Cloud computing has been adopted to support among others the storage and processing of complex Internet of Things (IoT) workflows handling sensory streamed time-series data. IoT workflow is often composed following a set of procedures which makes it hard to self-adapt, self-configure to react to runtime environment changes. Therefore, declarative data-driven workflow composition will provision self-learning and self-configurable workflows such as those of IoT. This paper proposes a comprehensive architecture to support end-to-end workflow management processes including declarative specification and composition, configuration deployment, orchestration, execution, adaptation, and quality enforcement. The later provision runtime intelligence for IoT workflow orchestration; this is achieved through the automated monitoring and analysis of runtime cloud resource orchestration, the monitoring of workflows tasks execution, as well as through cloud resource utilization prediction and workflow adaptation. In addition, it supports other intelligent features that include: (1) integration of edge computing (sensor edge) for local data processing which is very crucial for life-critical IoT workflows, (2) data compression for fast data transmission, and data storage adaptation, and (3) customization of data reporting and visualization. All these features have been evaluated through a set of experiments that proved a significant gain in terms of workflow execution time, cost and optimum usage of cloud resources compared to baseline adaptation strategy.

已采用云计算来支持存储和处理复杂的物联网（IoT）工作流，这些工作流处理感官流时间序列数据。物联网工作流程通常是按照一系列程序组成的，这使得很难对运行时环境变化做出自适应，自我配置的反应。因此，声明式数据驱动的工作流组合将提供自学习和可配置的工作流，例如物联网。本文提出了一个全面的体系结构来支持端到端的工作流管理流程，包括声明性的规范和组成，配置部署，业务流程，执行，改编和质量执行。稍后为物联网工作流程编排提供运行时智能；这可以通过对运行时云资源编排的自动化监视和分析，对工作流任务执行的监视以及对云资源利用率的预测和工作流适应来实现。此外，它还支持其他智能功能，包括：（1）集成边缘计算（传感器边缘）以进行本地数据处理，这对于至关重要的物联网工作流程至关重要；（2）数据压缩以实现快速数据传输和数据存储适应，以及（3）定制数据报告和可视化。所有这些功能均通过一系列实验进行了评估，与基线适应策略相比，这些实验证明了在工作流执行时间，成本和云资源的最佳使用方面均具有显着优势。以及通过云资源利用预测和工作流适应。此外，它还支持其他智能功能，包括：（1）集成边缘计算（传感器边缘）以进行本地数据处理，这对于至关重要的物联网工作流程至关重要；（2）数据压缩以实现快速数据传输和数据存储适应，以及（3）定制数据报告和可视化。所有这些功能均通过一系列实验进行了评估，与基线适应策略相比，这些实验证明在工作流执行时间，成本和云资源的最佳使用方面均具有可观的收益。以及通过云资源利用预测和工作流适应。此外，它还支持其他智能功能，包括：（1）集成边缘计算（传感器边缘）以进行本地数据处理，这对于至关重要的物联网工作流程至关重要；（2）数据压缩以实现快速数据传输和数据存储适应，以及（3）定制数据报告和可视化。所有这些功能均通过一系列实验进行了评估，与基线适应策略相比，这些实验证明在工作流执行时间，成本和云资源的最佳使用方面均具有可观的收益。（1）集成边缘计算（传感器边缘）以进行本地数据处理，这对于至关重要的物联网工作流程至关重要;（2）数据压缩以实现快速数据传输和数据存储适应性;以及（3）定制数据报告和可视化。所有这些功能均通过一系列实验进行了评估，与基线适应策略相比，这些实验证明了在工作流执行时间，成本和云资源的最佳使用方面均具有显着优势。（1）集成边缘计算（传感器边缘）以进行本地数据处理，这对于至关重要的物联网工作流程至关重要;（2）数据压缩以实现快速数据传输和数据存储适应性;以及（3）定制数据报告和可视化。所有这些功能均通过一系列实验进行了评估，与基线适应策略相比，这些实验证明了在工作流执行时间，成本和云资源的最佳使用方面均具有显着优势。