一種基于霧計算的物聯網應用

朱敏

摘要：物聯網（IoT）旨在將所在物體聯入網絡，從而產生大量數據，這些巨量數據可能會壓垮存儲系統和數據分析應用程序。云計算能夠在基礎架構級別上為物聯網提供可擴展的存儲和數據處理服務。但是，在諸如強調實時性，低延遲和移動性等方面的應用中暴露出其自身的局限性。為了克服這種限制，人們提出了霧計算。在霧計算中，云服務被擴展到網絡邊緣以減少延遲和網絡擁塞。該文對基于云計算的物聯網架構進行了改進，在網絡邊緣添加了霧計算。仿真實驗證明，引入了霧計算后的物聯網系統性能得到改進。

關鍵詞：物聯網;霧計算;云計算

中圖分類號：TP393 文獻標識碼：A

文章編號：1009- 3044（2019）34-0221-03

1 引言

物聯網（IoT）技術的普及，使諸如智能家居，智能城市，智能工廠，智能電網和智能醫療等應用日益走近人們的生活。物聯網系統中有各種傳感器、執行器，日常運行中產生大量的數據，但受制于自身有限的計算資源，沒有能力處理這些數據。而云計算系統提供了高等級的計算基礎設施，在能源，帶寬，軟件，平臺和存儲等方面都有巨大的優勢，因此物聯網應用系統常常通過網絡與云計算系統相結合[1-2]。但是云計算系統也有它的缺點，最主要的問題就是高延遲、高能量消耗等。為解決云計算的這些缺點，人們提出了霧計算。

2 相關研究

霧計算最初由思科提出，它是對云計算的一種擴展，在云計算中心與客戶端系統之間提供計算、存儲、通信服務。它是一種分布式的基礎架構，是對云計算系統的有效補充。強大的計算設備，例如服務器，部署在網絡的邊緣以支持IoT設備高復雜度的計算任務，以降低延遲，節省能源，增加運營時間。

OpenFog聯盟于2016年開始設計標準化的開放式霧計算框架[3]。這是一個系統級架構，沿著云到物（ cloud-to-things）統一體在任何位置分配用于計算、存儲、控制和聯網的資源和服務。它支持多個行業垂直和應用領域，使服務和應用能夠更接近數據生成來源，從事物、在網絡邊緣、通過云并跨多個協議層進行擴展。

文獻[4]中提出了另一種霧計算架構，其中設計了一整套的應用程序接口，以實現虛擬機在霧節點收集信息。

Chin等人在文獻[5]中提出了一種霧框架，它基于上下文感知，支持多種不同的邊緣技術，如Wi-Fi，LTE和藍牙等，還支持軟件定義網絡（SDN）和虛擬化工具。它還提出了空中的霧計算系統，使用無人機等空中設備作為霧節點，以開展各種方便終端用戶的應用和服務。

3 系統設計

3.1 系統架構

我們建構一種基于云一霧計算的物聯網系統，目的是更有效地進行數據的收集和處理。它包括3個層次，傳感器層、霧計算層、云計算層。

傳感器層：包括部署在物聯網系統中的各種傳感器以及各種執行器。它們一方面收集各種原始數據，另一方面也可以執行來自高級別系統的指令。

霧計算層：霧節點收集來自傳感器的數據并進行智能化的數據處理，以減少網絡流量，節省能量開支。

云計算層：數據流向云計算中心，由云計算中心執行強大的數據存儲和大數據分析處理。

3.2 數據處理算法

我們在傳感器上加入基礎的霧計算功能，使其具備簡單的數據處理能力，以減少生成的數據量。考慮到傳感器的低功耗、低內存要求，這一數據聚合算法必須盡可能簡單。參考文獻[6]中的事件觸發數據處理程序，在本地霧計算層執行簡單的數據聚合，對傳感器測量的原始數據做出判定，以確定是否需要將數據上傳到網關。

首先，當測量數據超過某一閥值時，觸發事件E.：

算法偽代碼如下：

Input： Time-stamp，RData ll Time-stamp為時間戳，RData為原始測量數據

Output：PData

//PData為經過處理后的數據

For each Time-stamp do

SrnsorWakeUP;

Read RData

If Q=true

//Q={ Ei. E2. E3}

Send RData;

End if

Update asi;

UpdateTl and T2;

SensorToSleep;

End for

4 實驗

本文用仿真的方式對提出的系統架構及數據處理算法進行驗證，所使用的仿真系統為iFogSim[7]系統。iFogSim是由墨爾本大學的云計算和分布式系統（CLOUDS）實驗室開發的基于Java的開源模擬器。

系統包括4個傳感器、1個網關和1個云平臺，功能是對工作場所中的能源使用狀況進行監控。其結構如圖1所示。在每個時間戳，傳感器被激活，對場所中的燃氣、用電量等進行測量，并發往本地網關，再由本地網關發往云平臺。

實驗包括兩個部分。在第一部分的實驗中我們對數據處理算法進行測試。我們使用在線數據庫[8]中的數據作為算法的輸入數據，這是勞倫斯伯克利國家實驗室校園74號樓的15分鐘電力和5分鐘天然氣消耗數據。

圖2為傳感器1的原始數據和經過數據聚合算法處理后的數據。

圖3為傳感器2的原始數據和經過數據聚合算法處理后的數據。

可以看到，經過數據聚合算法處理后的數據量大大減少。對于傳感器1，處理后的數據減少了97.9%，對傳感器2，處理后的數據減少了98.1%。

在第二部分的實驗中，我們把引入霧計算后的物聯網系統與傳統的云計算物聯網進行比較;在iFogSim系統中模擬的結果顯示，與后者相比，引入霧計算的物聯網系統網絡的占用減少了47.3%，總的能源消耗減少了14.7%。

5 總結

本文提出了一個三層的物聯網系統架構，即傳感器一霧計算一云計算三層架構，在傳統的基于云計算的物聯網系統中引入霧計算，在傳感器級別上實現了一種本地數據處理算法，并在iFogSim系統下進行仿真驗證。結果證明，霧計算的引入，減少了發送到云平臺的數據總量。通過減少數據流量，網絡可擴展性得到改善。在網絡節點層面，其最大的能源消耗是在發送和接收數據時，所以數據流量的減少，也降低了網絡節點的能源消耗。

在今后的研究中，我們將進一步完善霧計算層的數據處理算法，并嘗試將這一物聯網架構運用到實際的場景，諸如智能

參考文獻

[1] N. Moustafa， K.-K. R. Choo， I. Radwan， and S. Camtepe.Outli-er dirichlet mixture mechanism： Adversarial statistical leam-ing for anomaly detection in the fog.lEEE Transactions on In-formation Forensics and Security， 2019.

[2] A. V. Dastjerdi， H. Gupta， R. N. Calheiros， S. K. Ghosh， and R. Buyya.Fog computing： Principles， architectures， and appli-cations.arXiv preprint arXiv：1601.02752， 2016.

[3] Open fog consortium.Aug. 2018. http：//www.openfogconsortium.org/.

[4] M. Zhanikeev.A cloud 19 platform to facilitate cloud federa-tion and fog computing.Computer， 2015，48（5）：80 ～ 83.

[5] W. S. Chin， H.-s. Kim， Y. J. Heo， and J. W. Jang.A context-based future network infrastructure for iot services. ProcediaComputer Science， 2015，56：266 ～ 270.

[6] V. Mihai， C. Dragana， G. Stamatescu， D. Popescu， L. Ichim.Wireless Sensor Network Architecture based on Fog Comput-ing.published in Sth International Conference on Control， Deci-sion and Information Technologies， 2018.

[7] H. Gupta， A. V. Dastjerdi， S. K. Ghosh， R. Buyya.iFogSim：Atoolkit for modeling and simulation of resource managementtechniques in the Internet of Things， Edge and Fog computingenvironments.published in Software Practice and Experience，2017.

[8] https：//openei.org/datasets/dataset/lbnl-building-74.