suas prioridades. Os diferentes parâmetros de contexto são normalizados através da normalização Min-Max. A prioridade de cada pedido é definida através da aplicação da técnica de análise Multiple Linear Regression (MLR) e o seu escalonamento com vista a otimizar a QoE dos utilizadores, é feito recorrendo a técnica de Otimização Multi-Objective Non-Linear Programming1 (MONLP). Os resultados experimentais, encontrados a partir de simulações no kit de ferramentas iFogSim, demonstram que a nossa proposta de escalonamento apresenta um melhor desempenho em comparação com as propostas não sensível ao contexto (First Come First Served, Shortest Job First e QoS-based), relativamente às métricas: percentagem de execução dos pedidos com sucesso, tempo de espera e QoE dos utilizadores.
|
|---|