Edge and Fog computing paradigms overcome the limitations of Cloud-centric execution for different latency-sensitive Internet of Things (IoT) applications by offering computing resources closer to the data sources. In both paradigms, single-board small computers like Raspberry Pis (RPis) are widely used as the computing nodes. RPis are usually equipped with processors having moderate speed and provide supports for peripheral interfacing and networking. These features make RPis well-suited to deal with IoT-driven operations such as data sensing, analysis and actuation. However, RPis are constrained in facilitating multi-tenancy and resource sharing. The management of RPi-based computing and peripheral resources through centralized entities further degrades their performance and service quality significantly. To address these issues, a framework, named \textit{Con-Pi} is proposed in this work. It exploits the concept of containerization and harnesses Docker containers to run IoT applications as microservices on RPis. Moreover, Con-Pi operates in a distributed manner across multiple RPis and enables them to share resources. The software system of the proposed framework also provides a scope to integrate different application, resource and energy management policies for Edge and Fog computing. The performance of the proposed framework is compared with the state-of-the-art frameworks by means of real-world experiments. The experimental results evident that Con-Pi outperforms others in enhancing response time and managing energy usage and computing resources through distributed offloading. Additionally, we have developed a pest bird deterrent system using Con-Pi to demonstrate its suitability in developing practical solutions for various IoT-enabled use cases including smart agriculture.


翻译:边远和 Foog 计算模式克服了云中心对不同悬浮敏感物(IoT)互联网应用程序实施以云为中心的执行的局限性,通过提供更接近数据源的计算资源。在这两种模式中,像Raspberry Pis(RPis)这样的单板小型计算机被广泛用作计算节点。RPis通常配有中速的处理器,为周边的互换和网络提供支持。这些特征使得RPis非常适合处理由IoT驱动的操作,如数据感测、分析和动作。然而,RPis在便利多强度和资源共享方面受到制约。通过中央实体管理基于RPi的计算机和外围资源进一步降低其绩效和服务质量。为了解决这些问题,在这项工作中提出了一个名为\ textitit{Con-Pi}的框架。它利用集装箱化概念和Dockerfocken 将IOT应用作为微软化服务运行,在RPis 上也采用了Con-Pi 运行一种分散的方式,在多个RPis 中管理多种系统,并使它们能够管理基于RPis 并使它们能够管理,使得它们能够将资源与成本框架进行对比。软件的软件, 将资源与资源与系统进行比 的软件的系统, 提供了一个功能框架, 将资源与系统, 将资源与功能化应用的功能化应用, 将资源与功能系统与系统与系统与系统与系统与系统进行比,将资源与工具用于用于,将资源与系统与系统与系统进行比。软件的使用,将资源与功能化,将资源与系统与功能化法化法系。软件的系统与功能化,将资源与功能化,将资源与功能化,将功能化,将资源与系统与功能化,将资源与系统与功能化,将资源与系统与功能化,将资源与功能化,将资源与系统与系统与系统与系统与系统与系统与系统与功能化,将资源与系统与系统与功能化法化法化法化法化法化法系法化,将资源与功能化,将资源与功能化,将资源与系统与系统与系统与资源与功能化法化法化法化法化法化法化法化法化法化法化法化法化。软件法系法化

0
下载
关闭预览

相关内容

专知会员服务
39+阅读 · 2020年9月6日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
机器学习研究会
6+阅读 · 2017年8月23日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月5日
Semantics of Data Mining Services in Cloud Computing
Arxiv
4+阅读 · 2018年10月5日
VIP会员
相关VIP内容
专知会员服务
39+阅读 · 2020年9月6日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
机器学习研究会
6+阅读 · 2017年8月23日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员