一种基于雾计算的物联网应用

朱敏

摘要：物联网（IoT）旨在将所在物体联入网络，从而产生大量数据，这些巨量数据可能会压垮存储系统和数据分析应用程序。云计算能够在基础架构级别上为物联网提供可扩展的存储和数据处理服务。但是，在诸如强调实时性，低延迟和移动性等方面的应用中暴露出其自身的局限性。为了克服这种限制，人们提出了雾计算。在雾计算中，云服务被扩展到网络边缘以减少延迟和网络拥塞。该文对基于云计算的物联网架构进行了改进，在网络边缘添加了雾计算。仿真实验证明，引入了雾计算后的物联网系统性能得到改进。

关键词：物联网;雾计算;云计算

中图分类号：TP393 文献标识码：A

文章编号：1009- 3044（2019）34-0221-03

1 引言

物联网（IoT）技術的普及，使诸如智能家居，智能城市，智能工厂，智能电网和智能医疗等应用日益走近人们的生活。物联网系统中有各种传感器、执行器，日常运行中产生大量的数据，但受制于自身有限的计算资源，没有能力处理这些数据。而云计算系统提供了高等级的计算基础设施，在能源，带宽，软件，平台和存储等方面都有巨大的优势，因此物联网应用系统常常通过网络与云计算系统相结合[1-2]。但是云计算系统也有它的缺点，最主要的问题就是高延迟、高能量消耗等。为解决云计算的这些缺点，人们提出了雾计算。

2 相关研究

雾计算最初由思科提出，它是对云计算的一种扩展，在云计算中心与客户端系统之间提供计算、存储、通信服务。它是一种分布式的基础架构，是对云计算系统的有效补充。强大的计算设备，例如服务器，部署在网络的边缘以支持IoT设备高复杂度的计算任务，以降低延迟，节省能源，增加运营时间。

OpenFog联盟于2016年开始设计标准化的开放式雾计算框架[3]。这是一个系统级架构，沿着云到物（ cloud-to-things）统一体在任何位置分配用于计算、存储、控制和联网的资源和服务。它支持多个行业垂直和应用领域，使服务和应用能够更接近数据生成来源，从事物、在网络边缘、通过云并跨多个协议层进行扩展。

文献[4]中提出了另一种雾计算架构，其中设计了一整套的应用程序接口，以实现虚拟机在雾节点收集信息。

Chin等人在文献[5]中提出了一种雾框架，它基于上下文感知，支持多种不同的边缘技术，如Wi-Fi，LTE和蓝牙等，还支持软件定义网络（SDN）和虚拟化工具。它还提出了空中的雾计算系统，使用无人机等空中设备作为雾节点，以开展各种方便终端用户的应用和服务。

3 系统设计

3.1 系统架构

我们建构一种基于云一雾计算的物联网系统，目的是更有效地进行数据的收集和处理。它包括3个层次，传感器层、雾计算层、云计算层。

传感器层：包括部署在物联网系统中的各种传感器以及各种执行器。它们一方面收集各种原始数据，另一方面也可以执行来自高级别系统的指令。

雾计算层：雾节点收集来自传感器的数据并进行智能化的数据处理，以减少网络流量，节省能量开支。

云计算层：数据流向云计算中心，由云计算中心执行强大的数据存储和大数据分析处理。

3.2 数据处理算法

我们在传感器上加入基础的雾计算功能，使其具备简单的数据处理能力，以减少生成的数据量。考虑到传感器的低功耗、低内存要求，这一数据聚合算法必须尽可能简单。参考文献[6]中的事件触发数据处理程序，在本地雾计算层执行简单的数据聚合，对传感器测量的原始数据做出判定，以确定是否需要将数据上传到网关。

首先，当测量数据超过某一阀值时，触发事件E.：

算法伪代码如下：

Input： Time-stamp，RData ll Time-stamp为时间戳，RData为原始测量数据

Output：PData

//PData为经过处理后的数据

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 实验

本文用仿真的方式对提出的系统架构及数据处理算法进行验证，所使用的仿真系统为iFogSim[7]系统。iFogSim是由墨尔本大学的云计算和分布式系统（CLOUDS）实验室开发的基于Java的开源模拟器。

系统包括4个传感器、1个网关和1个云平台，功能是对工作场所中的能源使用状况进行监控。其结构如图1所示。在每个时间戳，传感器被激活，对场所中的燃气、用电量等进行测量，并发往本地网关，再由本地网关发往云平台。

实验包括两个部分。在第一部分的实验中我们对数据处理算法进行测试。我们使用在线数据库[8]中的数据作为算法的输入数据，这是劳伦斯伯克利国家实验室校园74号楼的15分钟电力和5分钟天然气消耗数据。

图2为传感器1的原始数据和经过数据聚合算法处理后的数据。

图3为传感器2的原始数据和经过数据聚合算法处理后的数据。

可以看到，经过数据聚合算法处理后的数据量大大减少。对于传感器1，处理后的数据减少了97.9%，对传感器2，处理后的数据减少了98.1%。

在第二部分的实验中，我们把引入雾计算后的物联网系统与传统的云计算物联网进行比较;在iFogSim系统中模拟的结果显示，与后者相比，引入雾计算的物联网系统网络的占用减少了47.3%，总的能源消耗减少了14.7%。

5 總结

本文提出了一个三层的物联网系统架构，即传感器一雾计算一云计算三层架构，在传统的基于云计算的物联网系统中引入雾计算，在传感器级别上实现了一种本地数据处理算法，并在iFogSim系统下进行仿真验证。结果证明，雾计算的引入，减少了发送到云平台的数据总量。通过减少数据流量，网络可扩展性得到改善。在网络节点层面，其最大的能源消耗是在发送和接收数据时，所以数据流量的减少，也降低了网络节点的能源消耗。

在今后的研究中，我们将进一步完善雾计算层的数据处理算法，并尝试将这一物联网架构运用到实际的场景，诸如智能

参考文献

[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.