An IoT-enabled cluster of automobiles provides a rich source of computational resources, in addition to facilitating efficient collaboration with vehicle-to-vehicle and vehicle-to-infrastructure communication. This is enabled by vehicular fog computing where vehicles are used as fog nodes and provide cloud-like services to the Internet of things (IoT) and are further integrated with the traditional cloud to collaboratively complete the tasks. However, efficient load management in vehicular fog computing is a challenging task due to the dynamic nature of the vehicular ad-hoc network (VANET). In this context, we propose a cluster-enabled capacity-based load-balancing approach to perform energy- and performance-aware vehicular fog distributed computing for efficiently processing the IoT jobs. The paper proposes a dynamic clustering approach that takes into account the position, speed, and direction of vehicles to form their clusters that act as the pool of computing resources. The paper also proposes a mechanism for identifying a vehicle's departure time from the cluster, which allows predicting the future position of the vehicle within the dynamic network. Furthermore, the paper provides a capacity-based load-distribution mechanism for performing load-balancing at the intra- as well as the inter-cluster level of the vehicular fog network. The simulation results are obtained using the state-of-the-art NS2 network simulation environment. The results show that the proposed scheme achieves balanced network energy consumption, reduced network delay, and improved network utilization.

启用IoT的汽车集群除了促进与车对车和车对基础设施通信的高效协作之外，还提供了丰富的计算资源。这可以通过车辆雾计算实现，其中车辆被用作雾节点，并向物联网（IoT）提供类似云的服务，并且进一步与传统云集成在一起以协作完成任务。但是，由于车辆自组织网络（VANET）的动态特性，在车辆雾计算中进行有效的负载管理是一项具有挑战性的任务。在这种情况下，我们提出了一种基于集群的基于容量的负载平衡方法，以执行能量和性能感知的车辆雾分布式计算，以有效地处理IoT作业。本文提出了一种动态聚类方法，该方法考虑了车辆的位置，速度和方向，以形成其作为计算资源池的聚类。该论文还提出了一种从集群中识别出车辆离开时间的机制，该机制可以预测车辆在动态网络中的未来位置。此外，本文提供了一种基于容量的负载分配机制，用于在车辆雾网络的内部和集群间级别执行负载均衡。使用最新的NS2网络仿真环境可获得仿真结果。结果表明，该方案实现了均衡的网络能耗，减少了网络时延，提高了网络利用率。车辆的方向和方向以形成其集群，这些集群充当计算资源的池。该论文还提出了一种从集群中识别出车辆离开时间的机制，该机制可以预测车辆在动态网络中的未来位置。此外，本文提供了一种基于容量的负载分配机制，用于在车辆雾网络的内部和集群间级别执行负载均衡。使用最新的NS2网络仿真环境可获得仿真结果。结果表明，该方案实现了均衡的网络能耗，减少了网络时延，提高了网络利用率。车辆的方向和方向以形成其集群，这些集群充当计算资源的池。该论文还提出了一种从集群中识别出车辆离开时间的机制，该机制可以预测车辆在动态网络中的未来位置。此外，本文提供了一种基于容量的负载分配机制，用于在车辆雾网络的内部和集群间级别执行负载均衡。使用最新的NS2网络仿真环境可获得仿真结果。结果表明，该方案实现了均衡的网络能耗，减少了网络时延，提高了网络利用率。距群集的离开时间，这可以预测动态网络中车辆的未来位置。此外，本文提供了一种基于容量的负载分配机制，用于在车辆雾网络的内部和集群间级别执行负载均衡。使用最新的NS2网络仿真环境可获得仿真结果。结果表明，该方案实现了均衡的网络能耗，减少了网络时延，提高了网络利用率。距群集的离开时间，这可以预测动态网络中车辆的未来位置。此外，本文提供了一种基于容量的负载分配机制，用于在车辆雾网络的内部和集群间级别执行负载均衡。使用最新的NS2网络仿真环境可获得仿真结果。结果表明，该方案实现了均衡的网络能耗，减少了网络时延，提高了网络利用率。使用最新的NS2网络仿真环境可获得仿真结果。结果表明，该方案实现了均衡的网络能耗，减少了网络时延，提高了网络利用率。使用最新的NS2网络仿真环境可获得仿真结果。结果表明，该方案实现了均衡的网络能耗，减少了网络时延，提高了网络利用率。