Fog computing is playing a vital role in data transmission to distributed devices in the Internet of Things (IoT) and another network paradigm. The fundamental element of fog computing is an additional layer added between an IoT device/node and a cloud server. These fog nodes are used to speed up time-critical applications. Current research efforts and user trends are pushing for fog computing, and the path is far from being paved. Unless it can reap the benefits of applying software-defined networks and network function virtualization techniques, network monitoring will be an additional burden for fog. However, the seamless integration of these techniques in fog computing is not easy and will be a challenging task. To overcome the issues as already mentioned, the fog-based delay-sensitive data transmission algorithm develops a robust optimal technique to ensure the low and predictable delay in delay-sensitive applications such as traffic monitoring and vehicle tracking applications. The method reduces latency by storing and processing the data close to the source of information with optimal depth in the network. The deployment results show that the proposed algorithm reduces 15.67 ms round trip time and 2 seconds averaged delay on 10 KB, 100 KB, and 1 MB data set India, Singapore, and Japan Amazon Datacenter Regions compared with conventional methodologies.

中文翻译：

---

基于雾的延迟敏感数据传输算法，用于多媒体应用的云环境中的数据转发和存储。

雾计算在向物联网 (IoT) 和另一种网络范式中的分布式设备传输数据方面发挥着至关重要的作用。雾计算的基本元素是在 IoT 设备/节点和云服务器之间添加的附加层。这些雾节点用于加速时间关键型应用程序。当前的研究工作和用户趋势正在推动雾计算，而且这条路还远未铺平。除非能够从应用软件定义网络和网络功能虚拟化技术中获益，否则网络监控将成为雾的额外负担。然而，将这些技术无缝集成到雾计算中并不容易，将是一项具有挑战性的任务。为了克服已经提到的问题，基于雾的延迟敏感数据传输算法开发了一种稳健的优化技术，以确保在延迟敏感应用（例如交通监控和车辆跟踪应用）中具有低且可预测的延迟。该方法通过在网络中以最佳深度存储和处理靠近信息源的数据来减少延迟。部署结果表明，与传统方法相比，所提出的算法在印度、新加坡和日本亚马逊数据中心区域的 10 KB、100 KB 和 1 MB 数据集上减少了 15.67 毫秒的往返时间和 2 秒的平均延迟。该方法通过在网络中以最佳深度存储和处理靠近信息源的数据来减少延迟。部署结果表明，与传统方法相比，所提出的算法在印度、新加坡和日本亚马逊数据中心区域的 10 KB、100 KB 和 1 MB 数据集上减少了 15.67 毫秒的往返时间和 2 秒的平均延迟。该方法通过在网络中以最佳深度存储和处理靠近信息源的数据来减少延迟。部署结果表明，与传统方法相比，所提出的算法在印度、新加坡和日本亚马逊数据中心区域的 10 KB、100 KB 和 1 MB 数据集上减少了 15.67 毫秒的往返时间和 2 秒的平均延迟。