With the rapid growth of Internet-of-Things (IoT) applications, data volumes have been considerably increased. The processing resources of IoT nodes cannot cope with such huge workloads. Processing parts of the workload in clouds could solve this problem, but the quality of services for end-users will be decreased. Given the latency reduction for end-users, the concept of processing in the fog devices, which are at the edge of the network has been evolved. Optimizing the energy consumption of fog devices in comparison with cloud devices is a significant challenge. On the other hand, providing the expected-quality of service in processing the requested workloads is highly dependent on the propagation delay between fog devices and clouds, which due to the nature of the distribution of clouds with the different workloads, is highly variable. To date, none of the proposed solutions has solved the problem of workload allocation given the criteria of minimizing the energy and delay of fog devices and clouds, simultaneously. This paper presents a processing model for the problem in which a trade-off between energy consumption and delay in processing workloads in fog is formulated. This multi-objective model of the problem is solved using NSGAII algorithm. The numerical results show that by using the proposed algorithm for workload allocation in a fog-cloud scenario, both of energy-consumption and delay can be improved. Also, by allocating 25% of the IoT workloads to fog devices, the energy consumption and delay are both minimized.

中文翻译：

---

使用多目标遗传算法的IoT-雾云架构工作量分配

随着物联网（IoT）应用程序的快速增长，数据量已大大增加。物联网节点的处理资源无法应对如此巨大的工作量。在云中处理部分工作负载可以解决此问题，但是将降低最终用户的服务质量。考虑到最终用户的等待时间减少，已经发展了位于网络边缘的雾设备中的处理概念。与云设备相比，优化雾设备的能耗是一项重大挑战。另一方面，在处理请求的工作负载时提供期望的服务质量高度依赖于雾设备和云之间的传播延迟，由于具有不同工作负载的云的分布性质，该延迟是高度可变的。至今，考虑到同时降低雾化设备和云的能量和延迟的准则，所提出的解决方案都无法解决工作量分配问题。本文提出了一个针对该问题的处理模型，其中提出了能耗与雾中处理工作量延迟之间的折衷方案。使用NSGAII算法解决了该问题的多目标模型。数值结果表明，通过在雾云场景下使用该算法进行工作量分配，可以提高能耗和时延。此外，通过将25％的IoT工作负载分配给雾设备，可将能耗和延迟都降至最低。同时。本文提出了一种针对该问题的处理模型，其中提出了能耗与雾中处理工作量延迟之间的折衷方案。使用NSGAII算法解决了该问题的多目标模型。数值结果表明，通过在雾云场景下使用该算法进行工作量分配，可以提高能耗和时延。此外，通过将25％的IoT工作负载分配给雾设备，可将能耗和延迟都降至最低。同时。本文提出了一种针对该问题的处理模型，其中提出了能耗与雾中处理工作量延迟之间的折衷方案。使用NSGAII算法解决了该问题的多目标模型。数值结果表明，通过在雾云场景下使用该算法进行工作量分配，可以提高能耗和时延。此外，通过将25％的IoT工作负载分配给雾设备，可将能耗和延迟都降至最低。数值结果表明，通过在雾云场景下使用该算法进行工作量分配，可以提高能耗和时延。此外，通过将25％的IoT工作负载分配给雾设备，可将能耗和延迟都降至最低。数值结果表明，通过在雾云场景下使用该算法进行工作量分配，可以提高能耗和时延。此外，通过将25％的IoT工作负载分配给雾设备，可将能耗和延迟都降至最低。