ارائه روشی برای مدیریت منابع در شبکههای Fog-DSDN با بهرهگیری از معماری میکروسرویس و شبکههای ESN
محورهای موضوعی : مهندسی برق و کامپیوترعباس پیامنی 1 * , احسان متین فر 2 , الهام مقامی 3 , محمد جانبزرگی 4
1 - دانشکده برق و کامپیوتر، شعبه دورود، دانشگاه ملی مهارت، دورود، ایران
2 - گروه کامپیوتر، دانشکده فنی و مهندسی، واحد دورود، دانشگاه آزاد اسلامی، دورود، ایران
3 - دانشکده مهندسی برق و كامپيوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
4 - دانشکده برق و کامپیوتر، شعبه دورود، دانشگاه ملی مهارت، دورود، ایران
کلید واژه: پردازش مه, شبکههای توزیعشده نرمافزار محور, مدیریت منابع, یادگیری عمیق.,
چکیده مقاله :
در شبکههای معماریهای رایانش مه نرمافزار محور(Fog–DSDN) تخصیص بهینهی منابع میانگرههای متعدد با محدودیتهای زمانی، پردازشی و حافظهای، یکی از چالشهای اساسی محسوب میشود. روشهای موجود غالباً فاقد سازوکار تطبیقی در مواجهه با تغییرات سریع با شبکه هستند و در نتیجه، موجب افزایش تأخیر سرویس و افت کارایی منابع میگردند. در این پژوهش، روشی نوآورانه مبتنی بر معماری میکروسرویس و شبکه حالت پژواک (Echo State Network - ESN) برای مدیریت و بهینهسازی تخصیص منابع در محیط Fog–DSDN ارائه شده است. در این روش، هر میکروسرویس بهصورت مستقل وظیفه جمعآوری و پردازش دادههای محلی را بر عهده دارد و خروجی آن در قالب نقشه اطلاعاتی (Information Map) در سطح کنترلرهای مه تجمیع میشود. سپس، مدل ESN با یادگیری الگوهای زمانی ترافیک، بار پردازشی آیندهی گرهها را پیشبینی کرده و تصمیم تخصیص منابع را بهصورت تطبیقی اتخاذ میکند. طراحی دولایهی صفهای ورودی و خروجی در هر سلول اطلاعاتی نیز موجب کاهش تراکم پردازشی و بهبود زمان پاسخ سیستم گردیده است. برای ارزیابی عملکرد روش پیشنهادی، شبیهسازیهایی در بستر ++OMNeT در سناریوهای مختلف ترافیکی انجام شد و نتایج با دو بستر پایه شامل معماری میکروسرویس بدون پیشبینی بار و مدل پایهی غیر سلسلهمراتبی Fog-DSDN و روش مدیریت منابع TFS مقایسه گردید. نتایج تجربی نشان میدهد روش پیشنهادی به طور میانگین نسبت به دو بستر معماری میکروسرویس و معماری پایه Fog-DSDN و روش مدیریت منابع TFS موجب بهبود 57/12٪ در بهرهوری منابع پردازشی، 85/18٪ در استفاده بهینه از حافظه و 13/39٪ در کاهش تأخیر سرویس شده است. این دستاوردها بیانگر آن است که ترکیب ساختار ماژولار میکروسرویسها با پیشبینی هوشمند بار توسط ESN میتواند راهکاری کارا، مقیاسپذیر و سبکوزن برای مدیریت منابع در شبکههای Fog–DSDN فراهم آورد.
In Fog–DSDN (Software Defined Distributed Network) environments, optimal resource allocation among multiple nodes with temporal, processing, and memory constraints represents a fundamental challenge. Existing approaches often lack adaptive mechanisms to address rapidly changing network conditions, resulting in increased service latency and reduced resource efficiency. This research presents an innovative method based on a microservices architecture and an Echo State Network (ESN) for managing and optimizing resource allocation in Fog–DSDN. In this approach, each microservice independently handles local data collection and processing, with its output aggregated as an Information Map at the fog controller level. Subsequently, the ESN model learns temporal traffic patterns to predict future node processing loads, enabling adaptive resource allocation decisions. A dual-layer design of input and output queues within each information cell further reduces processing congestion and improves system response time. To evaluate the performance of the proposed method, simulations were conducted in OMNeT++ across diverse traffic scenarios, and results were compared against two baseline systems: a microservices architecture without load prediction, and a base non-hierarchical Fog-DSDN model employing the TFS resource management method. Experimental results demonstrate that the proposed method achieves, on average, a 12.57% improvement in processing resource efficiency, an 18.85% improvement in memory utilization, and a 13.39% reduction in service latency compared to the two baseline architectures and the TFS resource management approach. These findings indicate that the combination of a modular microservices structure with intelligent load prediction using ESN can provide an efficient, scalable, and lightweight solution for resource management in Fog–DSDN.
[1] L. G. F. da Silva, D. F. H. Sadok, and P. T. Endo, "Resource optimizing federated learning for use with IoT: A systematic review," Journal of Parallel and Distributed Computing, vol. 175, pp. 92-108, May 2023.
[2] C. Li, et al., "Deep reinforcement learning based controller placement and optimal edge selection in SDN-based multi-access edge computing environments," Journal of Parallel and Distributed Computing, vol. 193, Article ID: 104948, Nov. 2024.
[3] X. Zhou, J. Yang, Y. Li, S. Li, and Z. Su, "Deep reinforcement learning-based resource scheduling for energy optimization and load balancing in SDN-driven edge computing," Computer Communications, vol. 226-227, Article ID: 107925, Oct. 2024.
[4] M. Mahmoudi, B. Barekatain, Z. Beheshti, A. A. Quintana, and M. R. Velayati, "A new method for load balancing in DSDN-Based data centers using adaptive clustering and normal cone-based estimation approaches," Expert Systems with Applications, Article ID: 127606, Jun. 2025.
[5] F. Briatore and M. Braggio, "Edge, Fog and Cloud Computing framework for flexible production," Procedia Computer Science, vol. 253, pp. 2206-2218, 2025.
[6] Y. Jin, "An effective method for prospective scheduling of tasks in cloud-fog computing with an energy consumption management approach based on Q-learning," Engineering Applications of Artificial Intelligence, vol. 151, Article ID: 110705, Jul. 2025.
[7] A. M. Rahmani, et al., "Optimizing task offloading with metaheuristic algorithms across cloud, fog, and edge computing networks: A comprehensive survey and state-of-the-art schemes," Sustainable Computing: Informatics and Systems, vol. 45, Article ID: 101080, Jan. 2025.
[8] E. Matinfar, M. Mahmoudi, and B. Barekatain, "ELDM-EDSDN: A novel resource allocation method in edge-DSDN-based networks using improved manifold approach," The Journal of Supercomputing, vol. 81, no. 14, Article ID: 1341, 2025.
[9] M. Kabeer, I. Yusuf, and N. A. Sufi, "Distributed software defined network-based fog to fog collaboration scheme," Parallel Computing, vol. 117, Article ID: 103040, Sept. 2023.
[10] I. Ahammad, M. A. R. Khan, and Z. U. Salehin, "QoS performance enhancement policy through combining fog and SDN," Simulation Modelling Practice and Theory, vol. 109, Article ID: 102292, May 2021.
[11] S. O. Ogundoyin and I. A. Kamil, "Optimization techniques and applications in fog computing: An exhaustive survey," Swarm and Evolutionary Computation, vol. 66, Article ID: 100937, Oct. 2021.
[12] J. Al Muhtadi, R. A. Alamri, F. A. Khan, and K. Saleem, "Subjective logic-based trust model for fog computing," Computer Communications, vol. 178, pp. 221-233, Oct. 2021.
[13] A. J. Kadhim, S. A. H. Seno, J. I. Naser, and J. Hajipour, "DMPFS: Delay-efficient multicasting based on parked vehicles, fog computing and SDN in vehicular networks," Vehicular Communications, vol. 36, Article ID: 100488, Aug. 2022.
[14] K. A. Darabkh, B. Z. Alkhader, A. F. Khalifeh, F. Jubair, and M. Abdel-Majeed, "ICDRP-F-SDVN: An innovative cluster-based dual-phase routing protocol using fog computing and software-defined vehicular network," Vehicular Communications, vol. 34, Article ID: 100453, Apr. 2022.
[15] E. Hosseini, M. Nickray, and S. Ghanbari, "Optimized task scheduling for cost-latency trade-off in mobile fog computing using fuzzy analytical hierarchy process," Computer Networks, vol. 206, Article ID: 108752, Apr. 2022.
[16] S. Azizi, M. Shojafar, J. Abawajy, and R. Buyya, "Deadline-aware and energy-efficient IoT task scheduling in fog computing systems: A semi-greedy approach," Journal of Network and Computer Applications, vol. 201, Article ID: 103333, May 2022.
[17] B. Sarma, R. Kumar, and T. Tuithung, "Machine learning enabled network and task management in SDN based Fog architecture," Computers and Electrical Engineering, vol. 108, Article ID: 108705, May 2023.
[18] M. M. Islam, F. Ramezani, H. Y. Lu, and M. Naderpour, "Optimal placement of applications in the fog environment: A systematic literature review," Journal of Parallel and Distributed Computing, vol. 174, pp. 46-69, Apr. 2023.
[19] Z. H. Ali, N. El-Rashidy, M. A. Elhosseini, and S. M. Ayyad, "SDN-based reliable emergency message routing schema using Digital Twins for adjusting beacon transmission in VANET," Journal of Network and Computer Applications, vol. 230, Article ID: 103944, Oct. 2024.
[20] E. Matinfar, et al., "FABLSTM: Aan optimal resource allocation in SDVN networks with contextual variables integration," The Journal of Supercomputing, vol. 81, no. 15, Article ID: 1454, Oct. 2025.
[21] D. Adanza, et al., "Enabling traffic forecasting with cloud-native SDN controller in transport networks," Computer Networks, vol. 250, Article ID: 110565, Aug. 2024.