2、雾辅助云环境中的任务分配与隐私保护研究

雾辅助云环境中的任务分配与隐私保护研究

1. 雾辅助云环境下的任务分配与能耗优化

在当今计算领域，雾辅助云环境凭借虚拟化服务提供强大的计算能力，成为主流方向。雾中心为客户提供边缘计算服务，但众多计算节点导致大量能源消耗。同时，数据在云和终端间传输会产生高延迟和高带宽需求，在工业物联网应用中，雾层的能源管理成为云服务提供商关注的重点。任务调度对雾服务器的能耗影响显著，高效的任务调度可降低能耗。

为解决这一问题，研究人员提出了多种算法。此前的研究表明，任务分配到虚拟机是一个NP难题，通常采用次优算法。高效的任务调度算法对节能和资源利用有直接影响，元启发式算法在解决雾服务器任务调度问题中发挥着重要作用。

以下是一些相关研究成果：
- 提出了节能技术，用于降低物联网层和雾计算网关之间的能耗。
- 研究了系统性能与虚拟机队列长度的关系，以提高服务质量参数。
- 开发了云环境下的节能任务整合算法。
- 设计了在雾辅助云环境中通过节能和优质服务分配实现利润最大化的算法。
- 提出了合适的任务整合方法，以减少雾计算生态系统中未充分利用的纳米数据中心，提高CPU利用率。

2. 优化算法介绍

2.1 Rao - 2算法

近年来，许多基于群体的元启发式算法被提出，部分算法基于自然现象或动物行为，但也有一些新算法未得到应用。Rao开发了一种无隐喻、无参数的优化算法Rao - 2，可解决复杂问题。

设$f(x)$为需要优化的函数，在第$i$次迭代时，设计变量和候选解的大小分别为$m$和$n$，$(f(x)) {best}$和$(f(x)) {wor